44 SynthesiS AVENTURAS DEL PENSAMIENTO AVENTURAS DEL PENSAMIENTO Elección de un MODELO ECONOMÉTRICO DE PRONÓSTICO para el tipo de cambio en México HUGO ALARCÓN MADRID/HORTENCIA RUBIO ACOSTA/RUBÉN TORRES MEDINA JESÚS ALVELÁIS NESBITT/SALVADOR LOZANO ACEVEDO/ROMÁN FAVELA ESTRADA Facultad de Contaduría y Administración/Universidad Autónoma de Chihuahua E l tipo de cambio constituye uno de los principales precios macroeconómicos en la economía de un país; semejante en importancia a como pueden ser la inflación, la tasa de interés activa o pasiva de referencia para el sistema financiero, el indicador del mercado de capitales en la bolsa de valores, entre otros. En las economías de mercado, dichos precios están sujetos a variaciones dado que se forman en situaciones de mercados libres; es decir, no intervenidos por autoridad alguna, por lo cual existe un mayor o menor grado de incertidumbre con respecto a su comportamiento en el futuro; sobre todo, a partir de la desmonetización del oro, según los Acuerdos de Jamaica de 1972. A partir de entonces, diferentes autores han aplicado métodos y técnicas diferentes al pronóstico del tipo de cambio en diversos países. Folks y Stansell (1975), utilizando la técnica del análisis discriminante lineal, lograron predicciones acertadas respecto al comportamiento del tipo de cambio en el 86% de los países que usaron como muestra en su investigación. Kaen y OCTUBRE-DICIEMBRE 2007 1 AVENTURAS otros (1984) eligieron como variable predictora del tipo de cambio futuro las “noticias” sobre los cambios en la tasa de interés y encontraron que virtualmente ninguno de los errores de pronóstico en el tipo de cambio forward son explicados por los errores de pronóstico en la tasa de interés. Metodologías más complejas han sido aplicadas al mismo propósito, como la llamada Neural Networks, la cual proporciona una gran variedad de modelos no lineales de pronóstico y que ha sido aplicada exitosamente en diferentes campos de la ciencia (Kuan y Liu, 1995). En las llamadas economías en desarrollo, el pronóstico del tipo de cambio ha constituido una tarea sumamente importante, ya que con el colapso del Acuerdo de Breton Woods en 1973, la mayoría de los países industrializados adoptó un sistema de flotación de su tipo de cambio y se hizo necesaria la necesidad de estimar la alta volatilidad de los Norrbin y Conover (1998) utilizando una estrategia cambiaria basada en la teoría de la paridad del poder de compra obtuvieron resultados considerados significativos a un nivel de confianza del 95% para fines de extrapolar el tipo de cambio de cualquier país. Kirikos (2000) comparó el modelo de caminata aleatoria con el régimen de intercambio de Markov y halló que los resultados del pronóstico del tipo de cambio varían según la longitud del periodo postmuestral y sugiere se adopten para el pronóstico el mayor número de datos históricos. Un estudio sumamente importante para el propósito de esta investigación lo constituye el de Chu y Swidler (2002) quienes utilizaron productos derivados y encontraron que la prima de las opciones sobre la acción de Telmex anticipaba el cambio en la política cambiaria del gobierno mexicano en la crisis devaluatoria de 1994. Crespo y Hlouskova (2004), utilizando un modelo de series de tiempo multivariado de errores autorregresivos, descubrieron diferencias significativas con respecto al modelo de caminata aleatoria en lo que se refiere al pronóstico de algunas monedas de países de Europa Central y Meridional con respecto al euro y al dólar norteamericano. Reviste primordial importancia la investigación realizada por Wong y oros (2003), quienes investigaron un método para series no estacionarias de modelación y pronóstico del tipo de cambio conocido como Wavelets (fluctuaciones cíclicas) en donde proponen descomponer la serie objeto de pronóstico en la suma de sus componentes tendencia, componente cíclico e irregular encontrando consistentes los pronósticos así obtenidos del dólar norte2 SynthesiS DEL PENSAMIENTO 44 americano contra el marco alemán para diez días. Midiendo el error de pronóstico con el error porcentual promedio se encontró que este método es una alternativa viable a los métodos ya existentes. A pesar de las metodologías utilizadas por diversos autores en diferentes países para fines de realizar pronósticos confiables del tipo de cambio, en México no se tiene conocimiento de