EL MERCADO DE CAPITALES Y SU RELACIÓN CON EL CICLO

ECONÓMICO EN COLOMBIA

Alejandro Galvis Vargas

RESUMEN

Utilizando un modelo ARIMA(1,1,1) se midió la capacidad del índice COLCAP y el

índice COLTES de predecir el desempeño del indicador de seguimiento a la economía
(ISE). Así mismo, se utilizó un modelo AR(1) para medir la capacidad predictiva del
Índice General de la Bolsa de Valores de Colombia (IGBC) sobre el ISE. Sin embargo,
aunque haya estudios que han comprobado la existencia de una relación predictiva entre
el mercado de capitales y el desempeño económico, los resultados de este estudio
concluyen que esta relación no se evidencia en Colombia. Una baja capitalización de
mercado en relación con el PIB y una baja cantidad de sociedades que cotizan en bolsa
pueden ser los factores que impiden observar esta relación.

Palabras Clave: COLCAP, COLTES, ISE, capitalización, relación predictiva.

INTRODUCCIÓN

El objetivo de este trabajo es determinar si es posible predecir la tendencia del ciclo

económico analizando el comportamiento del mercado de capitales colombiano. Para
desarrollar este análisis se utilizó la metodología Box-Jenkins que ayuda a determinar
cuáles componentes autorregresivos y de media móvil se ajustan a las series de tiempo
empleadas. Esta metodología es adecuada para el análisis de este estudio puesto que las
series de tiempo, normalmente, violan los supuestos del modelo clásico de regresión
lineal en cuanto a que no existe autocorrelación ni correlación serial en los términos de
error. Se consideraron dos periodos de tiempo para el desarrollo del marco empírico. Para
el periodo desde enero de 2008 a julio de 2016 se estimó un modelo ARIMA(1,1,1) y se
utilizó el índice COLCAP y el índice COLTES como variables representativas del
mercado de capitales. Para el periodo desde julio de 2001 a julio de 2016 se estimó un
modelo AR(1) y se utilizó el índice general de la Bolsa de Valores de Colombia (IGBC).
En ambos modelos se encontró que las variables exógenas explican en un bajo porcentaje
el desempeño de la economía, que se midió a través del indicador de seguimiento a la
economía (ISE). No obstante, vale la pena resaltar que el modelo ARIMA(1,1,1) obtuvo
mejores resultados.
Este estudio es importante porque contar con una metodología fiable que anticipe sí la
economía está en depresión, recuperación, auge o contracción y hacia qué estado se
dirige, tiene grandes beneficios microeconómicos y macroeconómicos. Desde una
perspectiva microeconómica permite establecer estrategias de inversión rentables. Por
ejemplo, si la economía se encuentra en recesión y en un periodo de tiempo corto va hacia
una recuperación, sería un momento ideal para que las empresas de la industria de
consumo inicien un plan de expansión, dado que pueden adquirir locales, almacenes,
oficinas o fábricas a precios relativamente bajos. Desde una perspectiva macroeconómica
es una herramienta útil para el Estado, pues le permitiría maximizar el beneficio obtenido
de emplear gasto público, al poder implementarlo oportunamente. Según Christiano,
Eichenbaum & Rebelo (2010) el poder del gasto público para estimular una economía
atascada en la trampa de la liquidez depende del momento en que es empleado.
Adicionalmente, al poder predecir una crisis se puede minimizar su impacto negativo
tomando medidas preventivas, por ejemplo incrementar la solvencia bancaria.

Estudios como el de Fama (1981), Duca (2007), Senyuz, Chauvet, & Yoldas (2012) y
Choudhry, Papadimitriou & Shabi (2016) concluyen que el mercado bursátil es un
indicador consistente para predecir la tendencia del ciclo económico. Estos estudios
fueron realizados en países desarrollados donde se puede encontrar extensa literatura
relevante al tema, desarrollada por integrantes de instituciones reconocidas. La
motivación de este trabajo nace de poder determinar si esta relación se mantiene bajo las
condiciones de un país en desarrollo como Colombia, que cuenta con un mercado de
capitales subdesarrollado, relativo a los mercados de las regiones lideres.

