Betas Por Sectores en España

REVISTA ESPAÑOLA DE FINANCIACIÓN Y CONTABILIDAD
Vol. XLI, n.º 154 · abril-junio 2012 · pp. 233-261 ARTÍCULOS DOCTRINALES 233
Dinámica del coeficiente beta asociado

a las carteras de inversión sectoriales
en el mercado español *
Time-varying beta modelling of
sector portfolios in the Spanish market
Eduardo Ortas **. Universidad de Zaragoza
José M. Moneva. Universidad de Zaragoza
Manuel Salvador. Universidad de Zaragoza
RESUMEN La inversión sectorial ha experimentado un crecimiento significativo durante los últimos

años en los mercados bursátiles internacionales y, en particular, en el mercado español. Por ello, la
estimación precisa del coeficiente de riesgo beta constituye una actuación relevante de los gestores
de carteras de inversión sectoriales para llevar a cabo decisiones de inversión más eficientes. En este
contexto, el presente trabajo analiza la dinámica del riesgo sistemático referente a las carteras de
inversión sectoriales del mercado de valores español. Sobre la base de la evidencia empírica previa,
se proponen diferentes variantes del modelo de mercado en su especificación espacio-estado que
permiten contrastar diversas hipótesis acerca del proceso estocástico dinámico experimentado por las
series analizadas. Dado que trabajamos con datos de mercado diarios, se permite que los errores de
las ecuaciones de observación, presentes en los modelos mencionados, sean de carácter condicional-
mente heterocedásticos, aspecto escasamente explorado en la literatura. Finalmente, se propone un
estudio comparativo del comportamiento predictivo de los modelos estimados, lo que constituye una
novedad en la investigación para el mercado bursátil español.
PALABRAS CLAVE Inversión sectorial; Mercado de valores español; Betas dinámicas; Modelos espa-
cio-estado; GARCH.
ABSTRACT Sector investment has grown significantly in international stock markets an also in the
Spanish one, during the last few years. Among other issues, sector portfolio managers need to estimate
accurately the beta of their portfolios in order to carry out more efficient investment strategies. Against
this background, this paper analyses the dynamic behaviour of sector portfolio’s betas in the Spanish
market. Due to previous findings in this market, we propose some extensions of the market model in
a state-space specification that will allow us to test several hypotheses about the stochastic dynamic
process followed by the sector portfolio’s betas. Given that we use daily market data, the state-space
market model observation equation’s disturbances are assumed to be conditional heteroskedastic, an
aspect that has been scarce considered in the previous literature. Finally, we propose a comparative
study about the predictive behaviour of the estimated models, an issue that it is still missing in this
market.
KEYWORDS Sector investment; Spanish stock market; Time-varying betas; State-space models;
GARCH.
* Agradecimientos: Los autores desean agradecer el apoyo financiero del Ministerio de Educación (ECO2011-26171,
SEJ2006-08317 y MTM 2008-00625). Así mismo, los autores agradecen los comentarios y sugerencias de los evaluadores
anónimos de este trabajo. Cualquier posible error encontrado en el trabajo es responsabilidad exclusiva de los autores.
** Autor de Correspondencia: Eduardo Ortas. Departamento de Contabilidad y Finanzas, Facultad de Economía y Empre-
sa, C/ Gran Vía 2, 50005 Zaragoza, España. E-mail: edortas@unizar.es
Recibido 19-12-10 · Aceptado 14-09-11 · Copyright © 2001 Asociación Española de Contabilidad y Administración de Empresas · ISSN: 0210-2412
Eduardo Ortas, José M. Moneva y Manuel Salvador
234 ARTÍCULOS DOCTRINALES Dinámica del coeficiente beta asociado a las carteras de inversión
1. INTRODUCCIÓN
Por inversión sectorial se entiende toda estrategia de inversión que toma posiciones so-
bre compañías pertenecientes al mismo sector económico o a la misma industria. Este
tipo de inversión es llevado a cabo por los inversores, principalmente, cuando tienen
unas perspectivas favorables acerca de la evolución de uno o varios sectores económicos
concretos, buscando obtener así superiores niveles de rentabilidad. Bajo el paraguas de
la inversión sectorial se encuentran los fondos de inversión y pensiones sectoriales y las
carteras de inversión sectoriales. Ambas alternativas han experimentado un gran creci-
miento durante los últimos veinte años en Estados Unidos, Europa y, así mismo, en Espa-
ña. Como indica Kaushik et al. (2010), el número de fondos sectoriales en Estados Unidos
creció de 147 en el año 1990 (representando 15 billones de dólares) a 910 en 2005 (227
billones de dólares) y a más de 1900 en 2009 (casi un trillón de dólares). La evolución en
Europa de este tipo de inversión también ha sido positiva de forma que el porcentaje de
fondos orientados hacia un enfoque geográfico/sectorial era del 48% / 23% en 1997, y del
8% / 68% en el año 2001, manteniéndose esta tendencia hacia los fondos sectoriales en la
actualidad (Burlacu y Fontaine, 2002). Así mismo, la expansión en España de los fondos
sectoriales también ha sido significativa, ya que en enero de 2010 gestionaron más de
116 millones de euros (1).
Entre los principales motivos que se pueden atribuir a la expansión de la inversión sec-
torial (tanto en fondos, como en carteras de inversión) se encuentran los dos siguientes
(Burlacu y Fontaine, 2003); a) bajo un panorama económico internacional globalizado,
los sectores económicos o industrias específicas se configuran como uno de los factores
determinantes de la rentabilidad de las carteras de inversión, en detrimento de otros
factores predecesores como podría ser el contexto geográfico; b) la inversión sectorial
puede ser una alternativa de inversión adecuada ante situaciones desfavorables en los
mercados como, por ejemplo, la crisis financiera que azota a las principales economías
de todo el mundo desde la segunda mitad del año 2008. Ambas consideraciones han
estado estrechamente relacionadas, y han propiciado un incremento notable de las es-
trategias de inversión sectoriales.
Al igual que los fondos, las carteras de inversión sectoriales deben estar gestionadas por
profesionales expertos en los sectores económicos en los que toman posiciones. En defi-
nitiva, y dado los menores niveles de diversificación asociados a las carteras sectoriales,
los gestores deberían ser capaces, al menos, de establecer estrategias de rebalanceo
y reubicación de los activos gestionados para modificar la beta de sus carteras, con el
objetivo de controlar los niveles de riesgo de estas. Sin embargo, la comprensión de los
múltiples factores que afectan al riesgo de los sectores económicos no es tarea sencilla.
Tal y como indican Fama y French (1997), las condiciones de oferta y demanda específi-
cas de cada sector de actividad están sujetas a shocks de carácter permanente como, por
ejemplo, cambios en la legislación o política monetaria, aparición de nueva información
acerca de la producción tecnológica o cambios en las preferencias de los consumidores
(1) Según los datos obtenidos de INVERCO. Para obtener mayor información se recomienda visitar la siguiente dirección:
http://www.inverco.es
REVISTA ESPAÑOLA DE FINANCIACIÓN Y CONTABILIDAD. Vol. XLI, n.º 154 · abril-junio 2012
Dinámica del coeficiente beta asociado a las carteras de inversión ARTÍCULOS DOCTRINALES 235
y otros de carácter transitorio. Todos estos factores suelen tener un gran impacto en las
características y, lo que resulta más importante, en la evolución temporal del riesgo en
cada cartera sectorial. La evolución del riesgo de cada sector se configura, por tanto,
como uno de los elementos cruciales a estudiar en este ámbito. De este modo, si tanto in-
versores individuales como institucionales son capaces de identificar el comportamiento
dinámico del riesgo de sus carteras de inversión sectoriales, podrán efectuar una gestión
mucho más eficiente de las mismas.
Tras la revisión de la literatura existente, no se han encontrado trabajos académicos que
aborden el análisis del comportamiento dinámico del riesgo de las carteras sectoriales en
el mercado español (2). El presente trabajo pretende abordar esta cuestión contribuyendo
a la literatura en varios aspectos. En primer lugar, esta investigación aporta una medida
precisa acerca del proceso estocástico que sigue el riesgo sistemático de las carteras
de inversión sectoriales pertenecientes al Índice General de la Bolsa de Madrid (IGBM),
siendo éste el índice bursátil de referencia en el mercado español. Para ello, se aporta
una aproximación estadística muy flexible, capaz de identificar shocks de carácter per-
manente y transitorios, que afectan al comportamiento dinámico seguido por las betas de
las carteras sectoriales consideradas. Concretamente, se utilizan diferentes extensiones
del modelo de mercado, en una especificación espacio-estado, que permiten analizar el
carácter estacionario/no estacionario del proceso de evolución del coeficiente beta así
como el grado de persistencia del mismo.
Un segundo aspecto relevante del trabajo hace referencia al hecho de que la base de da-
tos considerada consta de datos de merado diarios. Por dicha razón, y dada la evidencia
empírica a favor de la presencia de heterocedasticidad condicional en las series tempo-
rales financieras observadas con alta frecuencia, se relaja la hipótesis, tradicionalmente
utilizada en la literatura, de homocedasticidad condicional de los términos de error del
modelo, lo cual dota de un mayor grado de robustez a las estimaciones realizadas de
los coeficientes beta. Esto es debido a que, al aumentar el grado de leptocurtosis de la
distribución de los errores, se debilita la influencia ejercida por observaciones atípicas
en dichas estimaciones. Finalmente, el trabajo propone un análisis del comportamiento
predictivo de los modelos utilizados, aspecto no analizado en el mercado español.
Los resultados obtenidos ponen de manifiesto la existencia de diferencias notables en
la evolución y comportamiento del riesgo sistemático de las carteras sectoriales en el
mercado español. Debido a ello, estos resultados pueden ser de gran utilidad para rea-
lizar entre otras prácticas, valoración de títulos, estrategias de rotación de sectores y,
evaluación de la performance y cobertura de carteras y fondos de inversión sectoriales
mas eficientes.
El trabajo se estructura del siguiente modo. En la segunda sección se analizan los resul-
tados obtenidos por trabajos previos, tanto desde una perspectiva internacional como
para el mercado español. La tercera sección contiene las especificaciones de los modelos
(2) Como se analizará posteriormente, Miralles et al. (2009) estudian la dinámica del riesgo sistemático experimentado
por carteras de inversión en el mercado español, pero ordenadas por el tamaño de los activos que contienen, mientras que
Nieto y Rubio (2002) lo hacen de forma indirecta.
SPANISH JOURNAL OF FINANCE AND ACCOUNTING. Vol. XLI, n.º 154 · April-June 2012
econométricos propuestos. La cuarta sección recoge la delimitación de la muestra así