estudios específicos que se hayan realizado sobre dicho tema a partir de 1995 en que se implementó en México la política cambiaria basada en el la flotación del tipo de cambio. El objetivo de la investigación fue construir un modelo de pronóstico confiable del tipo de cambio del peso mexicano contra el dólar norteamericano utilizando la metodología de Box-Jenkins o modelos ARIMA para series de tiempo. Se pretende con esta, que tanto entidades mexicanas como extranjeras que realicen operaciones comerciales y financieras con el exterior, vean reducida, mas no eliminada la incertidumbre que rodea a este tipo de indicadores con relación a su comportamiento futuro y permita realizar mejores actividades de planeación financiera a corto y mediano plazo. Materiales y métodos Se utilizó la serie de tiempo del cierre del tipo de cambio del peso contra el dólar de los Estados Unidos de América en frecuencia mensual obtenida de la base de datos del Instituto Nacional de Estadística Geografía e Informática (INEGI) correspondiente al tipo de cambio interbancario o de mayoreo en su cotización a la venta desde enero de1995 hasta octubre de 2007. La información fue procesada con el paquete estadístico Minitab en su versión 14.1 en una computadora portátil HP Omnibook 6000. La metodología seguida para la construcción del modelo ARIMA deseado se ajustó a los siguientes pasos sugeridos por Hanke y Wichern (2006): 1. Postular una clase general de modelo. 2. Identificar el modelo que se utilizará tentativamente. 3. Estimar los parámetros del modelo. 4. Realizar un diagnóstico del modelo. 5. Utilizarlo para generar pronósticos si es adecuado. Resultados y discusión 1. Postular una clase general de modelo La representación gráfica del comportamiento del tipo de cambio spot en el periodo considerado se presenta OCTUBRE-DICIEMBRE 2007 44 SynthesiS AVENTURAS en la gráfica 1. En ella se aprecia que la serie del TCS se identifica como de tendencia ascendente con componente cíclico y componente irregular tal y como se confirma con la función de autocorrelación que aparece en la gráfica 2 y en la cual se observa que el tamaño de los coeficientes de autocorrelación decrecen gradualmente hasta acercarse a cero conforme aumenta el número de retrasos con que se calculan. DEL PENSAMIENTO Cuadro 1. Identificación del Modelo de Pronóstico. Modelo ARIMA ARIMA (1, 1, 0) AR Valores p 1 0.316 Ajuste SS = 9.13517 MS = 0.06050 ARIMA (0, 1, 1) MA 1 ARIMA (1, 1, 1) Con constante AR 1 MA 1 Constant AR 1 MA 1 AR 1 AR 2 MA 1 Constant AR 1 MA 1 MA 2 Constant 0.000 0.000 0.101 0.000 0.000 0.553 0.005 0.710 0.048 0.953 0.845 0.003 0.041 SS = 9.10034 MS = 0.06027 SS = 8.50828 MS = 0.05672 AR 1 AR 2 MA 1 MA 2 Constant AR 1 AR 2 MA 1 MA 2 Constant 0.655 0.130 0.437 0.023 0.034 0.000 0.732 0.090 0.000 0.28 ARIMA (1, 1, 1) Sin constante ARIMA (2, 1, 1) ARIMA (1, 1, 2) ARIMA (2, 1, 2) ARIMA (2, 2, 2) 0.099 SS = 8.64754 MS = 0.05727 SS = 8.67777 MS = 0.05824 SS = 8.62230 MS = 0.05787 SS = 8.31243 MS = 0.05617 SS = 7.30695 MS = 0.04971 Fuente: Elaboración propia. 3. Estimación de los parámteros del modelo La forma general ecuación resultante para ser utilizada con fines de pronóstico del TCS resultó ser la siguiente: TCSt = Φ 1 TCSt-1 + ω1 εt-1 Fuente: Elaboración propia. A partir de la información obtenida de las gráficas anteriores, se infiere que el modelo apropiado para el pronóstico de esta serie es un ARIMA (p, d, q) para series de tiempo no estacionarias. 2. Identificación del modelo de pronóstico Para identificar el modelo ARIMA apropiado se procedió a probar varias opciones de las cuales se seleccionó el modelo en donde los parámetros del mismo resultaron ser significativos a un nivel de confianza de 95% el cual fue el ARIMA (1, 1, 1), según se muestra en el cuadro 1 que aparece enseguida. OCTUBRE-DICIEMBRE 2007 Donde: TCSt = Tipo de cambio spot interbancario a la venta en el periodo t. Φ1 = Parámetro AR 1. TCSt-1 = Tipo de cambio spot interbancario a la venta en el periodo t-1. ω1 = Parámetro MA 1. ε t-1 = Error de pronóstico en el periodo t-1. La ecuación de pronóstico entonces fue: TCSt = - 0.8376 TCSt-1 + 0.9756 et-1 4. Diagnóstico del modelo de pronóstico. Se considera que el modelo es el indicado si se cumplen algunas de las condiciones siguientes: 3 AVENTURAS SynthesiS DEL PENSAMIENTO 44 4.1. Si los datos pronosticados se ajustan a los datos observados. En la gráfica 3 que se presenta a conti- nuación se observa en forma objetiva el grado de ajuste de los valores pronosticados con el modelo y los valores observados de la variable TCS. Tal y como se aprecia, la bondad de ajuste sugiere que se ha seleccionado el modelo apropiado. *Grafica5* 5. Pronóstico del TCS en mercado interbancario cotización venta. Validado el modelo ARIMA seleccionado, se procedió a hacer el pronóstico del TCS en México para los próximos 14 meses obteniendo como resultado final del estudio los siguientes valores los cuales se representan en la gráfica 7. 