ANÁLISIS DE FLUCTUACIONES FINANCIERAS A PARTIR DE SERIES DE TIEMPO RESUMEN EJECUTIVO No.17-2007 La administración de riesgos (AR) toma cada vez rutas más complicadas, por lo cual es importante considerar el grado de los riesgos que se presentan en la economía financiera actual, dichos riesgos son producto de las fluctuaciones (o cambios) que sufren los agentes económicos. La magnitud y frecuencia de las fluctuaciones han propiciado el nacimiento de la ingeniería financiera, cuya importancia reside en la creación de modelos para protegerse de los riesgos financieros a través de la cobertura con instrumentos derivados, ya que éstos son un medio para administrar y distribuir el riesgo de una manera más eficiente. De esta forma, a partir de la década de 1970, el mercado de derivados ha crecido de manera exponencial por la necesidad de cobertura sobre los riesgos financieros. COMITÉ TÉCNICO NACIONAL DE ADMINISTRACIÓN INTEGRAL DE RIESGOS Por los Doctores Oswaldo Morales Matamoros y Alexander Balankin ANÁLISIS DE FLUCTUACIONES FINANCIERAS A PARTIR DE SERIES DE TIEMPO 2 CONSEJO DIRECTIVO NACIONAL 2007 Presidente C.P.C. Sergio Federico Ruiz Olloqui Vargas Presidente del Consejo Técnico Lic. Federico Casas Alatriste Secretario CDN y Director General IMEF IQ MBA Juan Carlos Erdozáin Rivera COMITÉ TÉCNICO NACIONAL DE ADMINISTRACIÓN INTEGRAL DE RIESGOS PRESIDENTE C.P. Alfonso Salvador Gómez Cardoso CONTENIDO INTRODUCCION CAPITULO 1: MOVIMIENTO BROWNIANO CAPITULO 2: GEOMETRIA FRACTAL CAPITULO 3: FLUCTUACIONES EN EL MERCADO PETROLERO CONCLUSIONES REFERENCIAS INTEGRANTES Act. Enrique Márquez C.P. Alfonso Salvador Gómez Cardoso C.P. Daniel Novoa Villaseñor C.P. Enrique Daniel Ledesma González C.P. Enrique Ochoa Báez C.P. José Alberto Ramírez Rebolledo C.P. Raúl Márquez Guerrero C.P. Víctor Escalante Torres Dr. Fausto Humberto Membrillo Hernández Dr. Oswaldo Morales Matamoros Ing. Pablo Pinedo Navarro Lic. Andrea Ramírez Hernández Lic. Antonio Olivo Farías Lic. Federico José Buiter Viviers Lic. Fernando Alcántara Hernández Lic. Fernando Labharte Cabrera Lic. Gerardo Pinto Urrutia Lic. Itzel García Zamora Lic. Javier Hernández López Lic. Juan Carlos Sierra Boche M. en I. E. y F. Anselmo Moctezuma Martir Mat. Xavier González Gamio MBA Claudia Viviana Guevara Vázquez Sr. Eduardo Riveroll Nava Sr. Pierre Francois Streit L.C.P. Martha Arellano Fuentes Coodinadora del Comité Técnico Nacional de Administración Integral de Riesgos INTRODUCCIÓN La integración económica en la actualidad, como parte de la globalización económica ha provocado una fuerte competencia sobre los participantes que actúan en los mercados de valores con el fin de contar con métodos más eficientes en el marco operativo para prevenir desastres financieros. La inserción de la economía mexicana en el orden contextual de la globalización mundial, obliga a que cada vez sea más imperativa la importancia de considerar los tipos de riesgos que trae consigo la apertura de nuestro mercado al exterior, en particular, en el ámbito financiero. Las necesidades de cobertura impactan sobre el mercado mexicano, esto es, desde la apertura del sistema financiero mexicano hasta la inversión extranjera. Debido a lo anterior, las organizaciones bursátiles y bancarias de México deben estar preparadas y contar con una estructura sólida, eficiente y confiable, que permita una mejor integración en los mercados financieros al contar con una adecuada administración de riesgos. La administración de riesgos (AR) toma cada vez rutas más complicadas, por lo cual es importante considerar el grado de los riesgos que se presentan en la economía financiera actual, dichos riesgos son producto de las fluctuaciones (o cambios) que sufren los agentes económicos. La magnitud y frecuencia de las fluctuaciones han propiciado el nacimiento de la ingeniería financiera, cuya importancia reside en la ANÁLISIS DE FLUCTUACIONES FINANCIERAS A PARTIR DE SERIES DE TIEMPO creación de modelos para protegerse de los riesgos financieros a través de la cobertura con instrumentos derivados, ya que éstos son un medio para administrar y distribuir el riesgo de una manera más eficiente. De esta forma, a partir de la década de 1970, el mercado de derivados ha crecido de manera exponencial por la necesidad de cobertura sobre los riesgos financieros [1]. Administrar riesgos significa tener algún nivel de certidumbre, que comience desde el análisis de las fluctuaciones de las principales variables financieras, hasta su predicción (estadística): realización de un análisis de sensibilidad que permita generar escenarios (probabilísticos) extremos con expectativas favorables a la conducta que los agentes económicos esperan, en condiciones de confianza para invertir [1]. 3 En el ámbito financiero las principales fuentes de riesgo comienzan con fluctuaciones (aparentemente impredecibles) sobre precios, tipos de cambio y tasas de interés. Dichas fluctuaciones han sido motivo de constante preocupación para todos aquellos agentes que ponen en riesgo sus ingresos y estabilidad financiera. Aquí es importante hacer una pausa para especificar cómo se miden las fluctuaciones en los mercados financieros. Pues bien, las fluctuaciones (o cambios) en los precios se miden por los incrementos en los precios, los rendimientos logarítmicos de precios o el valor absoluto de estos últimos. Si denota el precio de algún activo o mercancía en un cierto día de negociación, el incremento en el precio está definido como , y el cambio relativo en el precio, rendimiento porcentual, como . Básicamente, la AR está determinada por tres eventos importantes: la liberación económica, que, a su vez, conlleva al incremento de las fluc-tuaciones de las variables económicas, y el auge que se da en la industria de los derivados. Las fluctuaciones (cada vez más frecuentes y de mayor magnitud) en los mercados financieros han generado un entorno de mayor incertidumbre y, por lo tanto, han aumentado los riesgos de que las inversiones obtengan los rendimientos esperados en los plazos establecidos [1]. Además, sobre una base de composición continua, el rendimiento del precio en un periodo dado puede ser calculado como el