como el análisis exploratorio de la misma. En la quinta sección se muestran y discuten
los resultados obtenidos. Finalmente, en la sexta sección se destacan las conclusiones, así
como las principales implicaciones del trabajo.
2. REVISIÓN DE LA LITERATURA
Dada la relevancia y complejidad que tiene la correcta estimación del riesgo sistemático
que afecta a los distintos sectores económicos, surgen varios trabajos en el contexto in-
ternacional que tratan esta cuestión. Dos de los primeros trabajos en este campo son los
realizados por Brooks et al. (1998) y Faff y Brooks (1998) centrados sobre el mercado
australiano. Aunque estos trabajos pioneros fueron de carácter ilustrativo, pusieron de
manifiesto la inestabilidad de los coeficientes beta para las carteras sectoriales de este
mercado y, por ende, la necesidad de considerar modelos dinámicos para capturar el
comportamiento estocástico de dicho parámetro. Como indican dichos autores, los mo-
delos condicionales podrían ayudar a realizar tal labor en el citado mercado. Motivados
por los interesantes resultados de los trabajos anteriores, Groenewold y Fraser (1999)
extendieron los análisis sobre el mismo mercado, aplicando técnicas estadísticas más
complejas para modelar el comportamiento dinámico de las carteras sectoriales. Con-
cretamente, estimaron modelos de mercado con coeficientes betas dinámicos utilizando
ventanas móviles y modelos de mercado espacio-estado. El trabajo concluye que la ma-
yoría de las betas de las carteras sectoriales analizadas son de carácter no estacionarias
y que su dinámica parece estar en función del modelo econométrico aplicado.
Posteriormente, Faff et al. (2000) replican su estudio previo, pero esta vez enfocado so-
bre las carteras sectoriales del mercado británico. Para ello utilizan una base de datos
de mercado con frecuencia diaria, así como diversas técnicas econométricas como: un
modelo de mercado extendido en función de la volatilidad experimentada por el mercado
(Schwert y Seguin, 1990), un modelo de mercado espacio-estado y un modelo GARCH
multivariante. Sus resultados indican que este último tipo de modelo es el que mejor nivel
de ajuste presenta. Tres años más tarde, Li (2003) analiza la dinámica del coeficiente de
riesgo beta de las carteras sectoriales del mercado neozelandés mediante modelos de
volatilidad estocástica. El trabajo revela que las betas asociadas a las carteras sectoriales
de dicho mercado no son constantes. Por su parte, Jostova y Philipov (2005) analizan las
betas de las carteras sectoriales del mercado norteamericano a través de un modelo es-
tocástico bayesiano. El trabajo concluye que las betas de estas carteras sectoriales no son
constantes y que existen diferencias significativas en la magnitud de los shocks sobre el
riesgo sistemático de éstas, existiendo una alta persistencia de los efectos transitorios en
la cartera referente al sector financiero. Otro trabajo relevante en el área es el propuesto
por Mergner y Bulla (2005), que modela las betas de las carteras sectoriales en el con-
texto europeo utilizando una gran variedad de modelos econométricos (modelos GARCH
multivariantes, procesos de volatilidad estocástica, modelos de regímenes cambiantes
Markov y modelos de mercado espacio-estado). El trabajo concluye que los modelos de
mercado espacio-estado son los que mejor grado de ajuste a los datos alcanzan.
A pesar de las indicaciones de Marín y Rubio (2001), que concluyen que en el mercado
español las betas de las carteras sectoriales podrían variar en el tiempo, los trabajos
en este mercado se han focalizado, de forma general, hacia la aplicación empírica del
modelo CAPM (3). De este modo, no se han encontrado evidencias de estudios académicos
que analicen el comportamiento dinámico del riesgo sistemático experimentado por las
carteras sectoriales en el mercado español. Si embargo, es necesario indicar que en la
actualidad existen trabajos como los realizados por Miralles et al. (2009) y Nieto y Rubio
(2002), que analizan el comportamiento dinámico de la beta de varias carteras de activos
financieros en este mercado. Así, Nieto y Rubio (2002) indican que existen ciertos facto-
res adicionales a la beta de mercado, que influyen en el riesgo de cada título y que, ade-
más, podrían no permanecer constantes en el tiempo (4). Por otro lado, el trabajo llevado
a cabo por Miralles et al. (2009) puede considerarse como pionero en la modelización del
coeficiente de riesgo beta de diferentes carteras en el mercado español. Estos autores es-
timan el riesgo sistemático de carteras de títulos pertenecientes al IGBM ordenadas por
su tamaño, aplicando una amplia gama de modelos con betas cambiantes en el tiempo:
modelo con beta asimétrica (en función del estado del mercado a través de la tendencia
mostrada por los precios de las carteras y en función del estado de la economía defini-
do por el Indicador de Confianza Industrial), modelo condicional, modelo basado en la
volatilidad del mercado, modelo de mercado espacio-estado estimado a través del filtro
de Kalman y modelo GARCH bivariante. Este trabajo evidencia la no estabilidad del co-
eficiente beta para las carteras de inversión pertenecientes al IGBM ordenadas por el
tamaño de los activos. Así mismo, se indica que la frecuencia de observación de las series
financieras en el mercado español afecta de forma crucial en la elección del proceso es-
tocástico óptimo para modelar la dinámica de las betas de estas carteras. De este modo
se concluye que, con datos de mercado mensuales, el modelo con menor nivel de ajuste
es aquel que incorpora en el cálculo de la beta un componente asimétrico en función del
estado de la economía definido por el Indicador de Confianza Industrial y elaborado para
el mercado español por la Unión Europea. Por otro lado, cuando se emplean observacio-
nes diarias, el modelo de mercado espacio-estado es el que presenta mejores niveles de
ajuste para capturar el comportamiento dinámico del riesgo sistemático de las betas de
las carteras analizadas.
Varios trabajos internacionales también evidencian la superioridad de los modelos de
mercado espacio-estado para capturar los comportamientos dinámicos de las betas de
las carteras de inversión convencionales y sectoriales, cuando se utilizan bases de datos
de series temporales financieras de alta frecuencia de observación (Black et al., 1992;
Wells, 1994; Brooks et al., 1998; Groenewold y Fraser, 1999; Faff et al., 2000; McKenzie
et al., 2000; Mamaysky et al., 2007, 2008; Holmes y Faff, 2008; Adrian y Franzoni, 2009).
(3) En el mercado de valores español, las primeras aplicaciones empíricas del modelo CAPM para estimar la beta, así
como primas de riesgo de diferentes carteras de inversión, datan de los años setenta del siglo XX. Así, trabajos como los de
Palacios (1973), Berges (1984), Rubio (1988, 1991), Gallego et al. (1992), Rubio y Basarrate (1994) o Sentana (1995, 1997)
rechazan las hipótesis establecidas por el modelo CAPM para este mercado. En estos se pone de manifiesto la existencia de
primas de riesgo no significativas e incluso negativas en algunos casos.
(4) Sin embargo, el objetivo del trabajo de Nieto y Rubio (2002) consiste en contrastar la validez del CAPM en el mercado
español, prestando una atención residual al comportamiento dinámico de las betas de las diferentes carteras en el mercado
español.
Por este motivo, y debido a que se hará uso de datos de mercado diarios, en el presente
trabajo se propone un conjunto de modelos de mercado espacio-estado con el objetivo
de describir la dinámica de las betas asociadas a las carteras de inversión sectoriales
del mercado español. Adicionalmente, la presente investigación contribuye a la literatu-
ra en este contexto geográfico, extendiendo el tradicional modelo de mercado espacio-
estado de forma que se permite descomponer el comportamiento dinámico de las betas
de las carteras sectoriales en una componente a largo plazo (que recoge los efectos de los
shocks permanentes que afectan al riesgo de cada sector) y otra de carácter transitorio
(que recoge los efectos de los shocks transitorios que afectan al riesgo de cada sector).
De este modo, se podrá analizar el carácter estacionario o no estacionario del proceso de
evolución del coeficiente beta así como el grado de persistencia del mismo en las diferen-
tes carteras sectoriales. Adicionalmente, y dada la heterocedasticidad que presentan las
series financieras de frecuencia diaria, se permite que las distribuciones de los errores
de las ecuaciones de observación implícitas en los modelos de mercado espacio-estado
sean de carácter condicionalmente heterocedásticas. Finalmente, se propone un estudio
comparativo del comportamiento predictivo de los modelos estimados.
3. METODOLOGÍA
3.1. DEFINICIÓN DE LOS MODELOS ECONOMÉTRICOS
El presente trabajo parte de la estimación del modelo de mercado, que representa un

proceso generador de rentabilidades en el que se asume que la rentabilidad general del
mercado es el único factor que determina los cambios sistemáticos en el rendimiento de
los activos negociados. Este viene definido por la siguiente expresión:
ri,t = αi + βi rm,t + εi,t (1)
donde ri,t es la rentabilidad de la cartera sectorial i en exceso sobre el activo libre de

riesgo en el periodo t; rm,t recoge la rentabilidad en exceso de la cartera representativa
del mercado en el periodo t; αi es la rentabilidad anormal de la cartera sectorial i sobre
la rentabilidad de la cartera de mercado y βi es la beta o el riesgo sistemático de la car-
tera sectorial i. El término de error de la ecuación (εi,t) determina el riesgo no sistemático
de la cartera sectorial i, el cual se asume como ruido blanco homocedástico. El modelo
supone que el coeficiente beta (βi) de la cartera sectorial i es constante a lo largo del pe-
riodo considerado y, aplicando el método de los Mínimos Cuadrados Ordinarios (MCO), se
estimaría mediante la expresión:
^ Sri,rm
βi,t = ———— (2)
S 2rm
donde Sri,rm es la covarianza muestral entre las rentabilidades ri y rm, y S 2r mes la varianza
muestral de la rentabilidad rm.
La hipótesis de constancia a lo largo del tiempo del coeficiente de riesgo beta (βi) puede
ser poco realista (Blume, 1971; Collins et al., 1987; Harvey, 1989; Lee y Rahman, 1990;
Ferson y Harvey, 1991, 1993; Holmes y Faff, 2004; Benson et al., 2007) debido, en gran
medida, a que de forma genérica las series financieras no son estacionarias (Bos y New-
bold, 1984; Brooks et al., 1992; Faff et al., 1992; Groenewold y Fraser, 1999). Por ello, la
metodología aplicada en este trabajo debilita dicha hipótesis y propone una extensión del
modelo de mercado definido por la expresión [1] en una especificación espacio-estado
dada por las siguientes ecuaciones:
ri,t = αi + βi rm,t + εi,t con εi,t ∼ N (0,σ 2ε,i ) (3)
– –
βi,t = β i + φi (βi,t-1 - β i) + ζi,t con ζi,t ∼ N (0,σ 2ζ,i ) (4)
con 0 ≤ |φi| < 1 y εi,t, ζi,t ruidos blancos mutuamente independientes.
La expresión (3), denominada ecuación de observación, se identifica con el modelo de

mercado en su especificación espacio-estado donde el coeficiente beta varía a lo largo
del tiempo, de acuerdo a la ecuación de evolución de los estados (4) y, donde el término
de error de la ecuación de observación (εi,t) recoge la rentabilidad idiosincrática de la
cartera sectorial i.
La expresión (4) describe el proceso dinámico de βi,t en términos de un proceso autorre-

gresivo de orden uno (tal y como se realiza en la práctica totalidad de los trabajos en el
área: véase Fabozzi y Francis (1978); Sunder (1980); Simonds et al. (1986); Brooks et al.
(1992); Wells (1994); Faff et al. (2000); Lie et al. (2000); Li (2003); Yao y Gao (2004), entre
otros. Adicionalmente, la ecuación (4) abarca, como casos particulares, tres de las especi-
ficaciones estocásticas más comunes utilizadas en la literatura (Moonis y Shah, 2003; Yao
y Gao, 2004). Así, cuando φi = 1, el coeficiente beta sigue un paseo aleatorio dado por:
βiR,W RW
t = βi , t-1 + ζ i,t (5)
utilizado en Sunder (1980), Lie et al. (2000) y Li (2003) entre otros. Si, por el contrario, se
supone φi = 0, el coeficiente beta sigue un proceso denominado como coeficiente aleatorio
dado por:
–
βiR,tC = β i + ζi,t (6)
–
donde el parámetro β i representa la media de la beta a lo largo de la muestra conside-
rada (ver Fabozzi y Francis, 1978; Simonds et al., 1986; Brooks et al., 1992; Wells, 1994;
Faff et al., 2000, entre otros). Finalmente, si 0 < |φi| < 1, el coeficiente beta sigue un pro-
ceso AR(1) estacionario que puede expresarse como:
– –
βiM,tR = β i + φi (βiM,t-1R - β i ) + ζi,t (7)
–
donde β i es el valor medio de los coeficientes βi,t en torno al cual oscilan y φi representa
la velocidad con el que el coeficiente βi,t revierte a su media (ver Ohlson y Rosenberg,
1982; Bos y Newbold, 1984; Collins et al., 1987; Faff et al., 1992; Brooks et al., 1998;
Groenewold y Fraser, 1999, entre otros).
Adicionalmente se considera una especificación espacio-estado alternativa del modelo

de mercado dado por la ecuación de observación (3) y la siguiente ecuación de estado:
βiR,W
t
MR
= Ti,t + Ci,t (8)
donde:
Ti,t = Ti,t-1 + υi,t con υi,t ∼ N (0,σ 2υ,i ) (9)
Ci,t = φi Ci,t-1 + ζi,t con ζi,t ∼ N (0,σ 2ζ,i ) (10)
donde υi,t y ζi,t son ruidos blancos mutuamente independientes.
La ecuación (8) describe el proceso dinámico de la beta de las carteras sectoriales (βiR, W t
MR
)
a través de su descomposición en una componente a largo plazo (Ti,t), modelada median-
te un paseo aleatorio (RW) descrito en la ecuación (9) y otra de carácter transitorio (Ci,t),
modelada mediante un proceso estacionario autorregresivo (MR) de orden 1 descrito en
la ecuación (10). Las componentes Ti,t y Ci,t son tratadas como variables latentes cuyos
valores son atribuidos a través de las expectativas condicionales en cada momento del
tiempo t, Ti,t | t = E [Ti,t /ri,1, …, ri,t] y Ci,t | t = E [Ci,t /ri,1, …, ri,t]. Este aspecto permite estimar
cómo un inversor racional modifica sus decisiones de inversión cuando la información
obtenida del mercado en el periodo t es incorporada al modelo.
Los parámetros del modelo son estimados a través de optimización numérica sobre la
siguiente función de verosimilitud (Harvey, 1990):
T 1 T 1 T
υ (θ )2
2 2 t=1 Σ
log Li (θi ) = - —— log (2π) - —— log fi,t (θi) - ——
2 Σ————
f (θ )
t=1 it
i,t
i
i
(11)
– –
donde (θi ) = (β i, φi, σ 2ε,i , σ 2ζ,i )' en el caso del modelo (3)-(4) y (θi ) = (β i, φi, σ 2ε,i , σ 2υ,i , σ 2ζ,i )' en el
caso del modelo (3), (8)-(10). En este caso, vi,t (θi ) = ri,t - E [ri,t|θi , ri,1, …, ri,t-1, rm,1, …, rm,t] son
los residuos predictivos a un paso, y f i,t (θi ) = Var [vi,t|θi , ri,1, …, ri,t-1, rm,1, …, rm,t). Los valores
del vector E [ri,t|θi , ri,1, …, ri,t-1, rm,1, …, rm,t] y f i,t (θi ) son obtenidos a través del algoritmo
recursivo denominado como filtro de Kalman (véase Harvey, 1990).
Deben establecerse diferentes valores iniciales para el parámetro βi,0 y el vector θi .