Ahora bien, a pesar de ser limitada la literatura colombiana sobre el tema, Sánchez &
Amaya (2006) y Pinilla (2014) evalúan el papel del mercado bursátil en el crecimiento
económico de Colombia. Mediante un modelo VAR miden la capacidad predictiva del
IGBC sobre el producto interno bruto (PIB) y utilizan la prueba de causalidad de Granger
para saber sí la relación predictiva entre el PIB y el IGBC es bilateral o unilateral y en
qué sentido. Ambos estudios concluyen que el comportamiento del IGBC es un
instrumento eficiente de predicción del ciclo económico. El hecho de que esta relación
pueda llegar a ser observable tanto en países desarrollados, como en Colombia (país en
desarrollo, con un mercado de capitales reducido), hace necesario examinar qué variables
o factores son determinantes para establecer esta relación. Esto, con el propósito de
entender si variables consideradas importantes para construir esta relación, como la
profundidad del mercado, la cantidad de sectores representativos de la economía que
tienen representación en bolsa o el valor de las acciones negociadas como porcentaje del
PIB, pueden llegar a ser irrelevantes.

Este trabajo está organizado de la siguiente manera: después de esta introducción se

describen algunas características del mercado de capitales colombiano. Después se
desarrolla el marco teórico donde se presentan los argumentos que sustentan la intuición
económica del objetivo. Posteriormente se establece la metodología empírica, donde se
describen los modelos, las variables a utilizar, la base de datos y los resultados obtenidos.
Finalmente, se presentan las conclusiones.

I. MERCADO DE CAPITALES COLOMBIANO

A principios de la década de 1990, los economistas y políticos tenían grandes expectativas

sobre las perspectivas de desarrollo del mercado de capitales en las economías
emergentes. Esto llevó a reformas significativas, incluyendo la liberalización financiera,
el establecimiento del mercado accionario, el mercado de bonos y el desarrollo de marcos
regulatorios y de supervisión. Se esperaba que estas reformas, junto con la mejora de los
fundamentos macroeconómicos y las reformas relacionadas con el mercado de capitales,
como la privatización de las empresas estatales y el cambio a los sistemas de pensiones
de contribución administrados por el sector privado, debían fomentar el desarrollo
financiero. No obstante, a pesar de las reformas establecidas, los mercados de capitales
en América Latina continúan subdesarrollados en relación con los mercados de otras
regiones. Gozzi, de la Torre & Schumkler (2008)

En la gráfica 1 a continuación, podemos ver que países como Estados Unidos, Japón,
China, Reino Unido y Alemania le llevan una gran ventaja a Colombia en términos de
desarrollo del mercado accionario. Colombia en su mejor momento llegó a negociar el
8,71% del PIB en acciones, mientras que la mayoría de los países mencionados
sobrepasan el 50% constantemente y el 100% frecuentemente.
 Gráfica 1. Acciones Negociadas (% PIB)
)400%
350%

300%

250%

200%

150%

100%

50%

0%
Alemania China Estados Unidos Japón Reino Unido Colombia

2008 2009 2010 2011 2012 2013 2014 2015

Fuente: Banco Mundial

Además, podemos observar de la tabla 1 que Colombia transa una baja cantidad de
operaciones en acciones, comparado con países latinoamericanos como Brasil y México.
De igual manera, transa una menor cantidad de operaciones que Argentina y Chile. Esto
es un reflejo de una baja participación en el mercado accionario. Peor aún, la cantidad de
operaciones en acciones ha disminuido 31,4% de 2011 a 2015.