logaritmo del precio final menos el logaritmo del precio inicial: , donde . En cuanto al valor absoluto de los rendimientos logarítmicos, éste describe la amplitud de la fluctuación, ya que es por definición siempre positivo y no existen tendencias globales que sean visiblemente obvias. La incertidumbre está vinculada con el riesgo, aunque no son lo mismo. Por un lado, la incertidumbre se define como la falta de información que propicia que el proceso de toma de decisiones financieras se vea afectado por la presencia de riesgos internos y externos, consecuencia de un diagnóstico estratégico incompleto. Por otro lado, el riesgo es la probabilidad de que las organizaciones puedan sufrir un daño o pérdida en el futuro debido a eventos que son simple y sencillamente impredecibles, pero que afectan negativamente en el rendimiento de la inversión; es por ello que el riesgo está inmerso en toda actividad económica [1]. Sin embargo, en AR la expresión más aceptada para referirse a fluctuaciones financieras es la de volatilidad, cuya definición en los mercados financieros es: la desviación estándar del precio, ya que ésta representa una medida general de la magnitud de las fluctuaciones del mercado. Con base a lo anterior, para calcular la volatilidad histórica, a diferentes horizontes de tiempo, se utiliza la ecuación: , donde el valor promedio de denota el tiempo promedio de negociación y es el tiempo para realizar las transacciones (excluyendo fines de semana y días festivos del mercado) [2]. ANÁLISIS DE FLUCTUACIONES FINANCIERAS A PARTIR DE SERIES DE TIEMPO 4 El análisis, modelado y predicción de la volatilidad en los mercados financieros trata de responder a la pregunta: ¿qué tan inciertos son los rendimientos esperados de un activo? Para contestar esta pregunta, los analistas financieros (ya sean contadores, economistas, actuarios, matemáticos o físicos) toman como punto de partida las bases de datos concernientes a los registros de los valores de las variables financieras en cierto instante de tiempo (precios, tasas de interés, tipos de cambio, etcétera). A dichas bases de datos se les llama series de tiempo financieras; estas series de tiempo pueden contener millones de datos y estar disponibles en Internet. En principio, se ha demostrado que las series de tiempo de precios, índices, tasas de interés y tipos de cambio despliegan incertidumbres estocásticas, por lo que los analistas financieros han optado por analizar series de tiempo de las fluctuaciones de las variables financieras antes mencionadas: rendimientos logarítmicos y desviación estándar. En la figura 1 se muestran las curvas de las series de tiempo de: precios (spot y constantes a 1983) del petróleo crudo West Texas Intermediate (WTI), rendimientos logarítmicos del WTI y volatilidad histórica del WTI para cada dos días de negociación ( ). De esta manera, la asociación del riesgo con la volatilidad que existe sobre los rendimientos de activos consiste en un proceso estocástico, en donde se puede identificar su distribución de probabilidad y desarrollar modelos relevantes en función de sus tendencias estadísticas (varianza, desviación estándar y estimar los coeficientes de correlación), así como efectuar análisis de sensibilidad sobre las variables que determinen un cierto nivel de confianza al momento de observar cambios en la economía. Figura 1. Curvas de series de tiempo (1986-2003 y ): precios del crudo WTI, rendimientos logarítmicos del WTI y volatilidad del WTI [3]. De hecho, como se verá más adelante, la primera formulación del modelo del Movimiento Browniano y un proceso estocástico se dio en una investigación realizada en el área de la Economía. A continuación se explica la manera en que los economistas han analizado las fluctuaciones financieras a partir de series de tiempo, apoyándose en el fenómeno del Movimiento Browniano y en la Teoría de Probabilidad. ANÁLISIS DE FLUCTUACIONES FINANCIERAS A PARTIR DE SERIES DE TIEMPO 5 CAPITULO 1: MOVIMIENTO BROWNIANO En 1969 el Banco Central de Suecia crea el Premio Nobel en Economía. Existen varios laureados con este premio que han soportado sus trabajos de investigación a partir del Movimiento Browniano (mB) y su evolución conceptual. Por ejemplo, en 1970 Paul Anthony Samuelson obtiene el Premio Nobel en Economía y en 1997 Robert Merton y Myron Scholes comparten este premio. El mB ha permitido el modelado de fluctuaciones propias de diversas variables económicas y financieras y ha representado una herramienta básica para incorporar elementos de riesgo e incertidumbre en la dinámica de dichas variables, lo que ha propiciado que el mB, así como sus aspectos teóricos y prácticos, ocupe el 99% en la teoría de valuación de portafolios y productos derivados en tiempo continuo. Esto ha implicado que, a partir de la década de 1980, la mayoría de los departamentos de matemáticas en el mundo cuenten con un programa de posgrado en matemáticas financieras, poniendo mucho énfasis en la teoría de productos derivados [4]. En 1827 Robert Brown, mientras examinaba partículas de polen en el microscopio, observó que cuando éstas se encontraban suspendidas en agua se movían sin cesar en forma errática. A dicho fenómeno se le llamó mB (figura 2a) y se describe mediante la caminata aleatoria (figura 2b): desplazamientos hacia adelante (azarosos) y retrocesos (también azarosos) de un caminante en cierto periodo de tiempo [4]. a) b) Figura 2. a) Movimiento Browniano de partículas de polen de una hierba suspendidas en agua; b) caminata al azar: Movimiento Browniano estándar. En 1905 Albert Einstein escribió un artículo sobre la mecánica estadística en el que proporcionó la explicación y formulación matemática del mB, demostrando que el movimiento irregular de las partículas de polen se debía al golpeteo aleatorio de las moléculas invisibles de agua sobre las partículas de polen. Sin embargo, Louis Bachelier se anticipó a Einstein con una formulación matemática del mB, tan elegante como la de Einstein, abordando un problema completamente diferente al del movimiento errático de partículas de polen suspendidas en agua. ANÁLISIS DE FLUCTUACIONES FINANCIERAS A PARTIR DE SERIES DE TIEMPO 