De acuerdo a Wells (1996), se asume βi,0 = 0 y φi,0 = 0.5 para estimar el modelo. Final-
mente, los valores iniciales de los restantes parámetros del vector de hiperparámetros
(σ 2ε,i , σ 2υ,i , σ 2ζ,i ) adoptan un valor (5) igual a e-1.
Dado que la frecuencia de observación de los datos analizados es diaria, la hipótesis de

homocedasticidad en el término de error de la ecuación de observación (εi,t) puede resul-
tar incompatible con la abundante evidencia empírica a favor de la presencia de hetero-
cedasticidad condicional en las series temporales financieras, principalmente motivado
por la aparición del efecto «volatility clustering» (Bollerslev et al., 1992). Por ello, el tra-
bajo debilita dicha hipótesis y supone que los errores de observación (εi,t) son condicional-
mente heterocedásticos y que siguen uno de los siguientes procesos de la familia GARCH
mas relevantes para los cuales la volatilidad condicional (σ 2ε,i ) viene dada por alguna de
las expresiones (12). Específicamente, seguirán el proceso de la familia GARCH con el
que alcancen un mayor nivel de ajuste en función de los valores adoptados por varios de
los criterios de selección de modelos que se introducen en la siguiente sección.
TARCH (1,1): σ 2ε,i ,t = ωi + αi,1ε2i,t-1 + δi,1ε2i,t-1 I(ε2i,t-1 < 0) + γi,l σ 2ε,i ,t-1
GARCH (1,1): σ 2ε,i ,t = ωi + αi,1ε2i,t-1 + γi,l σ 2ε,i ,t-1

(12)
|ε2i,t-1| εi,t-1
EGARCH (1,1): log (σ ε,i ,t) = ωi + αi,1——— + δi,1 ———— + γi,l log (σ 2ε,i ,t-1)
2
σ ε,i ,t-1 σ ε,i ,t-1
donde εi,t-1 | Ωi,t-1 ~ N (0,σ 2ε,i ,t ), Ωi,t-1 = {ri,l, …, ri,t-1}, αi,1, γi,1 ≥ 0 y I (εi,t < 0) = 1 cuando εi,t < 0
y cero en otro caso. Adicionalmente, el parámetro δi,t busca capturar el llamado efecto
asimétrico presente en muchas series financieras.
La estimación de los parámetros del modelo se realiza en tres etapas. En la primera,

los modelos definidos por las ecuaciones (3)-(4) o (3) y (8)-(10) son estimados a través
de la expresión (11) de forma recursiva a través del filtro de Kalman. De este modo, se
∧ ∧ ∧
obtienen los residuos de la ecuación de observación εi,t = ri,t - αi - βi,t rm.t. Utilizando estos
residuos se estiman los parámetros ωi, αi,1, δi,1, γi,1 de cada modelo GARCH definido en
las expresiones (12) mediante el método de máxima verosimilitud y, a partir de las es-
timaciones obtenidas se calculan las varianzas condicionales del término de error de la
ecuación de observación {σ∧ 2ε,i ,t ; t = 1, …, T}. Finalmente, en la tercera etapa, se vuelven a
estimar los modelos (3)-(4) o (3) y (8)-(10) utilizando el filtro de Kalman, pero suponiendo
que la varianza del término de error εi,t es igual a σ∧ 2ε,i ,t . Estas dos últimas etapas son ite-
radas hasta obtener la convergencia de los parámetros ωi, αi,1, δi,1 y γi,1.
3.2. SELECCIÓN Y BONDAD DE AJUSTE DE LOS MODELOS
La bondad de ajuste de los modelos estimados ha sido medida, en primera instancia, a

través de los criterios de información de Akaike (AIC) y Bayesiano (BIC), también denomi-
nado criterio de Schwarz, calculados de acuerdo a las siguientes expresiones:
(5) Un análisis de sensibilidad llevado a cabo con respecto a estos valores no modificaron sustancialmente los resultados
obtenidos.
log L k
AIC = -2 ——— + —— (13)
T T
log L k
BIC = -2 ——— + —— log T (14)
T T
donde log L se refiere al logaritmo neperiano del valor de la función de verosimilitud en

∧
el valor estimado de θi (θi ); T es el número de observaciones y k el número de paráme-
tros del modelo. Como se puede apreciar, con el uso del criterio BIC se controla la posible
aparición de niveles de ajuste superiores en los modelos con un mayor número de pará-
metros. De este modo, se dota a los resultados de una mayor robustez. Adicionalmente,
se analiza el comportamiento predictivo de los modelos mediante el estudio de la bondad
de ajuste de los intervalos predictivos a un paso (para un nivel de confianza del 99%),
utilizando el cubrimiento empírico (COV), y los contrastes de cubrimiento condicional
(CC), independencia (IND) y cubrimiento incondicional (UC) propuestos por Christoffer-
sen (1998). Finalmente, se calcula el valor de la pérdida (LOSS) propuesta por Gneiting y
Raftery (2007) definida por la siguiente expresión:
T T T
2
LOSS = Σ (r
t=1
sup,t - rinf,t) + —
α [ ΣI (r < r
t=1
t inf,t ) (rinf,t - rt) + ΣI (r < r
t=1
t sup,t ]
) (rt - rsup,t) (15)
donde I(A) es la función indicador del componente A; rinf,t = E [rt | r1, …, rt-1, θ̂] - za/2 D [rt | r1,
…, rt-1, θ̂] y rsup,t = E [rt | r1, …, rt-1, θ̂] - za/2 D [rt | r1, …, rt-1, θ̂] son los límites superior e infe-
rior de los intervalos predictivos a un paso para un nivel de confianza igual a 100(1-α)%,
donde zα denota el (1-α) cuantil de la función de distribución normal. Como demuestran
Gneiting y Raftery (2007), la función definida por la expresión (15), que evalúa el com-
portamiento predictivo de un modelo para un nivel de confianza igual a 100(1-α)%, es
propia, es decir, alcanza su mínimo en el proceso generador de los datos, aspecto de gran
relevancia para determinar la fiabilidad asociada a los coeficientes beta estimados por
cada modelo.
4. MUESTRA Y ANÁLISIS EXPLORATORIO

El trabajo considera las seis carteras de inversión sectoriales pertenecientes al IGBM,
que se identifican con los siguientes sectores económicos: bienes de consumo, ma-
teriales básicos, industria y construcción, petróleo y energía, servicios de consumo,
servicios financieros e inmobiliarios y, finalmente, tecnología y telecomunicaciones. La
información acerca de los precios de cierre históricos diarios es de libre acceso y se
puede obtener en el sitio Web de la Bolsa de Madrid (6). Se han considerado datos de
mercado entre el 2 de enero de 2001 y el 7 de abril de 2010. El periodo comprende
dos periodos bajistas (desde el 2 de enero de 2001 hasta el 31 de diciembre de 2002
y desde 1 de junio de 2008 hasta el 31 de diciembre de 2008) y otros dos periodos al-
(6) Para más información véase: http://www.bolsamadrid.es/esp/portada.htm
cistas (desde el 1 de enero de 2003 hasta el 31 de mayo de 2008 y desde el 1 de enero

de 2009 hasta el 7 de abril de 2010). A partir de los precios de cierre diarios se han
obtenido las 2.338 rentabilidades diarias en exceso sobre el activo libre de riesgo para
las diferentes carteras de inversión sectoriales consideradas y calculadas de acuerdo
a la siguiente expresión:
ri,t = ln(pi,t) - ln(pi,t-1) - rte (16)
donde pi,t es el precio de cierre de la cartera sectorial i ajustada por dividendos e in-
crementos de capital en el día t; ln es el logaritmo neperiano y rte es la rentabilidad del
activo libre de riesgo en el día t. La rentabilidad a un día de las Repos sobre las Letras
del Tesoro españolas (7) ha sido considerada como la rentabilidad diaria del activo libre
de riesgo. Esta elección viene motivada por el hecho de que se utilizan datos de mercado
diarios y por que el activo descrito es el más liquido en dicho mercado. Las rentabilida-
des en exceso diarias del índice de mercado (IGBM), rm,t, han sido también obtenidas de
acuerdo a la ecuación (16).
La tabla I muestra los estadísticos descriptivos de las rentabilidades diarias en exceso
de las diferentes carteras sectoriales así como del índice de mercado. La mayor rentabi-
lidad media diaria en exceso se aprecia para la cartera referente a materiales básicos,
industria y construcción (0,0293%), mientras que los menores niveles se asocian a la
cartera de servicios financieros e inmobiliarios (-0,0090%). El nivel de riesgo, medido a
través de la desviación típica de las rentabilidades diarias en exceso, presenta su mayor
valor para la cartera de servicios financieros e inmobiliarios (1,8086), mientras que la
cartera referente a bienes de consumo presenta los menores niveles (1,1625). Todas las
series presentan leptocurtosis, por lo que las rentabilidades de las carteras sectoriales y
de mercado no siguen una distribución normal, tal y como indican los valores obtenidos
en los contrastes de normalidad Jarque-Bera (J-B). Adicionalmente, tal y como señalan
los resultados de los contrastes de heterocedasticidad (L-B2 y ARCH: ver pié de tabla I) e
independientemente del número de retardos considerados (8/12) indican que todas las
series de rentabilidades en exceso de las carteras sectoriales y la de mercado presen-
tan heterocedasticidad, rasgo común en series financieras observadas con frecuencia
diaria.
TABLA I
ESTADÍSTICOS DESCRIPTIVOS DE LAS RENTABILIDADES DIARIAS EN EXCESO SOBRE EL ACTIVO LIBRE DE RIESGO
Desv.
Media Asimetría Curtosis J-B ARCH(8) / (12) L-B2(8) / (12)
Típica
** *** *** *** ***
IGBM 0,0010% 1,3987 -0,1095 8,7179 3188,3 65,17 /50,32 1146,4 ***/1698,4 ***
*** *** *** *** ***
Bienes de consumo 0,0263% 1,1625 -0,2769 10,437 5416,2 13,85 /12,42 167,37 ***/261,2 ***
Materiales básicos,
industria y 0,0293% 1,4140 -0,4509 *** 9,0906 *** 3691,4 *** 53,20 ***/47,23 *** 825,64 ***/1397,8 ***
Construcción
(Continúa pág. sig.)
(7) La información ha sido obtenida de las bases de datos de series financieras de Analistas Financieros Internacionales
(AFI). Para más información, véase: http://www.afi.es/
TABLE I (CONT.)
ESTADÍSTICOS DESCRIPTIVOS DE LAS RENTABILIDADES DIARIAS EN EXCESO SOBRE EL ACTIVO LIBRE DE RIESGO
Petróleo y energía 0,0054% 1,3054 -0,0974 * 12,777 *** 9312,7 *** 87,06 ***/61,16 *** 1380,9 ***/1721,6 ***
*** *** *** *** ***
Servicios de consumo -0,0006% 1,2911 -0,4060 7,0378 1651,8 36,79 /27,71 591,2 ***/829,1 ***
Servicios financieros e
-0,0090% 1,8086 0,0568 8,6064 *** 3061,9 *** 55,57 ***/45,53 *** 946,55 ***/1446,3 ***
inmobiliarios
Tecnología y
-0,0084% 1,7211 0,1594 *** 7,4822 *** 1966,1 *** 50,79 ***/36,60 *** 819,6 ***/1140,4 ***
Telecomunicaciones
***
Significativo al 1%; ** Significativo al 5%; * Significativo al 1%. El valor del estadístico J-B hace referencia al test de normalidad de
Jarque-Bera. Los contrastes L-B2 y ARCH están basados en la estimación de un modelo de paseo aleatorio ajustado a todas las series de
rentabilidades en exceso sobre el activo libre de riesgo. El valor del estadístico L-B2 hace referencia al contraste de de heterocedasticidad Ljung-
Box aplicado sobre los valores de la función de autocorrelación de los residuos cuadráticos (ver McLeod y Li, 1983). El valor del estadístico
ARCH hace referencia al contraste de heterocedasticidad del multiplicador de Lagrange propuesto por Engle (1982). El número de retardos
utilizados en los contrastes ARCH viene determinado por la parte entera del logaritmo neperiano del número de observaciones; Ln (2338) ≈ 8
que, para los contrates tipo Box-Ljung es el retardo en el que el contraste alcanza su máxima potencia (ver Tsay, 2005). Así mismo, se ha optado
por incluir el mismo retardos en el contraste L-B2 por razones de homogeneización. Si bien, se incluyen los valores de los contrastes L-B2 y
ARCH con doce retardos para observar si existen diferencias en los resultados de los tests.
La Tabla II muestra los parámetros estimados por el modelo de mercado definido por la
ecuación (1) a través de MCO para cada cartera sectorial tomando como benchmark de
mercado el IGBM.
TABLA II
ESTIMACIÓN DEL MODELO DE MERCADO
Test de Wald
Cartera αi βi AIC BIC
Ho: αi = 0; βi = 0
0.0257 0.5462*** 613.6571***
Bienes de consumo 2.5745 2.5794
(0.0181) (0.0129) (0.0000)
Materiales básicos, industria y 0.0285 0.8461*** 91.8962***
2.3260 2.3309
construcción (0.0160) (0.0114) (0.0000)
0.0045 0.7943*** 205.7745***
Petróleo y energía 2.0836 2.0885
(0.0141) (0.0101) (0.0000)
-0.0014 0.7758*** 234.6074***
Servicios de consumo 2.1245 2.1294
(0.0144) (0.0103) (0.0000)
Servicios financieros e -0.0103 1.2385*** 482.8533***
1.5281 1.5330
inmobiliarios (0.0107) (0.0076) (0.0000)
Tecnología y -0.0095 1.0461*** 6.0482***
2.6418 2.6467
Telecomunicaciones (0.0187) (0.0134) (0.0000)
***
Significativo al 1%; ** Significativo al 5%; * Significativo al 1%. La tabla muestra los parámetros estimados por el modelo de
mercado donde ri,t es la rentabilidad diaria en exceso de la cartera sectorial i en el periodo t, y rm,t es la rentabilidad diaria en exceso
de la cartera de mercado (IGBM) en el periodo t. Los valores entre paréntesis de las primeras dos columnas se corresponden con
los errores estándar de los parámetros estimados (αi y βi). Los valores entre paréntesis de la última columna se identifican con los
errores estándar estimados para el Test de Wald. La aceptación de la hipótesis nula del contraste indica que los niveles de rentabilidad
y riesgo de las carteras sectoriales no difirieren de manera significativa con respecto a la cartera de mercado.
Los resultados indican que ninguno de los parámetros αi es significativo. Sin embargo,
todos los valores estimados del coeficiente βi son significativamente distintos de cero (al
1%). Adicionalmente, la hipótesis nula del test de Wald (αi = 0, βi = 1) no puede ser acep-
tada para ninguna cartera sectorial (al 1%), lo que pone de manifiesto que los niveles
de riesgo experimentado por éstas son significativamente distintos del experimentado
por la cartera del mercado. Aunque se aprecian amplias diferencias entre los valores
estimados para los coeficientes βi , el presente modelo supone que dichos coeficientes son
constantes a lo largo del tiempo. En la siguiente sección se contrasta si dicha hipótesis es