Tabla 1. Número Total de Operaciones en Acciones (en miles)

Número Total de Operaciones en Acciones (en miles)

Bolsa 2011 2012 2013 2014 2015

Buenos Aires (Argentina) 784 616 936 1.342 1.411
BM&F BOVESPA (Brasil) 118.420 160.068 217.917 256.036 230.189
Santiago (Chile) 2.234 1.969 2.137 2.205 2.695
Colombia 842 878 659 652 578
Mexicana 10.817 19.279 34.058 38.114 45.598

Fuente: Federación Iberoamericana de Bolsas

En la tabla 2 podemos ver que la capitalización bursátil de Colombia de sociedades

nacionales está concentrada principalmente en dos sectores económicos. Del 2011 al 2014
más del 80% de la capitalización bursátil se concentró en el sector industrial y financiero.
Nuevamente, Brasil y México parecen contar con los mercados accionarios más
desarrollados de Latinoamérica al tener participación en los ocho sectores económicos,
sin que ningún sector económico sobrepase el 35%.
Tabla 2. Capitalización Bursátil Discriminada por Sector Económico - Sociedades Nacionales

Banca, Financ. y Comunic. Y Servicios

Industrial Mineras Agropecuario Retail Otros
Seguros Tecnologia Publicos
2011
Argentina 58,43% - 15,44% - - - 14,29% 11,84%
Brasil 22,78% 9,26% 26,43% 0,10% 1,04% 7,34% 10,41% 22,64%
Chile 6,45% - 13,08% - 14,60% 2,77% - 63,10%
Colombia 70,58% - 21,98% - 2,92% - 1,45% 3,07%
Mexico 8,08% 15,95% 7,87% 30,83% 9,45% 26,80% - 1,02%
2012
Argentina 46,40% - 21,69% - - - 13,04% 18,87%
Brasil 25,44% 9,16% 26,69% 0,14% 1,48% 5,90% 8,87% 22,32%
Chile 7,71% - 12,56% - 14,08% - - 65,65%
Colombia 67,41% - 24,87% - - - 1,47% 6,25%
Mexico 9,68% 18,60% 12,28% 32,48% 5,73% 20,32% - 0,91%
2013
Argentina 50,30% - 19,71% - - - 12,53% 17,46%
Brasil 28,10% 7,75% 29,79% 0,13% 1,50% 4,50% 8,80% 19,43%
Chile 6,12% - 13,64% - 13,69% - - 66,55%
Colombia 54,22% - 31,10% - - - 8,31% 6,37%
Mexico 12,21% 14,76% 13,91% 31,70% 5,94% 19,56% - 1,92%
2014
Argentina 43,15% - 23,85% - - - 14,46% 18,54%
Brasil 8,56% 4,90% 34,71% 0,09% 2,58% 5,04% 8,81% 35,31%
Chile 5,82% - 13,29% - 11,70% - - 69,20%
Colombia 41,15% - 41,37% - - - 9,99% 7,49%
Mexico 13,10% 13,90% 11,50% 31,10% 7,10% 21,10% - 2,20%
2015
Argentina 32,39% - 33,44% 1,80% 4,42% 15,51% 10,06% 2,38%
Brasil 3,00% 10,00% 34,00% - - 5,00% 10,00% 38,00%
Chile 2,91% - 13,72% - 12,73% - - 70,64%
Colombia 30,21% - 41,73% - - - 13,83% 14,23%
Mexico 13,84% 12,10% 12,21% 34,43% 8,80% 16,79% - 1,83%
Fuente: Federación Iberoamericana de Bolsas

Aparte del mercado accionario, el mercado colombiano de los títulos de deuda pública
(TES), acapara una cantidad importante del capital destinado a inversión financiera. En
la gráfica 3 podemos ver el valor total de las operaciones transadas en la BVC, de acciones
y TES. El volumen transado de TES es significativamente superior al volumen transado
de acciones. En el grafico 4 vemos que las operaciones TES pesan el 93,6%.
Gráfica 3. Valor Total Transado Anual - BVC Gráfica 4. Participación en el Total Transado
)
700000 6,4%
600000

500000

400000

300000

200000

100000

0 93,6%
2008 2009 2010 2011 2012 2013 2014 2015
TES Acciones
TES Acciones
*cifras en miles de millones de pesos
Fuente: BVC Fuente: Cálculos del Autor

II. MARCO TEÓRICO

En este apartado se lleva a cabo una revisión de la literatura que ha analizado la capacidad
predictiva del mercado de capitales sobre la actividad económica y luego se exponen los
argumentos que pueden llegar a justificar la existencia de esta relación en Colombia.