6 Louis Bachelier en 1900 presentó en la Sobornne de París su tesis doctoral: "Théorie de la Spéculation", a través de la cual distingue a las finanzas como una ciencia sujeta al rigor matemático. En esta tesis Bachelier estudió el comportamiento de los precios de activos financieros y estableció un "modelo matemático" que describía los movimientos de dichos precios: el mB (figura 3a) [4]. a) b) Figura 3. a) Movimiento Browniano de una serie de tiempo de fluctuaciones financieras; b) Movimiento Browniano Geométrico de una serie de tiempo de fluctuaciones financieras. La primera parte de la tesis de Bachelier contiene una descripción de los productos derivados disponibles en el mercado francés en su tiempo, tales como contratos Forward y Opciones. Posteriormente desarrolla un modelo probabilístico del movimiento del precio de un activo y establece el principio de valuación de que la "esperanza condicional de la ganancia del especulador es cero". El término condicional se refiere a que la información actual es tomada como dada. Implícitamente Bachelier acepta en este principio que el mercado valúa activos utilizando martingalas (procesos estocásticos cuyo valor futuro esperado depende sólo del valor actual y no de anteriores al mismo); asimismo, establece que el precio evoluciona como un proceso de Markov homogéneo en el tiempo (en donde la distribución de probabilidad de un estado futuro sólo depende de la información actual y no de la anterior). También muestra que la función de densidad asociada a este proceso satisface la condición (actualmente) conocida como ecuación de Chapman-Kolmogorov y verifica que la densidad Gaussiana con varianza creciente linealmente en el tiempo es la solución de esta ecuación. Bachelier muestra que la familia de funciones de densidad asociadas al proceso que conduce el precio satisface la ecuación de calor. Finalmente, el modelo probabilístico que describe el movimiento del precio de un activo es aplicado para valuar varios tipos de Opciones (francesas) cuyas primas se pagan al vencimiento [4]. Como puede verse, Bachelier se adelantó a su tiempo con la introducción de conceptos como: Movimiento Browniano, proceso Markoviano, esperanza condicional y martingala. Dichos conceptos fueron redescubiertos y popularizados por prominentes matemáticos varios años después. Por ejemplo, los procesos Markovianos aparecen en 1906, la noción formal de esperanza condicional es introducida por Kolmogorov en 1933 y el concepto de martingala es elaborado por Lévy hasta 1937 [4]. ANÁLISIS DE FLUCTUACIONES FINANCIERAS A PARTIR DE SERIES DE TIEMPO Entre las contribuciones de la tesis de Bachelier a las matemáticas financieras también desatacan: el modelo de la dinámica de los precios de las acciones de la bolsa de París a través del mB, la primera representación gráfica del precio de un contrato de Opción, la formulación de mercados eficientes, la primera fórmula de valuación de un contrato de Opción y la primera definición cuantitativa de riesgo de mercado [4]. Paul Antonhy Samuelson, profesor en el Massachussets Institute of Technology (MIT) de 1968 a 1970, a través de su trabajo sobre la valuación de Warrants, da a conocer la investigación de Bachelier. Alrededor de 1960, Samuelson, en una visita a la Soborne, lee la tesis de Bachelier lo que influye de manera fundamental en su trabajo posterior sobre Opciones de precios, por el que recibe el Premio Nobel de Economía en 1970. Samuelson se percata de que una de las limitaciones más importantes del trabajo de Bachelier es que los precios de los activos pueden tomar valores negativos, enmendando este inconveniente hasta 1965 con la publicación de su artículo "Rational Theory of Warrant Prices". En dicho artículo Samuelson introduce el concepto de Movimiento Económico Browniano, lo que en la actualidad se conoce como Movimiento Geométrico Browniano. Cuando Samuelson resuelve el problema de Bachelier, eliminando la posibilidad de que un activo tenga precios negativos, se crean nuevos inconvenientes con la aparición de parámetros desconocidos. En el artículo de Samuelson, en donde el precio del activo subyacente es conducido por el Movimiento Geométrico Browniano (figura 3b) y el precio de la Opción se calcula como el valor presente de la esperanza del pago al vencimiento, el valor de la Opción depende de dos parámetros desconocidos. El primer parámetro, , es el rendimiento medio esperado del subyacente, el cual es un 7 parámetro de tendencia relacionado con las preferencias al riesgo de los agentes. El segundo, , es el rendimiento que pagan las Opciones que se utiliza para traer a valor presente el pago esperado de la Opción al vencimiento [4]. En 1973 Fischer Black y Myron Scholes publicaron su artículo "The Pricing of Options and Corporate Liabilities", en el cual corrigen los inconvenientes del artículo de Samuelson, ya que no hay parámetros desconocidos, y , en el precio de la Opción y, más importante aún, no surgieron limitaciones adicionales. En el mismo artículo Black y Scholes proporcionan una derivación alternativa de su fórmula de valuación empleando el modelo CAPM (Capital Asset Pricing Model) para describir la relación (lineal) entre el riesgo y el rendimiento esperado de un activo bajo condiciones de equilibrio de mercado [4]. Los supuestos básicos (o condiciones ideales de los mercados de Opciones y Acciones) del modelo de Black y Fischer son los siguientes: • el activo subyacente es una Acción que no paga dividendos durante la vida del contrato; • el precio del activo subyacente es conducido por el Movimiento Geométrico Browniano, es decir, el precio es log-normal; • la volatilidad del precio del activo subyacente se mantiene constante a través del tiempo; • las ventas en corto del subyacente en cuestión son permitidas; • el mercado del subyacente es líquido y divisible, es decir, el subyacente siempre se puede comprar y vender en cualquier fracción de unidad; ANÁLISIS DE FLUCTUACIONES FINANCIERAS A PARTIR DE SERIES DE TIEMPO 8 • no hay costos de transacción (comisiones e impuestos); los distintos derivados financieros que se encuentran disponibles en el mercado [4]. • el mercado opera