razonable analizando el comportamiento dinámico de dichos coeficientes.
5. ANÁLISIS DEL COMPORTAMIENTO DINÁMICO

DE LOS COEFICIENTES BETA
En este apartado se muestran los parámetros estimados para los modelos espacio-estado
propuestos, suponiendo homocedasticidad (Hom) y heterocedasticidad (Het) en los erro-
res de observación. Adicionalmente, se ha estimado el modelo de mercado definido por
la expresión (1) mediante MCO con ventanas móviles de 90 observaciones diarias de am-
plitud y con solapamiento de un día [RMCO(90,1)], diez días [RMCO(90,10)] y treinta días
[RMCO(90,30)] para cada cartera sectorial analizada. La estimación recursiva mediante
ventanas móviles es uno de los modos más generalizados para estimar el proceso dinámi-
co que siguen las betas de diferentes activos. Se ha optado por incluir la información de su
estimación, así como su bondad de ajuste predictivo, con el objetivo de compararla con los
niveles obtenidos por los modelos mas complejos introducidos en el presente trabajo.
De este modo, la tabla III recoge el valor de los parámetros estimados mediante MCO por
los modelos de mercado mediante ventanas móviles. La tabla IV muestra las estimacio-
nes de los parámetros de los modelos espacio-estado y la tabla V recoge la bondad de
ajuste de los intervalos predictivos de los modelos mencionados (espacio-estado y mode-
los de mercado estimados mediante ventanas móviles). Por otro lado, se ha seleccionado
un proceso TARCH(1,1), en detrimento de los procesos GARCH(1,1) y EGARCH(1,1) [ver
expresiones (12)], para explicar el comportamiento de cada error εi,t asociado a cada
ecuación de observación (3) y para todos los modelos espacio-estado heterocedásticos
estimados. Esto ha sido motivado por el hecho de que los modelos TARCH(1,1) ajustados
a los diferentes errores de las ecuaciones de observación para cada cartera sectorial
alcanzan mejores niveles de ajuste a los datos de acuerdo a los criterios AIC y BIC con
respecto a los procesos GARCH(1,1) y EGARCH(1,1). Así mismo, se demuestra que la cita-
da elección [los diferentes εi,t siguen un proceso TARCH(1,1)] redunda en un mejor ajuste
final en función de los criterios AIC y BIC para cada modelo espacio-estado heterocedás-
tico estimado (ver Anexo).
Las estimaciones recogidas en la tabla III sugieren que las diferentes betas de las carte-
ras sectoriales analizadas siguen un proceso dinámico. Si bien, la estimación del modelo
de mercado con ventanas móviles no provee la información necesaria para categorizar
el comportamiento estocástico del riesgo sistemático experimentado por las diferentes
carteras consideradas (las tablas IV y V y la figura I ayudarán a tal labor). Sin embargo,
debe compararse la capacidad predictiva de estos procesos (modelo de mercado median-
te ventanas móviles) con la obtenida por los modelos espacio-estado propuestos. De este
modo, se podrá averiguar si existen ganancias en términos de predicción y de ajuste a los
datos cuando se adoptan especificaciones y metodologías más complejas para abordar
el dinamismo en la beta de las diferentes carteras sectoriales en el mercado español. El
análisis de los datos contenidos en la Tabla V nos permitirá aportar un poco de luz a esta
cuestión.
TABLA III
ESTIMACIÓN DEL MODELO DE MERCADO CON VENTANAS MÓVILES.
–
Cartera sectorial Modelo α–i αi,min, αi,max βi βi,min, βi,max
RMCO (90,1) 0,0228 -0,249 , 0,180 0,5975 0,276 , 0,979
Bienes de consumo RMCO (90,10) 0,0215 -0,232 , 0,169 0,5974 0,275 , 0,972
RMCO (90,30) 0,0205 -0,206 , 0,166 0,5979 0,276 , 0,919
Materiales básicos, RMCO (90,1) 0,0164 -0,329 , 0,198 0,9218 0,329 , 1,496
industria y RMCO (90,10) 0,0165 -0,329 , 0,186 0,9210 0,342 , 1,494
construcción RMCO (90,30) 0,0183 -0,261 , 0,152 0,9230 0,374 , 1,494
RMCO (90,1) 0,0001 -0,269 , 0,196 0,8014 0,387 , 1,296
Petróleo y energía RMCO (90,10) -0,0002 -0,235 , 0,161 0,8007 0,419 , 1,215
RMCO (90,30) -0,0015 -0,219 , 0,135 0,7985 0,419 , 1,203
RMCO (90,1) -0,0065 -0,276 , 0,209 0,8136 0,575 , 1,154
Servicios de consumo RMCO (90,10) -0,0078 -0,270 , 0,178 0,8126 0,585 , 1,126
RMCO (90,30) -0,0095 -0,225 , 0,129 0,8121 0,605 , 1,063
RMCO (90,1) -0,0075 -0,261 , 0,155 1,1793 0,962 , 1,657
Servicios financieros e
RMCO (90,10) -0,0071 -0,202 , 0,147 1,1787 0,962 , 1,649
Inmobiliarios
RMCO (90,30) -0,0070 -0,125 , 0,095 1,1758 0,962 , 1,624
RMCO (90,1) -0,0038 -0,303 , 0,321 1,0991 0,417 , 1,696
Tecnología y
RMCO (90,10) -0,0038 -0,285 , 0,309 1,1018 0,440 , 1,672
Telecomunicaciones
RMCO (90,30) -0,0030 -0,285 , 0,263 1,1095 0,445 , 1,647
La tabla refleja las estimaciones del modelo de mercado con ventanas móviles de amplitud 90 observaciones diarias y con solapa-
miento de 1 día (RMCO(90,1)), 10 días (RMCO(90,10)) y 30 días (RMCO(90,30)). La tercera y quinta columna reflejan los valores
promedios estimados de los parámetros αi y βi respectivamente. Adicionalmente, la cuarta y sexta columna muestran los rangos
entre los que se sitúan los parámetros αi y βi estimados.
La tabla IV muestra que los valores adoptados por los criterios de selección de modelos
(AIC y BIC) son todos inferiores a los obtenidos en la estimación del tradicional modelo
de mercado (recogidos en la tabla II), lo que pone de manifiesto la mayor habilidad de los
modelos espacio-estado para capturar el comportamiento de las diferentes betas asocia-
das a todas las carteras sectoriales que componen el IGBM. Este aspecto coincide con los
resultados obtenidos por trabajos previos sobre el mismo mercado (Miralles et al., 2009)
y en otros de carácter internacional (Faff y Brooks, 1998; Groenewold y Fraser, 1999; Faff
et al., 2000; Li, 2003; Mergner y Bulla, 2005).
Los modelos que suponen heterocedasticidad en el término de error de las ecuaciones
de observación (εi,t) alcanzan un mejor nivel de ajuste que los que suponen homocedasti-
cidad en este parámetro, para todas las carteras analizadas e independientemente de la
ecuación de estado considerada. Se observa, además, que las varianzas de los errores de
2 2
evolución del modelo συ,i y σ ζ,i son, en general, menores en los modelos heterocedásticos
que en sus correspondientes homocedásticos siendo, por tanto, más suave y más precisa
la evolución de los coeficientes βi,t estimada por los modelos heterocedásticos. Este efecto
es motivado, en gran medida, por la mayor leptocurtosis de la distribución incondicional
de los términos de error (εi,t) así como por un ligero incremento de su varianza (σε,i2 ), todo
lo cual reduce la influencia de datos atípicos en la estimación de los coeficientes beta,
redundando en un mejor ajuste de los modelos heterocedásticos a los datos observados

de las series analizadas así como en un mejor comportamiento predictivo de dichos mo-
delos (ver tabla V).
Los resultados que se muestran en las tablas IV y V indican la existencia de diferencias

específicas en el proceso estocástico de las betas de las carteras sectoriales analizadas. A
continuación se detallan sus principales características.
TABLA IV
ESTIMACIÓN Y BONDAD DE AJUSTE DE LOS MODELOS DE MERCADO ESPACIO-ESTADO AJUSTADOS A LOS DATOS
Hiperparámetros del vector θi Nivel de ajuste