4.2. Los residuales se comportan aleatoriamente. Como se puede ver en la gráfica 4, el comportamiento de los residuales, producto del modelo, no registra ningún patrón, lo que significa que se distribuyen aleatoriamente. 4.3. Residuales versus orden. Cuadro 2. Pronóstico del TCS MxPs / USD 154 10.8630 10.3939 11.3322 2008/01 155 156 10.9074 10.8702 10.1967 10.0128 11.6181 11.7277 2008/02 157 10.9014 9.8959 11.9068 2008/03 158 10.8753 9.7581 11.9925 2008/04 2008/05 159 10.8971 9.6653 12.1290 2008/06 160 161 10.8788 10.8942 9.5523 9.4713 12.2054 12.3170 2008/07 162 10.8813 9.3745 12.3881 2008/08 163 10.8921 9.3008 12.4833 2008/09 2008/10 164 10.8831 9.2156 12.5505 2008/11 165 166 10.8906 10.8843 9.1471 9.0704 12.6342 12.6982 2008/12 167 10.8896 9.0059 12.7732 2007/11 2007/12 4.4. Autocorrelación de residuales. Se considera que si en la función de autocorrelación aparecen coeficientes significativos en retrasos cortos o estacionales, el modelo ARIMA seleccionado no es el apropiado. Este no es el caso para el modelo que se ha seleccionado en este estudio, como se puede ver en la gráfica 5. 4 OCTUBRE-DICIEMBRE 2007 44 SynthesiS Conclusión Ningún modelo econométrico de pronóstico pretende adivinar el futuro. A lo más que se puede aspirar con un pronóstico es a delinear el posible comportamiento del valor de una variable en el futuro, y por lo tanto reducir esa incertidumbre. No hay que olvidar que todo pronóstico se hace bajo el supuesto de que las condiciones actuales determinantes del valor de la variable en el pasado se mantienen vigentes durante el periodo para el cual se realizan las predicciones. De esta manera, se concluye que el modelo econométrico apropiado para pronosticar el comportamiento del TCS en México es el ARIMA (1, 1, 1) por ser el único probado en donde los parámetros del mismo resultan significativos a un nivel de significancia del 5% (nivel de confianza de 95%), y por presentar una aceptable bondad de ajuste, aleatoriedad de residuales y un valor en sus coeficientes de autocorrelación cercanos a cero. Referencias bibliográficas BHAWNANI, Vi Jay y K. Rao KADIYALA: “Forecasting foreign exchange ratesin developing economies”, Applied Economics, EEUU, 29, 51Ð 62 (1997). OCTUBRE-DICIEMBRE 2007 AVENTURAS DEL PENSAMIENTO HENG, Chu Ting y Steve SWIDLER: Forecasting emerging market exchange rates from foreign equity options, The Journal of financial Research, vol. XXV, n. 3 (otoño de 2002), pp. 353-366. CRESPO C. Jesús y Jaroslava HLOUSKOVA: “Forecasting exchange rates in transition economies: A comparison of multivariate time series models”, Empirical Economics, 29 (2004), 787–801. FOLKS R. William Jr. y Stanley R. STANSELL: “The use of discriminant analysis in forecasting exchange rate movements”, Journal of International Business Studies; 6 (primavera de 1975), pp. 33. HANKE E. John y Dean W. WICHERN : Pronósticos en los negocios, México, Pearson Prentice Hall, 8a. ed., 2006. KAEN R. Fred; Evangelos O. SIMOS y George A. HACHEY: “The response of forward exchange rates to interest rate forecasting errors”, The Journal of Financial Research, vol. VII, n. 4 (invierno de 1984). KIRIKOS G. Dimitris: “Forecasting exchange rates out of sample: random walk vs. Markov switching regimes”, Applied Economics Letters, 7 (2000), 133-136. KUAN CHUNG, Ming y Tung LIU: “Forecasting exchange rates using feedforward and recurrent neural networks”, Journal of Applied Econometrics (1986-1998), 10, 4, oct-dic 1985, p. 347 NORRBIN C., Stefan y C. Mitchell CONOVER : “How much is purchasing power parity worth?”, Quarterly Journal of Business and Economics, 37, 2 (primavera de 1998), p. 49. WONG, H., Wai-Cheung IP ; Zhongjie XIE y Xueli LUI : “Modelling and forecasting by wavelets, and the application to exchange rates”, Journal of Applied Statistics, vol. 30, n. 5 (2003), 537553. S 5