en forma continúa; Es también importante destacar el artículo de Robert Merton, "Theory of Rational Option Pricing", publicado en 1973, en donde se obtienen resultados similares a los de Black y Scholes y varias extensiones, entre las que destacan: tasas de interés estocásticas, pago continuo de dividendos, un análisis de Opciones Americanas, generalización de la fórmula de Samuelson para Opciones perpetuas y la valuación de Opciones con barreras. Merton, asistente de Samuelson en el MIT, continúo su trabajo sobre valuación de Opciones, manteniendo varios de los supuestos de Black y Scholes. Pero en el modelo de Merton no se supone una tasa de interés constante y libre de riesgo, sino un bono cupón cero cuyos rendimientos son gobernados por un proceso de Gauss-Wiener, lo cual genera una estructura de plazos para la tasa de interés [4]. • existe un mercado de crédito y un sistema bancario en los que los agentes pueden prestar y pedir prestado a una tasa de interés constante para todos los plazos, y libre de riesgo (tasa de interés pasiva igual a la activa); y • los mercados están en equilibrio, es decir, no existen oportunidades de arbitraje libres de riesgo. Bajo estos supuestos, el precio de la Opción dependerá sólo del precio de la Acción, del tiempo de vencimiento, ya que se diversifica (elimina) completamente el riesgo de mercado y el rendimiento del portafolio es conocido. Asimismo, el valor de la Opción es independiente del rendimiento esperado de la Acción y un incremento en el periodo de maduración (o en la tasa de interés libre de riesgo, o en la varianza) propiciará un incremento en el valor de la Opción. Finalmente, con base a los supuestos anteriores, es posible crear una estrategia de cobertura (dinámica) consistente en una posición larga en la Acción y una posición corta en la Opción. En su artículo, Black y Scholes obtienen una ecuación diferencial parcial de segundo orden, parabólica y lineal, cuya solución es el precio de una Opción Europea cuando la condición final es el valor intrínseco de la Opción. En la investigación de Black y Scholes, esta ecuación diferencial parcial es transformada en la ecuación de difusión de calor (con soluciones explicitas, que describen cómo se difunde, al transcurrir el tiempo, el calor en una varilla de longitud infinita después de que ha sido calentada en un tiempo inicial). Desde entonces, la ecuación diferencial parcial de Black y Scholes ha sido muy popular, pues representa la base para valuar muchos y muy diversos productos derivados, ya que, para diferentes condiciones de frontera, sus soluciones representan los precios de Por sus excepcionales contribuciones a lo que hoy se conoce como matemáticas financieras en tiempo continuo, Robert Merton y Myron Scholes se hicieron acreedores al Premio Nobel de Economía en 1997, para entonces Fischer Black, quien fue adiestrado en física y la fuerza conductora detrás del modelo de Black-Scholes-Merton, tenía dos años de fallecido. Con los enfoques financieros clásicos (del Movimiento Geométrico Browniano) se establece que los mercados financieros son impredecibles, que hay un comportamiento aleatorio de los precios que se ajusta a una distribución normal, y que se rigen por la hipótesis del mercado eficiente [2,5]. Aunque el mB (o caminata aleatoria) fue un triunfo de las finanzas cuantitativas, llegando a ser la base del análisis moderno de los portafolios de inversión y la piedra angular del modelo de Black y Scholes para la asignación del precio de una Opción, las colas pesadas de las distribuciones de las fluctuaciones reales de los precios pueden propiciar grandes desastres financieros no contemplados en la distribución Gaussiana (basada en la caminata aleatoria), tal y como ocurrió ANÁLISIS DE FLUCTUACIONES FINANCIERAS A PARTIR DE SERIES DE TIEMPO en el desplome del Lunes Negro en 1987 y en la crisis en agosto y septiembre en 1998, ocasionados por un comportamiento no lineal y la sobreestimación del principio Gaussiano para las fluctuaciones de precios [6], a través de la diversificación de los portafolios de inversión con el fin de eliminar el riesgo ocasionado por la volatilidad. A continuación se comenta un "caso práctico" de la aplicación del modelo de B-S [2]. CASO PRÁCTICO Long Term Capital Management (LTCM) era una empresa de fondos de inversión (hedge funds) fundada por Merriwether (ex-jefe del grupo de arbitraje de "Salomón Brothers") bajo el principio del modelo de B-S. Este fondo tenía como socios a Merton y Scholes, quienes jugaron un papel estratégico en el fondo para la operación. LTCM atrajo a los ejecutivos de alto nivel del grupo de arbitraje de "Salomon Bros." y a profesionales de banca de inversión muy orientados hacia las matemáticas. La estrategia inicial aplicada por LTCM era la convergencia, en la cual se considera a la distorsión de precios como una anomalía transitoria y que la convergencia de precios de los dos instrumentos se da tarde o temprano. Esto le generó utilidades iníciales de 15 millones de dólares, dando pie a que los socios repitieran la estrategia en muchos otros mercados internacionales, produciendo rendimientos de alrededor de 17% en 1997. Sin embargo, a finales de 1997, cuando el fondo ya no pudo producir los resultados logrados, disminuyó su base de capital apalancable y el posible "colchón" de liquidez; por otro lado, se redujo la relación de apalancamiento de 25:1 a 18:1. La crisis de Rusia ocasionó que los diferenciales a bonos gubernamentales de Estados Unidos, que LTCM esperaba se corrigieran, se hicieran aún mayores provocando pérdidas masivas en el fondo. Siempre estaban largos en activos, de mayor rendimiento cierto, pero con una liquidez ciertamente menor. En momentos de alta volatilidad por efecto de crisis, el estar en mercados menos líquidos 9 puede impedir realizarlos en corto plazo o, en todo caso, a precios muy por debajo del precio justo. Los administradores del fondo de inversión vendieron volatilidad vía Swaps de tasas de interés, esperando que los mercados se estabilizaran; lejos de ello, la volatilidad siguió en aumento y la seguimos experimentando aún hoy día. En estas condiciones, el fondo perdió