Cartera sectorial εi,t Modelo —
αi σε,i2 2
συ,i x 100 σζ,i2 βi |φi| AIC BIC
RW 0,0221 0,7301 n.a. 0,0255 n.a. n.a. 2,5586 2,5660
RC 0.0460*** 0,4917 n.a. 0,1659 0,5306 *** n.a. 2,4671 2,4769
Hom
MR 0,0460 *** 0,4909 n.a. 0,1666 0,5316 *** 0,0426 2,4678 2,4801
RWMR 0,0391 **
0,4904 0,0034 0,1623 n.a. 0,0028 2,4628 2,4751
Bienes de consumo
RW 0,0323 ** 0,8091 n.a. 0,0642 n.a. n.a. 2,3903 2,3952
RC 0,0390 ** 0,7690 n.a. 0,0545 0,5526 *** n.a. 2,3634 2,3708
Het
MR 0,0390 ** 0,7695 n.a. 0,0539 0,5521 *** 0,0699 2,3646 2,3744
RWMR 0,0304 *
0,0030 0,0049 0,0551 n.a. 0,0000 2,3685 2,3784
RW 0,0239 * 0,4648 n.a. 0,1392 n.a. n.a. 2,1469 2,1543
RC 0,0526 *** 0,3329 n.a. 0,1596 0,8428 *** n.a. 2,1641 2,1739
Hom
MR 0,0337 ** 0,4190 n.a. 0,0134 0,8955 *** 0,9397 *** 2,1328 2,1451
Materiales básicos, RWMR 0,0396 ***
0,3395 0,0107 0,0879 n.a. 0,0015 2,0552 2,0676
industria y
RW 0,0364 *** 0,5394 n.a. 0,0255 n.a. n.a. 1,9555 1,9604
construcción
RC 0,0527 *** 0,5997 n.a. 0,0498 0,8579 *** n.a. 2,0756 2,0830
Het
MR 0,0372 *** 0,5493 n.a. 0,0004 0,8532 *** 0,9974*** 1,9450 1,9548
RWMR 0,0395 ***
0,5314 0,0101 0,0275 n.a. 0,0001 1,9430 1,9529
RW 0,0032 0,3748 n.a. 0,2227 n.a. n.a. 1,9575 1,9649
RC 0,0153 0,2676 n.a. 0,1112 0,7616 *** n.a. 1,9084 1,9183
Hom
MR 0,0148 0,2705 n.a. 0,1052 0,7612 *** 0,1530 *** 1,9075 1,9199
RWMR 0,0108 0,2708 0,0135 0,0807 n.a. 0,0038 1,8715 1,8838
Petróleo y energía
RW 0,0131 0,5462 n.a. 0,0802 n.a. n.a. 1,6895 1,6945
RC 0,0154 0,4728 n.a. 0,0356 0,7521 *** n.a. 1,7536 1,7609
Het
MR 0,0148 0,4676 n.a. 0,0013 0,7750 *** 0,9806 *** 1,6672 1,6770
RWMR 0,0133 0,5485 0,0078 0,0042 n.a. 0,8980 *** 1,6851 1,6950
RW -0,0020 0,4329 n.a. 0,1721 n.a. n.a. 2,0856 2,0930
RC 0,0125 0,3125 n.a. 0,1015 0,7962 *** n.a. 2,0054 2,0152
Hom
MR 0,0128 0,3143 n.a. 0,0936 0,8005 *** 0,2476 *** 2,0031 2,0154
Servicios de RWMR 0,0101 0,3108 0,0110 0,0901 n.a. 0,0023 2,0001 2,0124
consumo RW -0,0004 0,5261 n.a. 0,0704 n.a. n.a. 1,9046 1,9096
RC 0,0070 0,4910 n.a. 0,0325 0,7932 *** n.a. 1,8865 1,8939
Het
MR 0,0036 0,4845 n.a. 0,0058 0,8089 *** 0,9087 *** 1,8718 1,8817
RWMR 0,0035 0,5240 0,0020 0,0097 n.a. 0,8291 *** 1,8961 1,9069
TABLE IV (CONT.)
ESTIMACIÓN Y BONDAD DE AJUSTE DE LOS MODELOS DE MERCADO ESPACIO-ESTADO AJUSTADOS A LOS DATOS
RW -0,0104 0,1992 n.a. 0,2223 n.a. n.a. 1,3585 1,3659
RC -0,0182 * 0,1445 n.a. 0,0642 1,2180 *** n.a. 1,3094 1,3193
Hom
MR -0,0155 * 0,1510 n.a. 0,0448 1,2089 *** 0,4722 *** 1,2970 1,3094
Servicios RWMR -0,0143 0,1477 0,0184 0,0415 n.a. 0,0015 1,2636 1,2759
financieros e
RW -0,0076 0,2676 n.a. 0,0301 n.a. n.a. 1,1057 1,1106
Inmobiliarios
RC -0,0148 0,2708 n.a. 0,0174 1,1941 *** n.a. 1,1364 1,1438
Het
MR -0,0112 0,2609 n.a. 0,0005 1,1800 *** 0,9856 *** 1,0877 1,0976
RWMR -0,0088 0,2571 0,0198 0,0098 n.a. 0,0000 1,1004 1,1103
RW -0,0049 0,5908 n.a. 0,1761 n.a. n.a. 2,3865 2,3939
RC -0,0280 * 0,4513 n.a. 0,2003 1,1128 *** n.a. 2,4478 2,4576
Hom
MR -0,0063 0,5775 n.a. 0,0038 1,1158 *** 0,9847 *** 2,3770 2,3893
Tecnología y RWMR -0,0174 0,4582 0,0472 0,0887 n.a. 0,0000 2,3239 2,3362
telecomunicaciones RW -0,0337 ** 0,6561 n.a. 0,0789 n.a. n.a. 2,1558 2,1607
RC -0,0393 ** 0,8310 n.a. 0,0644 1,0976 *** n.a. 2,3197 2,3271
Het
MR -0,0351 ** 0,6612 n.a. 0,0010 1,1223 *** 0,9958 *** 2,1472 2,1571
RWMR -0,0354 ***
0,6509 0,0591 0,0175 n.a. 0,0000 2,1499 2,1598
*** ** *
Significativo al 1%; Significativo al 5%; Significativo al 1%. La tabla refleja los parámetros estimados por los modelos propuestos bajo
las dos ecuaciones de estado [4] y [8]. La segunda columna indica la hipótesis que se ejerce sobre el término de error de las ecuaciones de obser-
vación o rentabilidad idiosincrática «εi,t» (homocedásticos – «HOM» o heterocedásticos – «HET») de las diferentes carteras sectoriales. La tercera
columna indica el modelo considerado (RW, RC, MR o RWMR). La cuarta columna refleja la estimación de la rentabilidad anormal de la cartera
sectorial i sobre la rentabilidad de la cartera de mercado. Las siguientes tres columnas (5 a 7) muestran los estimadores máximo-verosímiles de
las varianzas de los términos de error de las ecuaciones de observación y de estado. La varianza de los errores de las ecuaciones de observación
(σε,i2 ) para los modelos heterocedásticos se corresponde con la varianza incondicional de εi,t. Las columnas 8 y 9 reflejan las estimaciones de los
—
restantes valores del vector de hiperparámetros (β i y φi). Finalmente, las dos columnas restantes muestran los niveles de ajuste de los modelos a
través de los criterios AIC y BIC. Los valores «n.a.» representan coeficientes no aplicables para los diferentes modelos considerados. En negrita
se señalan los modelos con mejores niveles de ajuste respecto a los criterios AIC y BIC.
En función de los valores adoptados por los criterios AIC y BIC para los modelos implí-
citos en las dos ecuaciones de estado, así como en la significatividad de los parámetros
—
β i y φi, puede clasificarse el comportamiento dinámico de las betas de las carteras secto-
riales bajo un cuádruple patrón de comportamiento. En primer lugar se sitúa la cartera
referente a «bienes de consumo», cuya beta se ajusta en mayor medida a un proceso de
coeficiente aleatorio. En este sentido llama la atención el hecho de que la beta de este
sector no se vea afectada de forma significativa por efectos de carácter transitorio, como
en un principio podría pensarse. Este aspecto podría ser ocasionado por la existencia de
un efecto compensatorio como consecuencia de las oscilaciones del coeficiente de riesgo
beta de las diferentes industrias comprendidas en esta cartera sectorial. En segundo
lugar, la beta de la cartera referente a «materiales básicos, industria y construcción»
parece seguir un proceso estocástico dinámico explicado conjuntamente por el compo-
nente permanente y transitorio (RWMR). Si bien, la no significatividad del coeficiente φi
en el modelo RWMR indica la prevalencia del componente permanente para explicar el
comportamiento dinámico de la beta en este sector. Así, se pone de manifiesto el hecho
de que los shocks transitorios en el mercado afectan muy levemente al riesgo sistemá-
tico de esta cartera. Así, la figura I que muestra las diferentes estimaciones puntuales y
por intervalos (al 95% de confianza) de las betas de las carteras sectoriales analizadas
para los modelos con mayor nivel de ajuste, indica que la tendencia de la beta asociada
a esta cartera es creciente desde el inicio del periodo temporal considerado (2 de enero
de 2001) y decrece a partir de la aparición de la crisis financiera (hacia la mitad del año
2008), que se extiende hasta la actualidad. La tendencia alcista y bajista en la beta de
este sector se explica por la previa expansión / contracción de las empresas constructo-
ras, que dio lugar a la obtención de una rentabilidad creciente / decreciente y, de forma
inherente se le asociaran altos / bajos niveles de riesgo.
TABLA V
BONDAD DE AJUSTE DE LOS INTERVALOS PREDICTIVOS
Cartera sectorial εi,t Modelo COV CC IND UC LOSS

RMCO (90,1) 97,5089 <0,001 0.5873 <0,001 28.144,6444
RMCO (90,10) 97,3661 <0,001 0,0216 <0,001 28.435,8900
RMCO (90,30) 97,3874 <0,001 <0,001 <0,001 29.529,6530
Hom RW 97,7200 <0,001 0,0368 <0,001 30.363,2400
Bienes de RC 97,7700 <0,001 0,1825 <0,001 29.350,2200
consumo MR 97,6400 <0,001 0,1825 <0,001 29.386,9900
RWMR 97,6400 <0,001 0,0477 <0,001 29.382,1100
RW 98,0200 <0,001 0,1733 <0,001 27.538,1100
RC 98,8800 0,6395 0,4436 0,5796 27.772,6400
Het
MR 98,8800 0,6395 0,4436 0,5796 27.752,0800
RWMR 98,7500 0,3600 0,3925 0,2520 27.931,7600
RMCO (90,1) 98,0872 <0,001 0,0552 <0,001 20.592,1108
RMCO (90,10) 97,7678 <0,001 0,0049 <0,001 20.624,4604
RMCO (90,30) 97,5675 <0,001 <0,001 <0,001 21.356,4217
Hom RW 97,6800 <0,001 <0,001 <0,001 23.130,4700
Materiales bási- RC 98,1100 <0,001 0,2587 <0,001 22.077,2200
cos, industria y MR 97,6000 <0,001 <0,001 <0,001 22.339,5500
construcción RWMR 98,0700 <0,001 0,2798 <0,001 21.070,9600
RW 98,58 0,0379 0,0873 0,0571 19.742,5300
RC 98,97 0,7625 0,4705 0,8830 20.494,6000
Het
MR 98,58 0,0379 0,0873 0,0571 19.517,1100
RWMR 99,01 0,0651 0,0195 0,9517 19.363,7700
RMCO (90,1) 97,1530 <0,001 <0,001 <0,001 20.033,1513
RMCO (90,10) 96,7411 <0,001 <0,001 <0,001 21.193,6937
RMCO (90,30) 96,4865 <0,001 <0,001 <0,001 22.558,0648
Hom RW 97,3800 <0,001 <0,001 <0,001 21.793,1000
RC 97,5500 <0,001 <0,001 <0,001 21.706,9700
Petróleo y
MR 97,5500 <0,001 <0,001 <0,001 21.592,9000
energía
RWMR 97,5100 <0,001 <0,001 <0,001 21.276,7100
RW 98,4100 0,0274 0,5971 0,0085 18.492,3400
RC 98,7500 0,3456 0,3673 0,2520 18.994,0600
Het
MR 98,5800 0,1273 0,4790 0,0571 18.279,8200
RWMR 98,4100 0,0274 0,5971 0,0085 18.445,3200
TABLE V (CONT.)
BONDAD DE AJUSTE DE LOS INTERVALOS PREDICTIVOS
RMCO (90,1) 97,8202 <0,001 0,0040 <0,001 19.446,3880
RMCO (90,10) 97,5893 <0,001 0,0017 <0,001 20.081,6385
RMCO (90,30) 97,2523 <0,001 0,0012 <0,001 21.264,6099
Hom RW 97,6000 <0,001 <0,001 <0,001 22.004,1500
RC 97,6800 <0,001 0,0014 <0,001 20.531,9800
Servicios de
MR 97,7200 <0,001 <0,001 <0,001 20.531,2200
consumo
RWMR 97,5500 <0,001 <0,001 <0,001 20.540,6700
RW 98,5000 0,0440 0,2945 0,0232 18.939,8200
RC 98,7500 0,0782 0,0517 0,2520 18.603,4500
Het
MR 98,4100 0,0104 0,1366 0,0085 18.703,9100
RWMR 98,6700 0,2253 0,4220 0,1265 18.807,6000
RMCO (90,1) 97,5089 <0,001 <0,001 <0,001 13.367,1369
RMCO (90,10) 97,4107 <0,001 <0,001 <0,001 14.192,2366
RMCO (90,30) 97,0720 <0,001 <0,001 <0,001 14.520,7471
Hom RW 97,0400 <0,001 <0,001 <0,001 16.051,3300
Servicios finan- RC 97,5500 <0,001 <0,001 <0,001 15.329,3700
cieros e MR 97,5100 <0,001 <0,001 <0,001 15.003,7400
Inmobiliarios RWMR 97,6000 <0,001 <0,001 <0,001 14.657,0000
RW 98,3700 0,0171 0,6115 0,0050 12.852,1000
RC 98,6700 0,2253 0,4220 0,1265 13.364,4900
Het
MR 98,6700 0,2253 0,4220 0,1265 12.771,7000
RWMR 98,4500 0,0416 0,5521 0,0143 12.914,9300
RMCO (90,1) 97,6423 <0,001 <0,001 <0,001 25.834,2822
RMCO (90,10) 97,2768 <0,001 <0,001 <0,001 27.038,1144
RMCO (90,30) 96,7567 <0,001 <0,001 <0,001 27.623,2734
Hom RW 97,6800 <0,001 <0,001 <0,001 28.768,5200
Tecnología y RC 97,8100 <0,001 <0,001 <0,001 28.132,3700
Telecomunica- MR 97,7700 <0,001 <0,001 <0,001 28.611,7900
ciones RWMR 97,9000 <0,001 <0,001 <0,001 27.475,1200
RW 98,3300 0,0045 0,1667 0,0029 23.514,4100
RC 98,6300 0,0074 0,0088 0,0861 25.455,6200
Het
MR 98,3700 0,0069 0,1512 0,0050 23.572,2600
RWMR 98,3300 0,0045 0,1667 0,0029 23.539,1000
La variable COV indica el grado de cubrimiento empírico a un paso de los intervalos predictivos asociados a cada modelo descrito
(para un nivel de confianza igual a 99%). Así mismo, CC, IND y UC se refiere a los p-valores asociados al contraste de la hipótesis
nula de cubrimiento condicional, independencia y cubrimiento incondicional. Finalmente, la variable LOSS recoge el valor de la
pérdida de cada modelo introducido por Gneiting y Raftery (2007) apareciendo señalados en negrita los modelos con menor
pérdida.
En tercer lugar se sitúan las betas de las carteras referentes a «servicios de consumo»,
«petróleo y energía» y «servicios financieros e inmobiliarios», que siguen un proceso
dinámico que revierten hacia sus valores medios (ver figura I), ya que su componente
transitorio predomina sobre el permanente. Adicionalmente, se aprecian unas altas per-
sistencias en los procesos de reversión (φi = 0,9087; 0,9806 y 0,9856 respectivamente).
Estas consideraciones concuerdan con la lógica económica, ya que industrias pertene-
FIGURA I
REPRESENTACIÓN GRÁFICA DE LA ESTIMACIÓN PARAMÉTRICA Y POR INTERVALOS DE LAS BETAS
ASOCIADAS A LAS CARTERAS SECTORIALES PARA LOS MODELOS CON MEJOR NIVEL DE AJUSTE
2.0
Bienes de consumo 2.0 Materiales básicos, industria y construcción
1.5
1.6
1.0 1.2
0.5 0.8
0.4
0.0
0.0
-0.5
1/02 1/03 1/04 1/05 1/06 1/07 1/08 1/09 1/02 1/03 1/04 1/05 1/06 1/07 1/08 1/09
EI b RC(het) EP b RC(het) EP b MCO EI b RWMR(het) EP b RWMR(het) EP b MCO
Petróleo y energía 1.6 Servicios de consumo

1.6
1.2 1.2
0.8 0.8
0.4 0.4
0.0 0.0
1/02 1/03 1/04 1/05 1/06 1/07 1/08 1/09 1/02 1/03 1/04 1/05 1/06 1/07 1/08 1/09
EI b MR(het) EP b MR(het) EP b MCO EI b MR(het) EP b MR(het) EP b MCO
2.5
1.8 Servicios financieros e inmobiliarios Tecnología y telecomunicaciones
2.0
1.6
1.4 1.5
1.2
1.0
1.0
0.5
0.8
0.6 0.0
1/02 1/03 1/04 1/05 1/06 1/07 1/08 1/09 1/02 1/03 1/04 1/05 1/06 1/07 1/08 1/09
EI b MR(het) EP b MR(het) EP b MCO EI b MR(het) EP b MR(het) EP b MCO
La figura muestra la representación gráfica de la estimación puntual y por intervalos de las betas dinámicas para las seis carteras
sectoriales consideradas y para los modelos con un mayor nivel de ajuste. Las líneas azules representan la estimación puntual
(EP) de las diferentes betas. Las líneas rojas discontinuas representan la estimación por intervalos (EI) de las betas. Las líneas
negras continuas representan el valor de la beta igual a 1, la cual nos da una medida idéntica del riesgo sistemático experimentada
por las diferentes carteras sectoriales y el IGBM. Finalmente, las líneas negras discontinuas representan la estimación puntual
(EP) de la beta mediante el tradicional modelo de mercado [1] a través de MCO.
cientes a estos sectores como por ejemplo la automovilística, ocio, turismo y hostelería,
comprendidas en la cartera de servicios de consumo, son por naturaleza más sensibles
a los efectos transitorios acontecidos en el mercado. Así mismo, el sector petrolero y
energía es «per se» de naturaleza coyuntural, ya que comprende industrias como la
producción de combustibles y transporte, entre otras. Por otra parte, parece evidente
que, de forma general, el sector financiero es el más sensible a los efectos transitorios,
debido en gran medida a cambios en los tipos de interés y tipos de cambio entre otros
parámetros macro y microeconómicos. Finalmente, si se enfoca la atención en la beta
de la cartera referente «tecnología y telecomunicaciones», el modelo con mejor ajuste
es el que revierte a su media (MR). Si bien, el coeficiente φi (significativo al 99%) alcanza
una persistencia extrema (0,9958), esto es, que no es significativamente distinto al valor
1, lo que indica que no existen diferencias (8) significativas entre el citado modelo (MR) y
el modelo de camino aleatorio (RW) para explicar la dinámica de la beta asociada a esta
cartera. Estos aspectos concuerdan con la idea de que la dinámica de la beta de esta car-
tera (bajista durante todo el periodo muestral) se ve altamente afectada por los shocks
tecnológicos de carácter permanente que aparecen en el sector.
Adicionalmente, tal y como se muestra en la tabla V, los modelos espacio-estado que
presentan un mayor nivel de ajuste (heterocedásticos), ofrecen mejores niveles de cubri-
miento empírico (para un nivel de confianza del 99%), superando siempre al obtenido
por los modelos de mercado estimados mediante ventanas móviles (con independencia
de su frecuencia de solapamiento). Así mismo, los modelos heterocedásticos selecciona-
dos, en general, no rechazan las hipótesis nulas de cubrimiento condicional e incondi-
cional, así como de independencia. Por otro lado, se aprecia que los modelos de merca-
do estimados mediante ventanas móviles rechazan siempre la hipótesis de cubrimiento
condicional e incondicional. Así mismo, la hipótesis de independencia se rechaza para
cuatro de las seis carteras sectoriales analizadas (al 99%). El valor de la pérdida (LOSS)
tiende a alcanzar sus valores más bajos en los modelos espacio-estado heterocedásticos
con mejores niveles de ajuste a los datos. Del mismo modo, los modelos de mercado es-
timados mediante ventanas móviles presentan siempre mayores niveles de pérdida que
el mejor modelo heterocedástico en términos predictivos para cada una de las carteras
sectoriales. Todos estos aspectos ponen de manifiesto la mayor capacidad de los modelos
espacio-estado heterocedásticos para describir el comportamiento dinámico del coefi-
ciente beta de cada cartera sectorial (en detrimento de los modelos de mercado estima-
dos mediante ventanas móviles).
Adicionalmente, se analiza si la incorporación de los diferentes procesos estocásticos
dinámicos en la estimación de las betas de las diferentes carteras sectoriales redunda
en un mejor ajuste en la relación rendimiento esperado-beta. Para ello, se contrasta la
validez del modelo CAPM (Sharpe, 1964; Lintner, 1965) para explicar los rendimientos
de las carteras consideradas. El citado modelo indica que la rentabilidad esperada de las
diferentes carteras sectoriales es una función de su coeficiente de riesgo beta (conside-
(8) Debe tenerse en cuenta que bajo la especificación de la primera ecuación de estado [4], si |φi| ≈ 1, el coeficiente βi,t
estará en función del valor adoptado por βi,t-1.
rando este factor como única medida de riesgo) y vendrá determinada por la siguiente
expresión:
E(ri,) = r0 + βi,(E (rm) - r0 ) (17)
donde E (ri) representa el valor esperado o esperanza matemática de la rentabilidad de

la cartera sectorial i; r0 hace referencia a la tasa de interés libre de riesgo; E (rm) es el
valor esperado o esperanza matemática de la rentabilidad de la cartera de mercado y; βi
representa el riesgo sistemático de la cartera sectorial i. Como se aprecia, la expresión
(17) representa un modelo de expectativas, lo que implica acudir a la hipótesis de ex-
pectativas racionales con el objetivo de contrastar el modelo en base a datos del pasado
(Gómez-Bezares et al., 1995). Para el contraste del modelo CAPM se parte de la estima-
ción de la regresión lineal multivariante del modelo de mercado propuesta por Gibbons
et al. (1989). Así mismo, se hace uso de las series de betas dinámicas estimadas por los
modelos espacio-estado heterocedásticos con mejores niveles de ajuste y por los modelos
estimados mediante MCO y ventanas móviles de amplitud noventa días con solapamiento
de un día (9) para las distintas carteras sectoriales consideradas. La tabla VI muestra los
parámetros estimados para el modelo de mercado multivariante (Gibbons et al., 1989).
Para la aceptación o rechazo del modelo CAPM se deberá evaluar la siguiente hipótesis
nula: HO: αi = 0 ⩝i = 1, …, N. En definitiva, se rechazarán los principios establecidos por
el modelo CAPM si las alfas (αi) asociadas a las carteras sectoriales son, de forma conjun-
ta, significativamente distintas de cero (10). Para ello se calcula el estadístico Wn aplicado
al mercado español por Rubio (1986) y detallado en Gibbons et al. (1989), que sigue una
distribución F de N y T-N-1 grados de libertad, ya que surge de una distribución Hotelling
T2 con N y T-2 grados de libertad. Así mismo, la Tabla VI muestra el valor adoptado por
los criterios de selección de modelos AIC y BIC introducidos por las expresiones (13) y (14)
respectivamente para cada ecuación derivada de la regresión lineal multivariante del mo-
delo de mercado (Gibbons et al., 1989). El cálculo de estos valores permitirá identificar los
procesos estocásticos dinámicos de los coeficientes de riesgo beta (los estimados por los
modelos espacio-estado heterocedásticos con mejores niveles de ajuste y por los modelos
MCO mediante ventanas móviles de amplitud noventa días con solapamiento de un día)
que explican con mayor eficiencia los rendimientos en exceso de cada cartera sectorial.
A la vista de los resultados mostrado en la Tabla VI, puede concluirse que las hipótesis del
modelo CAPM no se rechazan para este mercado, independientemente del proceso esto-
cástico dinámico del coeficiente de riesgo beta para cada cartera sectorial considerado.
Este aspecto se deriva de la aceptación de la hipótesis de no significatividad conjunta de
las alfas estimadas (αi = 0 ⩝i = 1, …, N).
(9) Se considera esta frecuencia de solapamiento (un día), en detrimento de la de diez y treinta días, ya que se obtiene un
mejor nivel de ajuste tal y como se muestra en la tabla 5.
(10) Este procedimiento resulta mas adecuado que el empleado por Black et al. (1972), quienes validan el modelo CAPM
a través de contrastes de significatividad individual de los coeficientes αi.
TABLA VI
VALIDACIÓN DEL MODELO CAPM
Estimación Modelo αi AIC BIC

0,0229
RC(Het) 3,0122 3,0165
(0,0190)
Bienes de consumo
0,0133
RMCO (90,1) 3,0239 3,0266
(0,0172)
0,0231
RWMR(Het) 3,4401 3,4445
Materiales básicos, (0,0169)
industria y construcción 0,0256
RMCO (90,1) 3,4523 3,4543
(0,0211)
-0,0087
MR(Het) 3,2354 3,2365
(0,0146)
Petróleo y energía
-0,0092
RMCO (90,1) 3,2412 3,2433
(0,0134)
-0,0018
MR(Het) 3,2442 3,2512
(0,0151)
Servicios de consumo
-0,0146
RMCO (90,1) 3,2545 3,2677
(0,0177)
-0,0088
MR(Het) 3,2349 3,2494
Servicios financieros e (0,0112)
Inmobiliarios -0,0091
RMCO (90,1) 3,2661 3,2723
(0,0233)
-0,0118
MR(Het) 3,6378 3,6399
Tecnología y (0,0196)
Telecomunicaciones -0,0136
RMCO (90,1) 3,6411 3,6471
(0,0199)
Contraste Hipótesis Estadístico (Wu) Distribución P-valor