prácticamente su base de capital en agosto de 1998, en virtud de las grandes necesidades de recursos para cubrir las pérdidas en sus derivados. Con ello, tuvieron que recurrir a una liquidación masiva de activos, que no podía realizarse rápidamente por su iliquidez relativa. Los socios tuvieron que abrir los libros de inversión del fondo y ocurrieron demandas masivas, especialmente de "Goldman Sachs". Finalmente, el Federal Reserve Board intervino y organizó un "salvamento privado", mediante el cual las instituciones financieras involucradas aportaron 3,650 millones de dólares para el 90% del fondo y el 10% remanente fue a los inversionistas iníciales, mientras que los socios quedaron sin liquidación en virtud de que tuvieron que encarar otras deudas relacionadas con el fondo [2]. Los fondos de inversión, como LTCM, parten de una estrategia de arbitraje para una inversión que consideran sin riesgo, al construir y aplicar portafolios de inversión diversificados y tomar pociones cortas y largas en distintos activos. El arbitraje (especulación en mercados financieros) se sustenta en el supuesto de que las fluctuaciones en los precios son independientes e idénticamente distribuidas por la normal, omitiendo contemplar eventos con probabilidad de ocurrencia del 0.1% o menos, llamados eventos extremos. Los eventos extremos son los causantes de las grandes crisis financieras como la de Rusia (1998) y de México (1994); sobre todo, cuando la volatilidad es de gran magnitud y muy frecuente. Al no considerar la alta volatilidad que podía desatar un evento extremo, LTCM entró en operaciones direccionales que los llevó a asumir enormes riesgos de liquidez monetaria [2]. ANÁLISIS DE FLUCTUACIONES FINANCIERAS A PARTIR DE SERIES DE TIEMPO El caso de LTCM muestra cómo los economistas y financieros aplican un modelo (sustentado en el Movimiento Geométrico Browniano) preconcebido con algunos parámetros desconocidos, forzando el ajuste del modelo a una serie de tiempo que no es estacionaria, mediante la "mejor elección de los parámetros" (con métodos robustos y rigurosos); concluyendo que los datos son difíciles de ajustar en escalas de tiempo muy amplias. Existe otro enfoque para analizar el comportamiento (fluctuaciones) de los sistemas económicos y financieros: considerarlos como sistemas complejos, cuya dinámica manifiesta una parte aleatoria, causada por la no-linealidad característica de los sistemas dinámicos y/o por el ruido estocástico externo; como ejemplos de sistemas dinámicos complejos se T 10 encuentran los sistemas físicos, biológicos, de cómputo, sociales y económicos [3]. La forma de estudiar el comportamiento histórico de muchos sistemas complejos es a través del análisis de series de tiempo que contienen registros de las fluctuaciones de dichos sistemas; al graficar dichas series de tiempo, se obtienen curvas rugosas. Las "curvas rugosas" son aquellas que manifiestan la evolución de los sistemas complejos en el tiempo y/o espacio (figura 4). Dichas curvas no son suaves, al contrario, presentan muchos quiebres que se aprecian mejor conforme se aumenta la escala de observación, como es el caso del perímetro de las costas, el perfil de la montañas y el contorno de las nubes; por lo mismo, estas curvas no son derivables en ningún punto (es decir, no poseen tangente). Océano Pacifico Curva de esfuerzo deformaci ón Función del perfil de temperatura Precios del petr óleo Usd/barril Propagaci ón de grieta en hoja de papel Figura 4. Sistemas complejos, de diversa naturaleza, que exhiben invariancia de escala, y cuyo comportamiento histórico se ajusta por leyes de potencia y distribuciones de colas pesadas [3]. ANÁLISIS DE FLUCTUACIONES FINANCIERAS A PARTIR DE SERIES DE TIEMPO 11 Por ende, es necesario emplear herramientas cuantitativas no-lineales que permitan establecer el grado de rugosidad de las curvas rugosas, como la Teoría del Caos, la Lógica Difusa, los Algoritmos Genéticos, las Redes Neuronales y la Geometría Fractal. En este trabajo se aplica la Geometría Fractal para caracterizar series de tiempo del mercado petrolero. CAPITULO 2: GEOMETRIA FRACTAL A diferencia del enfoque del mB, con el Enfoque Fractal se busca hallar un modelo (empírico) para predecir (de forma estadística) las fluctuaciones en los mercados financieros a partir del análisis de series de tiempo porque no existe un solo modelo (estocástico o determínistico) que ajuste con infinita precisión los datos recabado en los mercados reales [2]. A aplicar el Enfoque Fractal, muchas de las propiedades estadísticas de los mercados financieros han revelando sorprendentes similitudes entre la dinámica de la volatilidad y el crecimiento de interfaces rugosas en medios porosos (sistema complejo con alto grado de rugosidad). A continuación se presentan brevemente conceptos de Fractales y de interfaces, ya que los autores aplicaron estos conceptos al análisis de la volatilidad del mercado petrolero. Los Fractales, término acuñado por Benoit Mandelbrot en la década de 1970, son geometrías (o curvas) complejas e irregulares (rugosas) que permanecen invariantes a los cambios de escala y cuya longitud infinita se encuentra contenida en un área finita; los fractales conservan la misma estructura general a cualquier escala de tiempo-espacio. Como ejemplos de fractales están: la longitud de la costa de Gran Bretaña, la estructura de los vasos sanguíneos, el agrupamiento de galaxias, los electroencefalogramas y los electrocardiogramas, el contorno de las montanas y de las nubles, el perfil de grietas que se propagan a través de un medio poroso y las fluctuaciones de precios en diversos mercados financieros [5]. El propósito de la Geometría Fractal es el de cuantificar el grado de rugosidad de las señales complejas, así como determinar si dichas señales poseen propiedades: invariancia de escala y su comportamiento histórico se ajusta por leyes de potencia y distribuciones de colas pesadas [3]. Existes dos tipos de fractales: auto-similares y auto-afines. Los fractales auto-similares son isotrópicos, es decir, permanecen invariantes cuando la escala se cambia uniformemente en todas las direcciones, como es el caso del