Betas espacio-estado (Het) 0,5934 F (6, 2241) 0,7359
αi = 0 ⩝i = 1, …, N
Betas RMCO (90,1) 0,5276 F (6, 2241) 0,7877
***
Significativo al 1%; ** Significativo al 5%; * Significativo al 1%. La tabla muestra la validación del modelo CAPM para
las carteras consideradas. Para ello se introduce la hipótesis de expectativas racionales y se hace uso de las series de betas
dinámicas estimadas por los modelos espacio-estado heterocedásticos con un mayor nivel de ajuste y los modelos MCO
estimados mediante ventanas móviles de amplitud noventa días y con solapamiento de un día. Los valores entre paréntesis
se corresponden con los errores estándar de la estimación de los diferentes coeficientes αi para cada cartera sectorial.
Aunque la evidencia empírica previa tanto en el ámbito internacional como nacional

muestran resultados distintos, este hecho puede ser debido a que en el presente trabajo
se considera que los rendimientos de las carteras sectoriales vienen determinados úni-
camente por los cambios sistemáticos de la rentabilidad del benchmark considerado. Así,
la no consideración de factores de riesgo como por ejemplo la diferencia entre el retorno
de una cartera de pequeñas acciones y el retorno de una cartera de acciones grandes
(SMB – small minus big) o la diferencia entre el retorno de una cartera con acciones de
alto patrimonio contable a patrimonio bursátil y el retorno de una cartera con acciones
de bajo patrimonio contable a patrimonio bursátil (HML – high minus low) propuestos
por Fama y French (1993), o el efecto momentum identificado por Carhart (1997) podría
ser la causa de la obtención de este resultado. Así mismo, los diferentes contrastes de sig-
nificatividad individual de cada alfa (t-tests que se obtienen mediante el cociente entre la
estimación puntual de las diferentes alfas y su error estándar asociado, datos reflejados
en la tabla VI) indican que no son significativamente distintas de cero. Por otra parte, los
valores adoptados por los criterios de selección de modelos AIC y BIC respectivamente
para cada ecuación derivada de la regresión lineal multivariante del modelo de mercado
(Gibbons et al., 1989) indican que utilizando las series temporales de betas dinámicas es-
timadas por los modelos espacio-estado con errores condicionalmente heterocedásticos
se consigue explicar mas eficientemente los retornos en exceso de cada cartera sectorial.
Este aspecto vuelve a poner de manifiesto las ventajas de la aplicación de los modelos de
mercado espacio-estado heterocedásticos propuestos en el presente trabajo para descri-
bir la dinámica del riesgo sistemático de las carteras sectoriales en el mercado español.
6. CONCLUSIONES
El presente trabajo examina el comportamiento dinámico de las betas asociadas a las
diferentes carteras sectoriales existentes en el mercado de valores español. Para ello
se propone una extensión flexible del modelo de mercado en su especificación espacio-
estado, que permite capturar las componentes a corto y largo plazo presentes en la
evolución dinámica de los coeficientes de riesgo beta. Adicionalmente, se considera la
posibilidad de que los errores de las ecuaciones de observación sean de carácter condi-
cionalmente heterocedásticos, hipótesis más realista dada la alta frecuencia de obser-
vación (diaria) de los datos analizados. Los principales resultados evidencian una menor
eficiencia del tradicional modelo de mercado para explicar el riesgo sistemático de las
carteras sectoriales en este mercado, ya que las betas de las carteras analizadas son
de carácter dinámico y se guían por una combinación de procesos no estacionarios tipo
paseo (efecto permanente o a largo plazo) y procesos de reversión hacia la beta media
(efecto transitorio o a corto plazo). Así mismo, se pone de manifiesto la mayor habili-
dad de los modelos espacio-estado (tanto con errores de observación homocedásticos
como heterocedásticos) para capturar el comportamiento de las betas de las carteras
sectoriales analizadas, mostrando además la existencia de diferencias en el proceso
estocástico seguido por las mismas. Si bien es necesario indicar que los modelos de mer-
cado dinámicos estimados por MCO mediante ventanas móviles presentan, con carácter
general, mejores niveles de ajuste que los modelos espacio-estado homocedásticos. De
este modo, este mecanismo de estimación de betas dinámicas (modelos espacio-estado
con errores de observación homocedásticos), que exige imponer restricciones en la mo-
delización de su estructura estocástica, provee peores resultados que los modelos de
beta dinámica de libre modelización (modelos de mercado estimado mediante MCO a
través de ventanas móviles).
Los modelos con mejores niveles de ajuste a los datos y mejor comportamiento predictivo
son los modelos espacio-estado con errores de observación condicionalmente heteroce-
dásticos que proporcionan, en general, estimaciones puntuales y por intervalos de las
betas menos erráticas y mas precisas debido a la mayor leptocurtosis de la distribución
de los errores de observación que debilita la influencia ejercida por observaciones atí-
picas en la estimación de los coeficientes beta dinámicos, lo cual redunda en un mejor
ajuste en la relación rendimiento esperado-beta de cada cartera sectorial. Sin embargo,
los resultados obtenidos en el presente trabajo están subordinados al supuesto de que el

rendimiento de mercado es el único factor que determina los cambios sistemáticos en el
rendimiento de las carteras sectoriales negociadas. Otras especificaciones alternativas o
la consideración de factores adicionales podrían alterar los resultados de forma signifi-
cativa, todo lo cual será objeto de investigación en futuros trabajos.
Los resultados de este trabajo pueden resultar de gran interés para gestores de carteras
de inversión y de fondos de inversión y pensiones sectoriales. Así, a través de la evidencia
empírica obtenida, estos gestores podrían establecer o modificar estrategias de inversión
ajustando los niveles de riesgo de sus carteras de forma mas precisa. Adicionalmente,
los resultados obtenidos podrían tener un gran impacto sobre los modelos de valoración
de títulos o medidas para evaluar la rentabilidad de diferentes inversiones, como por
ejemplo el Cash-Flow Descontado (CFD). Bajo el citado modelo, la tasa de descuento es el
parámetro clave para calcular la tasa de rentabilidad de un título de renta variable. Dada
la dificultad del cálculo de la tasa de descuento para un título en particular, la práctica
más común es reemplazar este parámetro por la beta de la cartera sectorial apropiada.
Así, los modelos propuestos en la presente investigación permitirían obtener valoracio-
nes de títulos mas precisas en el mercado español. Otra de las implicaciones del trabajo
se relaciona con los procesos de cálculo del coste de capital de industrias específicas en
este mercado. El presente trabajo aporta modelos de beta dinámica que superan en tér-
minos de ajuste al tradicional modelo de mercado, de modo que se pueden emplear estas
técnicas para estimar de forma más precisa el coste de capital de diferentes industrias.
Adicionalmente, el trabajo presenta también implicaciones para la labor ejercida por
los analistas financieros. En la medida que estos realizan predicciones sobre el estado
futuro de diferentes magnitudes macroeconómicas, es común determinar el impacto que
la predicción de estas magnitudes tiene sobre los diferentes sectores económicos. Para
tal labor, se podrían aplicar los modelos de beta dinámica mas eficientes identificados en
este trabajo para cada sector específico. Así mismo, los modelos aplicados pueden ser de
utilidad para el cálculo del Valor en Riesgo (VAR) de carteras de inversión en el mercado
español (Baixauli-Soler et al., 2010; González y Nave, 2010).
Aunque los resultados obtenidos evidencian la superioridad de los modelos de mercado
espacio-estado con errores de observación condicionalmente heterocedásticos para esti-
mar la dinámica de las betas de las carteras sectoriales del mercado español, dichos mo-
delos deben ser empleados con mucha cautela en la práctica, sobre todo cuando se llevan
a cabo gestiones activas de carteras o fondos de inversión o pensiones. El modelo ofrece
estimaciones recursivas diarias de la beta de las diferentes carteras sectoriales. Si los
gestores desean ajustar los niveles de riesgo de los productos financieros mencionados,
deben tener en cuenta los costes de transacción implícitos en estos procesos de compra-
venta de títulos. Por lo tanto deben evaluar los posibles costes y beneficios a obtener con
estos procesos de ajuste de carteras de inversión.
Así mismo, se abren interesantes posibilidades de investigación futuras como el análisis
del comportamiento estocástico dinámico experimentado por las betas de las diferen-
tes industrias específicas comprendidas en cada cartera sectorial. Este análisis podría
contribuir a comprender, en mayor medida, la dinámica de las betas de las carteras
sectoriales consideradas en el presente trabajo. Otra interesante línea de trabajo podría

consistir en evaluar el impacto que tiene el posible efecto de caída en la volatilidad de
los mercados financieros durante los fines de semana, festivos, así como el resto de días
en los que los mercados permanecen cerrados (Engle et al., 1993) sobre la dinámica del
riesgo sistemático soportado por las diferentes carteras sectoriales del mercado español.
Para el análisis del citado efecto se podría partir de las especificaciones econométricas
propuestas en la presente investigación.
REFERENCIAS
Adrian, T., y Franzoni, F. 2009. Learning about beta: Time-varying factor loadings, expected returns,
and the conditional CAPM. Journal of Empirical Finance 16(4): 537-556.
Baixauli-Soler, J. S.; Alfaro-Cid, E., y Fernández, M. O. 2010. ¿Está justificado el uso de varias
medidas de riesgo en la selección de carteras? Revista Española de Financiación y Contabilidad
147, vol. XXXIX: 421-444.
Benson, K.; Faff, R., y Nowland, J. 2007. Do derivatives have a role in the risk shifting behaviour of
fund managers? Australian Journal of Management 32(2): 271-292.
Berges, A. 1984. El mercado de capitales español en un contexto internacional. Ministerio de Eco-
nomía y Hacienda, Madrid.
Black, A.; Fraser, P., y Power, D. 1992. UK Unit Trust Performance 1980-1989: A Passive Time-
Varying Approach. Journal of Banking and Finance 16(5): 1.015-1.033.
Black, F.; Jensen, M. C., y Scholes, M. 1972. The capital asset pricing model: some empirical tests. En
M.C. Jensen (eds.), Studies in the theory of capital markets 79-121. Nueva York: Praeger.
Blume, M. 1971. On the assessment of risk. Journal of Finance 26 (1): 1-10.
Bollerslev, T.; Chou, R. Y., y Kroner, K. F. 1992. ARCH modelling in finance: a review of the theory
and empirical evidence. Journal of Econometrics 52(1-2): 5-59.
Bos, T., y Newbold, P. 1984. An empirical investigation of the possibility of stochastic systematic risk
in the market model. Journal of Business 57(1): 35-41.
Brooks, R. D.; Faff, R. W., y Lee, J. H. 1992. The form of time variation of systematic risk: some Aus-
tralian evidence. Applied Financial Economics 2(4): 191-198.
Brooks R. D.; Faff, R. W., y McKenzie, M. D. 1998. Time-varying beta risk of Australian industry port-
folios: A comparison of modelling techniques. Australian Journal of Management 23(1): 1-22.
Burlacu, R., y Fontaine, P. 2002. The active management of sector funds in Europe and United
States. Working paper, Universidad Pierre Mendès. Disponible en www.inquire-europe.org/project
/under_development/barclacufontaine.doc [consultado el 13 de diciembre de 2011].
Burlacu, R., y Fontaine, P. 2003. Sector funds performance and degree of industry specialisation.
Working paper, Universidad Pierre Mendès. France.
Carhart, M. 1997. On persistence in mutual fund performance. Journal of Finance 52(1): 57-82.
Christoffersen, P. F. 1998. Evaluating interval forecasts. International Economic Review 39(4):
841-862.
Collins, D.; Ledolter, J., y Rayburn, J. 1987. Some further evidence on the stochastic properties of
systematic risk. Journal of Business 60 (3): 425-448.
Engle, R. F. 1982. Autoregressive conditional heteroskedasticity with estimates of the variance of
U.K. Inflation. Econometrica 50(4): 987-1.007.
Engle, R. F.; Kane, A., y Noh, J. 1993. Index-option pricing with stochastic volatility and the value of
accurate variance forecasts. Review of Derivates Research 1(2): 139-157.
Fabozzi, F., y Francis, J. 1978. Beta as a random coefficient. Journal of Financial and Quantitative
Analysis 13(1): 101-116.
Faff, R. W., y Brooks, R. D. 1998. Time-varying beta risk for Australian industry portfolios: an ex-
ploratory analysis. Journal of Business Finance and Accounting 25(5-6): 721-745.
Faff, R. W.; Hillier, D., y Hillier, J. 2000. Time varying beta risk: An analysis of alternative modelling
techniques. Journal of Business Finance and Accounting 27(5-6): 523-554.
Faff, R.W. Lee, J.H. y Fry, T.R.L. 1992. Time stationarity of systematic risk: Some Australian evidence.
Journal of Business Finance and Accounting 19 (2): 253-270.
Fama, E. F., y French, K. R. 1993. Common risk factors in the returns on stocks and bonds. Journal
of Financial Economics 33(1): 3-56.
— 1997. Industry costs of equity. Journal of Financial Economics 43(2), 153-193.
Ferson, W., y Harvey, C. 1991. The variation of economic risk premiums. Journal of Political Econo-
my 99(2): 385-415.
— 1993. The risk of predictability of international equity returns. Review of Financial Studies 6(3):
527-566.
Gallego, A.; Gómez, J., y Marhuenda, J. 1992. Evidencias empíricas del CAPM en el mercado español
de capitales. Working paper, Instituto Valenciano de Investigaciones Económicas.
Gibbons, M. R.; Ross, S. A., y Shanken, J. 1989. A test of the efficiency of a given portfolio. Economet-
rica 57(5): 1.121-1.152.
Gneiting, T., y Raftery, A. E. 2007. Strictly Proper Scoring Rules, Prediction and Estimation. Journal
of the American Statistical Association 102(477): 359-378.
Gómez-Bezares, F.; Madariaga, J. A., y Santibáñez, J. 1995. El CAMP: Metodologías de contraste.
Boletín de Estudios Económicos 156(50): 557-582.
González, M., y Nave, J. M. 2010. Eficiencia de las técnicas de medición del riesgo de mercado ante
situaciones de crisis. Revista Española de Financiación y Contabilidad 145, vol. XXXIX: 41-64.
Groenewold, N., y Fraser, P. 1999. Time-varying estimates of CAPM betas. Mathematics and Com-
puters in Simulation 48(4-6): 531-539.
Harvey, A. C. 1990. Forecasting structural time series models and the kalman filter. Cambridge:
Cambridge University Press.
Harvey, C. R. 1989. Time-varying conditional covariance in tests of asset pricing models. Journal of
Financial Economics 24 (2): 289-317.
Holmes, K. A., y Faff, R. W. 2004. Stability, asymmetry and seasonality of fund performance: an
analysis of Australian multi-sector managed funds. Journal of Business Finance and Accounting
31(3-4): 539-578.
Holmes, K. A., y Faff, R. W. 2008. Estimating the performance attributes of Australian multi-sector
managed funds within a dynamic Kalman Filter framework. International Review of Financial Anal-
ysis 17(5): 998-1.011.
Jostova, G., y Philipov, A. 2005. Bayesian analysis of stochastic betas. Journal of Financial and
Quantitative Analysis 40(4): 747-778.
Kaushik, A.; Pennathur, A., y Barnhart, S. 2010. Market timing and the determinants of performance
of sector funds over the business cycle. Managerial Finance 36(7): 583-602.
Lee, C., y Rahman, S. 1990. Market timing, selectivity, and mutual fund performance: An empirical
investigation. Journal of Business 63(2): 261-278.
Li, X. 2003. On unstable beta risk and its modelling tech-niques for New Zealand industry portfo-
lios. Working Paper 03.01, Massey University Commerce, Auckland, New Zealand. Disponible en
http://ssrn.com/abstract=503722 [consultado el 13 de diciembre de 2011].
Lie, F.; Brooks, R., y Faff, R. 2000. Modelling the equity beta risk of Australian financial sector com-
panies. Australian Economic Papers 39(3): 301-311.
Lintner, J. 1965. The valuation of risk assets and selection of risky investments in stock portfolios
and capital budgets. Review of Economics and Statistics 47(1): 13-37.
Mamaysky, H.; Spiegel, M., y Zhang, H. 2007. Improved forecasting of mutual fund alphas and betas.
Review of Finance 11(3): 359-400.
Mamaysky, H.; Spiegel, M., y Zhang, H. 2008. Estimating the dynamics of mutual fund alphas and
betas. The Review of Financial Studies 21(1): 233-264.
Marín, J. M., y Rubio, G. 2001. Economía Financiera. Barcelona: Bosch.
McKenzie, M. D.; Brooks, R. D., y Faff, R. W. 2000. The use of domestic and world market indexes
in the estimation of time-varying betas. Journal of Multinational Financial Management 10(1):
91-106.
McLeod, A. I.; y Li, W. K. 1983. Diagnostic checking ARMA time series models using squared-residual
autocorrelations. Journal of Time Series Analysis 4(4): 269-273.
Mergner, S., y Bulla, J. 2005. Time-varying beta risk of Pan-European industry portfolios: A com-
parison of alternative modeling techniques, ECON working paper archive.
Miralles-Marcelo, J. L.; Miralles, M. M., y Miralles, J. L. 2009. Estimación de la dinámica del
coeficiente beta en el mercado bursátil español. Revista Española de Financiación y Contabilidad
143, vol. XXXVIII: 449-478.
Moonis, S. A., y Shah, A. 2003. Testing for time-variation in beta in India. Journal of Emerging Market
Finance 2(2): 163-180.
Nieto, B., y Rubio, G. 2002. El modelo de valoración con cartera de mercado: una nueva especifica-
ción del coeficiente beta. Revista Española de Financiación y Contabilidad 113, vol. XXXI: 697-723.
Ohlson, J., y Rosenberg, B. 1982. Systematic risk of crsp equal weighted common stock: A history
estimated by stochastic parameter-regression. Journal of Business 55(1): 121-145.
Palacios, J. 1973. The stock market in Spain: tests of efficiency and capital market theory. Ph.D. dis-
sertation, Stanford University.
Rubio, G. 1986. La crítica de Roll y la solución de Shanken: una aplicación al caso español. Revista
Española de Financiación y Contabilidad 50, vol. XVI: 379-393.
— 1988. Further international evidence on asset pricing: the case of the Spanish capital market.
Journal of Banking and Finance 12(2): 221-242.
Rubio, G. 1991. Formación de precios en el mercado bursátil: teoría y evidencia empírica. Cuadernos
Económicos de I.C.E. 49: 157-186.
Rubio, G., y Basarrate, E. 1994. La imposición sobre plusvalías y minusvalías: sus efectos sobre el
comportamiento estacional del mercado de valores. Revista Española de Economía 11(2): 247-277.
Schwert, G. W., y Seguin, P. 1990. Heteroskedasticity in stock returns. Journal of Finance 45(4):
1.129-1.155.
Sentana, E. 1995. Riesgo y rentabilidad en el mercado español de valores. Moneda y Crédito 200:
133-167.
— 1997. Risk and return in the Spanish stock market: some evidence from individual assets. Inves-
tigaciones Económicas 21(2): 297-360.
Sharpe, W. 1964. Capital asset prices: a theory of market equilibrium under conditions of risk. Jour-
nal of Finance 19 (3): 425-442.
Simonds, R.R. LaMotte, L.R. y McWhorter, A. 1986. Testing for monstationarity of market risk: An ex-
act test and power considerations. Journal of Financial and Quantitative Analysis 21 (2): 209-220.
Sunder, S. 1980. Stationarity of market risk: random coefficient test for individual stocks. Journal of
Finance 35 (4): 883-896.
Tsay, R.S. 2005. Analysis of financial time series. John Wiley, New York.
Wells, C. 1994. Variable betas on the Stockholm exchange 1971-1989. Applied Financial Economics
4 (1): 75-92.
Wells, C. 1996. The Kalman filter in Finance. Kluwer Academic Publishers, Dordrecht.
Yao, J. y Gao, J. 2004. Computer-intensive time-varying model approach to the systematic risk of
Australian industrial stock returns. Australian Journal of Management 29 (1): 121-145.
ANEXO
SELECCIÓN DEL PROCESO GARCH QUE EXPLICA EL COMPORTAMIENTO DEL ERROR

DE LA ECUACIÓN DE OBSERVACIÓN EN LOS MODELOS ESPACIO-ESTADO HETEROCEDÁSTICOS.
En el presente trabajo se permite que los términos de error de los modelos espacio-esta-
do estimados sean de carácter condicionalmente heterocedásticos (ver sección 3.1). Sse
proponen tres procesos de la familia GARCH para explicar su comportamiento, siendo
estos un TARCH(1,1), GARCH(1,1) y EGARCH(1,1). La siguiente tabla recoge los valores
adoptados por los criterios de selección AIC y BIC para cada modelo espacio-estado hete-
rocedástico estimado en función del modelo GARCH seleccionado para explicar el com-
portamiento de los errores de observación. Como se aprecia, la elección de un proceso
TARCH(1,1) para explicar el comportamiento de los errores de observación redunda en
un mayor nivel de ajuste de cada modelo espacio-estado heterocedástico estimado, tanto
si se utiliza el criterio AIC como si se utiliza el BIC.
TARCH(1,1) GARCH(1,1) EGARCH(1,1)
Cartera sectorial ei,t Modelo
AIC BIC AIC BIC AIC BIC
RW 2,3903 2,3952 2,3914 2,3988 2,3905 2.3985
Bienes de RC 2,3634 2,3708 2,3912 2,4010 2,3904 2,3977
Het
consumo MR 2,3646 2,3744 2.3916 2.4014 2.3907 2.3981
RWMR 2,3685 2,3784 2.3886 2.3959 2.3871 2.3940
RW 1,9555 1,9604 1.9821 1.9895 1.9783 1.9882
Materiales RC 2,0756 2,0830 2.1094 2.1192 2.1086 2.1160
básicos, industria Het
y construcción MR 1,9450 1,9548 1,9991 2,0081 1,9986 2,0060
RWMR 1,9430 1,9529 1,9865 1,9890 1,9820 1,9815
RW 1,6895 1,6945 1,7150 1,7190 1,7080 1,7155
RC 1,7536 1,7609 1,7815 1,7901 1,7790 1,7853
Petróleo y energía Het
MR 1,6672 1,6770 1,6940 1,7011 1,6912 1,6993
RWMR 1,6851 1,6950 1,7183 1,7234 1,7140 1,7201
RW 1,9046 1,9096 1,9471 1,9529 1,9400 1,9501
Servicios de RC 1,8865 1,8939 1,9121 1,9162 1,9089 1,9150
Het
consumo MR 1,8718 1,8817 1,9029 1,9084 1,9001 1,9071
RWMR 1,8961 1,9069 1,9245 1,9326 1,9220 1,9303
RW 1,1057 1,1106 1,1401 1,1478 1,1356 1,1454
Servicios RC 1,1364 1,1438 1,1698 1,1743 1,1643 1,1715
financieros e Het
Inmobiliarios MR 1,0877 1,0976 1,1059 1,1155 1,1021 1,1127
RWMR 1,1004 1,1103 1,1372 1,1487 1,1329 1,1422
RW 2,1558 2,1607 2,1889 2,1950 2,1842 2,1922
Tecnología y tele- RC 2,3197 2,3271 2,3400 2,3498 2,3384 2,3475
Het
comunicaciones MR 2,1472 2,1571 2,1734 2,1799 2,1701 2,1789
RWMR 2,1499 2,1598 2,1755 2,1830 2,1722 2,1821

Betas Por Sectores en España

Cargado por

Copyright:

Formatos disponibles

Betas Por Sectores en España

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Betas Por Sectores en España

Cargado por

Copyright:

Formatos disponibles

REVISTA ESPAÑOLA DE FINANCIACIÓN Y CONTABILIDAD

Dinámica del coeficiente beta asociado

RESUMEN La inversión sectorial ha experimentado un crecimiento significativo durante los últimos

econométricos propuestos. La cuarta sección recoge la delimitación de la muestra así

3.1. DEFINICIÓN DE LOS MODELOS ECONOMÉTRICOS

El presente trabajo parte de la estimación del modelo de mercado, que representa un

ri,t = αi + βi rm,t + εi,t (1)

donde ri,t es la rentabilidad de la cartera sectorial i en exceso sobre el activo libre de

ri,t = αi + βi rm,t + εi,t con εi,t ∼ N (0,σ 2ε,i ) (3)

con 0 ≤ |φi| < 1 y εi,t, ζi,t ruidos blancos mutuamente independientes.

La expresión (3), denominada ecuación de observación, se identifica con el modelo de

La expresión (4) describe el proceso dinámico de βi,t en términos de un proceso autorre-

Adicionalmente se considera una especificación espacio-estado alternativa del modelo

Ti,t = Ti,t-1 + υi,t con υi,t ∼ N (0,σ 2υ,i ) (9)

Ci,t = φi Ci,t-1 + ζi,t con ζi,t ∼ N (0,σ 2ζ,i ) (10)

donde υi,t y ζi,t son ruidos blancos mutuamente independientes.

Deben establecerse diferentes valores iniciales para el parámetro βi,0 y el vector θi .

Dado que la frecuencia de observación de los datos analizados es diaria, la hipótesis de

GARCH (1,1): σ 2ε,i ,t = ωi + αi,1ε2i,t-1 + γi,l σ 2ε,i ,t-1

La estimación de los parámetros del modelo se realiza en tres etapas. En la primera,

3.2. SELECCIÓN Y BONDAD DE AJUSTE DE LOS MODELOS

La bondad de ajuste de los modelos estimados ha sido medida, en primera instancia, a

donde log L se refiere al logaritmo neperiano del valor de la función de verosimilitud en

4. MUESTRA Y ANÁLISIS EXPLORATORIO

(6) Para más información véase: http://www.bolsamadrid.es/esp/portada.htm

cistas (desde el 1 de enero de 2003 hasta el 31 de mayo de 2008 y desde el 1 de enero

ri,t = ln(pi,t) - ln(pi,t-1) - rte (16)

constantes a lo largo del tiempo. En la siguiente sección se contrasta si dicha hipótesis es

5. ANÁLISIS DEL COMPORTAMIENTO DINÁMICO

redundando en un mejor ajuste de los modelos heterocedásticos a los datos observados

Los resultados que se muestran en las tablas IV y V indican la existencia de diferencias

Hiperparámetros del vector θi Nivel de ajuste

Cartera sectorial εi,t Modelo COV CC IND UC LOSS

(Continúa pág. sig.)

EI b RC(het) EP b RC(het) EP b MCO EI b RWMR(het) EP b RWMR(het) EP b MCO

Petróleo y energía 1.6 Servicios de consumo

EI b MR(het) EP b MR(het) EP b MCO EI b MR(het) EP b MR(het) EP b MCO

EI b MR(het) EP b MR(het) EP b MCO EI b MR(het) EP b MR(het) EP b MCO

E(ri,) = r0 + βi,(E (rm) - r0 ) (17)

donde E (ri) representa el valor esperado o esperanza matemática de la rentabilidad de

Estimación Modelo αi AIC BIC

Contraste Hipótesis Estadístico (Wu) Distribución P-valor

Aunque la evidencia empírica previa tanto en el ámbito internacional como nacional

los resultados obtenidos en el presente trabajo están subordinados al supuesto de que el

sectoriales consideradas en el presente trabajo. Otra interesante línea de trabajo podría

SELECCIÓN DEL PROCESO GARCH QUE EXPLICA EL COMPORTAMIENTO DEL ERROR

También podría gustarte