conjunto de Mandelbrot (figura 5) [5]. Figura 5. El conjunto de Mandelbrot. ANÁLISIS DE FLUCTUACIONES FINANCIERAS A PARTIR DE SERIES DE TIEMPO 12 Los fractales auto-afines son conjuntos que permanecen invariantes bajo una escala (estadística o literalmente) de transformación anisotrópica (figuras 6a-b). A pesar de sus diferencias, en una escala de transformación las direcciones no son completamente independientes. Si al hacer una ampliación, uno de los ejes de coordenadas se transforma en un factor , , el resto de los ejes coordenados deben ser reescalados en un factor , , con el objeto de preservar al conjunto invariante (figuras 6a-b). Los exponentes son llamados exponentes de rugosidad, o exponentes de Hurst ( ), e indican cuál es el grado de anisotropía (o rugosidad) del conjunto [5]. Los fractales auto-afines estadísticos son los que prevalecen en la naturaleza (por ejemplo, el crecimiento de interfaces rugosas en medios desordenados y el mB; figuras 7a-b) y en los sistemas inventados por el ser humano (por ejemplo, las fluctuaciones de precios en los mercados financieros (figura 7c). Como puede apreciarse en las figuras 7a-c, el exponente de Hurst (o rugosidad) es también un indicador para determinar si un fenómeno o una serie de tiempo presentan un comportamiento fractal y mide la intensidad de dependencia a largo plazo de una serie de tiempo. Se dice que el fenómeno (o curva) tiene comportamiento: (i) aleatorio si (ruido blanco, mB, proceso no estacionario, distribución normal y simétrica), (ii) persistente si (invariancia de escala asociada a correlaciones positivas a largo plazo, proceso estacionario, ley de potencias, distribución de colas pesadas), y (iii) antipersistente si (invariancia en la escala asociada a correlaciones negativas a largo plazo, proceso estacionario, ley de potencias, distribución asimétrica) [5]. a) b) Figura 6. a) Fractal auto-afín deterministico; b) Fractal auto-afín estadístico (Movimiento Browniano fraccional). ANÁLISIS DE FLUCTUACIONES FINANCIERAS A PARTIR DE SERIES DE TIEMPO a) b) 13 c) Figura 7. a) Crecimiento de una interfase en un medio poroso; b) Movimiento Browniano para diferentes valores del exponente de Hurst ( ) o rugosidad ( ); c) fluctuaciones de precios en diferentes mercados financieros (multifractales). El último concepto que se trata es el de multifractales. La mayoría de los fractales (llamados multifractales) en la naturaleza tienen diferentes dimensiones fractales dependiendo de la escala, ya que están compuestos de varios fractales con diferentes dimensiones cada uno, es decir, mientras que la estructura fractal queda caracterizada por un único exponente de escala, la descripción completa de una estructura multifractal puede requerir varios exponentes. Por ejemplo, el Conjunto de Mandelbrot es un multifractal en el que los conjuntos de Mandelbrot y Julia están relacionados (figura 5). Los multifractales son una clase generalizada de procesos auto-afines, si reproducen estas dos características empíricas: distribuciones de colas pesadas en las fluctuaciones de precios y agrupamiento de la volatilidad. En la ecuación , se considera que y que este escalamiento sólo se mantiene en . Una forma más general de expresar esta ecuación es , la cual enfatiza que lo escala son las fluctuaciones de precios, y no los precios por sí mismos. Aquí se reemplaza por , pero depende del tiempo, por lo que es posible el escalamiento para variar de un punto a otro [6]. En economía y finanzas, Benoit Mandelbrot es conocido, desde principios de la década de 1960, como uno de los pioneros en estudiar las fluctuaciones de precios en los mercados financieros. Aún cuando el modelo de Bachelier del mB llegó a ser ampliamente aceptado en el ámbito académico, Mandelbrot fue el primero en advertir de las limitaciones del modelo de Bachelier para analizar y modelar las fluctuaciones en los mercados financieros [7]. Una de estas limitaciones es que las series de tiempo de precios no son estacionarias, en el sentido de que el mecanismo que las genera no es el mismo durante periodos sucesivos de tiempo; ya que se considera a la varianza como finita y al precio como una función continua del tiempo, es decir, no se reconoce la posible presencia de discontinuidades (eventos extremos). Sin embargo, Mandelbrot, en su artículo "The Variation of Certain Speculative Prices" (1963) [8], enfatizó la importancia, aún en una primera aproximación, de las fluctuaciones de grandes proporciones (con diez desviaciones estándar o mayores) que pueden suscitarse debido a repentinas discontinuidades en los precios, mediante el mecanismo de varianza infinita y distribuciones estables de Levy [7]. ANÁLISIS DE FLUCTUACIONES FINANCIERAS A PARTIR DE SERIES DE TIEMPO 14 Según Mandelbrot, estas discontinuidades en los precios no son factores ajenos a los mercados financieros que se pueden omitir o estudiar por separado; por el contrario, la distribución de dichas discontinuidades es mucho más importante que el ruido originado por los pequeños cambios del mB, ambos ajustados a una distribución de ley de potencias y representados por un escenario basado en distribuciones estables de Levy (figura 8) [7]. a) b) Figura 8. a) La línea continua negra representa la forma de la distribución de Levy; la línea punteada roja es la campana de Gauss; y los puntos blancos son los rendimientos logarítmicos. b) Amplitud de la zona donde se encuentran las colas de la distribución de Levy, ajustada por una ley de potencia (línea negra punteada), la distribución normal, ajustada por una función exponencial (línea continua azul) y los rendimientos logarítmicos, ajustados por una distribución lognormal (línea continua roja). A partir de estos hallazgos de gran dependencia, Mandelbrot (en 1965) introdujo el modelo del Movimiento Browniano fraccional (mBf, figura 6b), el cual consiste en un proceso auto-afín estadístico que caracteriza pequeñas fluctuaciones de precios en la parte media de la campana y grandes fluctuaciones de precios en la largas colas de la misma campana [7]. Aún cuando se ha observado que los exponentes de Hurst son índices imparciales, el modelo del mBf no reproduce (de manera confiable) algunas características empíricas ("stylized facts") de las series de tiempo financieras: distribuciones de colas pesadas en las fluctuaciones de precios y el agrupamiento de la volatilidad. Por ello, el propio Mandelbrot aplicó su concepto de multifractales (desarrollado por él a inicios de la década de 1970), a fin de desarrollar el modelo del escenario multifractal para las fluctuaciones de los precios. En este modelo multifractal, dado a conocer en su libro "Fractals and Scaling in Finance" (1997), Mandelbrot combina colas de leyes de potencia y dependencia a largo plazo ajustada por leyes de potencia con el tiempo intrínseco de negociación (concepto clave que permite la aplicación de multifractales en los mercados financieros). En el este modelo el precio es una función Browniana fraccional de un tiempo (instante) de negociación, el cual es por sí mismo una función multifractal no decreciente del tiempo cronológico (figura 9), ya que no se ajusta a una sola escala de tiempo ( ) [8]. ANÁLISIS DE FLUCTUACIONES FINANCIERAS A PARTIR DE SERIES DE TIEMPO 15 Figura 9. Conjunto de cartones multifractales generados al azar con el modelo multifractal. CAPITULO 3: FLUCTUACIONES EN EL MERCADO PETROLERO Actualmente, a pesar de la variedad de crudos que se ofrecen en el mercado, solamente existen dos crudos "marcadores" que sirven de referencia para la fijación de los precios internacionales del petróleo: el WTI y el Brent porque el mercado les ha asignado una función referencial de valor para las negociaciones del resto de los tipos de crudo (incluyendo los de México). Asimismo, el WTI y el Brent reúnen requisitos de calidad en grados API (grado de viscosidad) y en contenido de azufre. Además, el volumen que se negocia diariamente para estos dos marcadores, en los mercados de futuros, o a través de contratos adelantados, supera la producción mundial diaria de petróleo. En este capítulo se dan a conocer las propiedades estadísticas de las series de tiempo concernientes a volatilidades históricas de precios (constantes a dólares de 1983) del crudo WTI, las cuales comprenden el periodo: 02/ enero/1986-31/diciembre/2003 (4,550 datos). Ver figura 10a. Para obtener 100 series de tiempo de volatilidades históricas de los precios, , para diferentes horizontes de estudio: (figuras 10b-d, se utilizó la siguiente ecuación: , donde es el tiempo de negociación (días) y denota el promedio de una ventana de tamaño . ANÁLISIS DE FLUCTUACIONES FINANCIERAS A PARTIR DE SERIES DE TIEMPO Precio, $/bll Vn a) 35 16 c) 3 n= 8 2 20 1 5 02/01/1986 0 06/11/1992 0 11/09/1999 1024 Fecha Vn 2048 3072 4096 Dias habiles Vn b) 3 d) n = 20 3 n= 3 2 2 1 1 0 0 0 1024 2048 3072 4096 0 1024 2048 3072 4096 Dias habiles Dias habiles Figura 10. a) Evolución histórica de los registros diarios de los precios (constantes a 1983) del WTI (1986-2003). b)-d) Volatilidades históricas para horizontes de b) , c) y d) . En primer lugar, se realizó un análisis estadístico a las cien series de tiempo de la volatilidad histórica, con el propósito de determinar qué distribución ajustaba mejor a dichas series de tiempo (figuras 11b-d). Para dicho análisis se empleó el software @Risk 4.5, desarrollado para analizar situaciones sensibles al riesgo; este software ordena las distribuciones estadísticas, empezando con las que mejor ajustan los datos, mediante tres criterios estadísticos: de la Chi-cuadrada, de Anderson-Darling, y de Kolmogorov-Smirnov. f 0.15 f a) b) f 10 0.001 0.001 0.1 0 1 2 1 0.05 0 15 price 25 2 0.1 1 10 1 0 5 0.1 3 0.1 2 10 c) 0 0 0.5 1 1.5 V18 0 0.5 1 V3 Figura 11. Distribuciones de la probabilidad condicional de: a) precios del petróleo, ajustados por la distribución (de colas ligeras) Logística; b) volatilidad histórica de precios para el horizonte ; ajustada por la distribución (de colas pesadas) Loglogística; c) volatilidad histórica de los precios para ; ajustada por la distribución (de colas Ligeras). ANÁLISIS DE FLUCTUACIONES FINANCIERAS A PARTIR DE SERIES DE TIEMPO 17 Asimismo, se realizó un análisis fractal para determinar el valor del exponente de Hurst ( )o rugosidad ( ), mediante cuatro métodos de trazado auto-afín: Rango Reescalado, RugosidadLongitud, Variograma y Ondoletas. Para ello se aplicó el software Benoit 1.3. En la figura 12 se presentan las gráficas de estos métodos. 1 100 a) c) 3 3 2 2 R/S DS 10 1 1 0.1 1 1 1 10 100 intervalo de tiempo, 1000 10 100 intervalo de tiempo, τ H b) V d) 1000 τ H=0.83 0.75 2 H=0.5 0.5 0.01 4 0.25 0.0001 0 1 10 intervalo de tiempo, 100 τ 1 10 horizonte de tiempo, n 100 Figura 12. Gráficas fractales de las volatilidades históricas de los precios del petróleo, obtenidas por los métodos de: a) rugosidad-longitud, b) variograma y c) rango reescalado; los números corresponden a los diferentes horizontes de tiempo: 1., 2., 3.y 4.días hábiles. d) Dependencia del exponente de Hurst con respecto al horizonte (los valores de fueron promediados a través de los cinco métodos de trazado auto-afín), en coordenadas semi-logarítmicas (los círculos y cuadrados son los datos experimentales, mientras que la línea continua representa el ajuste de los datos por medio de una ley de potencia). Con base a la caracterización de la volatilidad históricas de los precios del WTI, se procedió a generar 300 (curvas auto-afines) de los escenarios de los rendimientos logarítmicos de precios (ver figura 13); para esto, también se empleó el software Benoit 1.3. Al obtener estas curvas, de manera aleatoria, se procedió a calcular los precios (figuras 14 y 15). ANÁLISIS DE FLUCTUACIONES FINANCIERAS A PARTIR DE SERIES DE TIEMPO 18 Figura 13. Ventana del software Benoit 1.2, a partir de la cual se generaron las 300 trazas que se emplearon de punto de partida para predecir los precios del petróleo (Enfoque Fractal). Figura 14. Precios mensuales pronosticados, con el Enfoque Fractal, del petróleo crudo WTI (enero de 2004 a noviembre de 2016) a dólares constantes de 2003. Figura 15. Precios mensuales históricos y pronosticados del petróleo crudo WTI (a dólares constantes de 2003), con el Enfoque Fractal. ANÁLISIS DE FLUCTUACIONES FINANCIERAS A PARTIR DE SERIES DE TIEMPO 19 Finalmente, en la tabla 1 y figura 16 se aprecia únicamente el escenario de precios promedio proyectados (figura 14) bajo condiciones estables del mercado, el cual es el escenario más probable que ocurra. Tabla 1. Proyecciones de cinco empresas internacionales (E(1)-E(5)), de PEMEX y del Enfoque Fractal (Tesis) para los precios anuales del petróleo crudo WTI (2004-2015), en dólares constantes de 2003. 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 E (1) 24.24 23.86 23.45 23.54 23.55 23.54 23.57 23.60 23.63 23.68 23.73 23.84 E (2) 24.08 24.25 23.23 23.51 23.77 23.98 25.28 25.76 26.23 26.70 27.18 27.65 E(3) 26.65 24.54 24.02 23.51 23.92 24.28 24.64 25.31 25.88 26.50 27.01 27.53 E(4) 26.50 25.91 26.05 26.19 26.32 26.46 26.58 26.73 26.85 26.99 27.11 27.24 E(5) Pemex Tesis 27.94 26.34 30.31 24.71 24.45 30.45 23.23 23.80 30.70 23.03 23.78 30.75 23.01 23.89 30.80 23.01 23.98 30.88 23.10 24.45 30.92 22.99 24.41 30.99 23.08 24.60 31.07 23.08 24.78 30.94 23.08 24.95 30.90 23.08 25.14 31.10 Figura 16. Proyecciones de precios del petróleo WTI generadas: por cinco consultoras estadounidenses (E(1)-E(5)), por Pemex y con el Enfoque Fractal (Tesis). ANÁLISIS DE FLUCTUACIONES FINANCIERAS A PARTIR DE SERIES DE TIEMPO 20 CONCLUSIONES En este trabajo se dan a conocer dos enfoques diferentes para analizar, caracterizar y modelar las fluctuaciones de las variables financieras que reflejan el comportamiento de los mercados financieros. Estos enfoques son: el del Movimiento Browniano y el Fractal; en ambos enfoques, es necesario contar con registros del comportamiento histórico de las variables financieras que se quieran estudiar, es decir, series de tiempo financieras; entre más datos se tengan, mejor será el análisis realizado. rugosas y complejas), la cual persigue determinar si un sistema complejo y/o serie de tiempo presentan invariancia de escala, leyes de potencia y distribuciones de colas pesadas. Bajo este enfoque, Benoit Mandelbrot desarrolló los modelos del Movimiento Browniano fraccional y el de multifractales; este último es aplicado mejor al análisis y modelación de la volatilidad puesto que considera diferentes escalas de tiempo y permite establecer si una serie de tiempo llega a ser estacionaria (correlaciones a largo plazo). El Enfoque Browniano se basa en el fenómeno del Movimiento Browniano. El Movimiento Browniano, propuesto por Louis Bachelier en 1900, es el primer modelo estocástico que lidia con las fluctuaciones de los precios; este modelo plantea que los precios y rendimientos logarítmicos de precios son variables aleatorias independientes y distribuidas por la normal, por lo que el comportamiento de las fluctuaciones se considera un proceso estocástico que no es estacionario y para el cual ( ). El modelo de Black y Scholes, la piedra angular de la teoría financiera moderna y herramienta fundamental para realizar estrategias de cobertura contra los riesgos financieros que las fluctuaciones originan, se basa en los supuestos del modelo de Bachelier. El modelo de Black y Scholes establece que al diversificar el portafolio de inversión, automáticamente se elimina el riesgo, puesto que no considera la presencia de discontinuidades (eventos extremos con 10 o más desviaciones estándar). Prueba de que estos eventos deben ser considerados son la crisis económica de México (1994, efecto Tequila) y la quiebra de la empresa de fondos de inversión Long Term Capital Management (1997). Con base al Enfoque Fractal se presentan los resultados del análisis de la volatilidad de los precios del crudo WTI; a partir de estos resultados se generaron 300 escenarios de rendimientos logarítmicos y se comparan con los pronósticos realizados por cinco compañías consultoras de PEMEX, cuyos modelos se basan en el enfoque del Movimiento Browniano. Al comparar los resultados, se aprecia que los pronósticos de precios de las cinco consultoras van a la baja, mientras que los obtenidos con el Enfoque Fractal son ascendentes. Además, con el Enfoque Fractal se contempló un escenario máximo de 60 dólares por barril para 2006. Por otra parte, se tiene el Enfoque Fractal, basado en la Geometría Fractal (o de curvas Dado lo anterior, se concluye que el Enfoque Fractal puede ser una herramienta cuantitativa más confiable para caracterizar el comportamiento de las fluctuaciones de los mercados financieros, ya que los considera sistemas complejos que despliegan estructuras muy rugosas a diferentes escalas de tiempo-espacio. Esto, a su vez, permitiría generar pronósticos de precios, índices, tasas y tipos de cambio más precisos, los cuales ayudarían a los administradores de riesgos a desarrollar estrategias de cobertura más confiables. ANÁLISIS DE FLUCTUACIONES FINANCIERAS A PARTIR DE SERIES DE TIEMPO 21 REFRENCIAS [1] REYES Zarate, F.J. Consideraciones acerca de la Administración de Riesgos en México. DEPFE-UNAM, México, 2001. [2] BOUCHAUD & M. Potters. Theory of Financial Risks: From Statistical Physics to Risk Management. Cambridge University Press, Cambridge, 2000. [3] MORALES O. Tesis Doctoral: Modelos Mecánicos de la Dinámica Fractal del Mercado Petrolero. Instituto Politécnico Nacional, México, 2004. [4] VENEGAS Martínez, F. “De Bachelier a Merton: 100 Años del Movimiento Browniano en Economía y Finanzas”. Panorama Económico, Instituto Politécnico Nacional, México, 2002. Vol. I No. 1 pp. 9-64.. [5] SETHNA, J.P., Dahmen K.A., & Myers Ch. Crackling Noise. Nature 410, 2001, pp. 242-250. [6] Multifractals in Finance: Toward Realistic Models of Price Series. Cooperneff Insight, quarter 1. 2002, pp. 8-10. [7] Mandelbrot M B. Special Release on Mandelbrot's Contributions in Finance. Universidad de Chicago, Graduate School of Business, 1966, pp 10-13. [8] Fractals in Finance: Similar Structure on All Scales. Cooperneff Insight, Quarter 3, 2001. pp. 8-10. ESTIMADO SOCIO Cualquier comentario, observación o sugerencia a este Boletín favor de hacerlo llegar directamente a los autores Dr. Oswaldo Morales Matamoros Profesor Investigador Titular Instituto Politécnico Nacional e-mail: [email protected] Dr. Alexander Balankin Profesor Investigador Titular Instituto Politécnico Nacional e-mail: [email protected]