El trabajo de Duca (2007) se enfoca en investigar la causalidad entre el mercado

accionario y el PIB en tendencias de largo plazo en 5 de los 10 países con el mercado
accionario más grande en términos de capitalización de mercado. Argumenta que debe
haber un fuerte vínculo entre la actividad real y el precio de los valores. Dado que el
precio de las acciones es el valor presente descontado de las utilidades de las empresas,
el modelo de flujo de caja descontado implica que, si las expectativas de los inversionistas
sobre las futuras utilidades de las compañías son acertadas, el precio de las acciones lidera
la actividad económica real.

Adicional a lo anterior, postula tres proposiciones teóricas que fortalecen aún más el
vínculo entre estas variables. Primero se apoya de Tobin (1969) que estudia el impacto
del precio de las acciones en el costo del capital capturado por el coeficiente Q, que es la
proporción entre el valor de mercado del capital actual y el costo del capital de sustitución.
Cuando el precio de las acciones es alto, el coeficiente Q también es alto, por
consiguiente, esto lleva a un incremento en el gasto de inversión y por ende a una mayor
producción económica agregada. Esto ocurre porque el costo de capital para invertir es
menor ya que requiere una menor oferta de acciones.

Después, basado en Modigliani (1971) afirma que un incremento permanente en el precio

de los valores resulta en un incremento en la riqueza de los individuos y, por lo tanto, en
un mayor ingreso permanente de manera que incrementan sus niveles de consumo.

El tercer canal es mencionado por Bernanke & Gertler (1989) llamado acelerador
financiero. Este postulado sustenta que, debido a la presencia de información asimétrica
en los mercados de crédito, la capacidad de las empresas para solicitar créditos depende
sustancialmente del colateral que pueden prometer; si incrementa su valor accionario, en
teoría incrementa el valor del colateral que pueden ofrecer, accediendo a montos
superiores de crédito, que a su vez pueden destinar a mayor inversión y desencadenar una
expansión en la actividad económica.

Estos tres postulados tienen mucho sentido para países con un mercado accionario
robusto. No obstante, para analizar el caso colombiano pueden quedarse cortos si
tomamos en cuenta que a septiembre de 2016 contamos con 71 emisores en la Bolsa de
Valores de Colombia (BVC). Podemos ver en el grafico 2, que Colombia cuenta con un
nivel bajo de compañías nacionales que cotizan en bolsa comparado a los países líderes.
Esto quiere decir que, un incremento en la inversión realizada por las compañías
nacionales que cotizan en bolsa difícilmente va a tener un impacto sobresaliente sobre el
agregado económico del país.

Gráfica 2. Compañías Nacionales que Cotizan en Bolsa

7,000

6,000

5,000

4,000

3,000

2,000

1,000

0
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015

Alemania China Estados Unidos

Japón Reino Unido Colombia

Fuente: Banco Mundial

Por otro lado, el estudio de (Fama, 1990) argumenta que la relación entre los rendimientos
de las acciones y la actividad real futura son fuertes. Suponiendo que la información sobre
la producción de un determinado periodo se extiende a través de muchos periodos
anteriores, afectando los rendimientos de las acciones de muchos periodos anteriores.
Entonces, la rentabilidad de corto plazo de las acciones incluye información sobre las
tasas de crecimiento de la producción de muchos periodos futuros, pero retornos
adyacentes tienen información adicional acerca de las mismas tasas de crecimiento de
producción. Como resultado, regresiones de los rendimientos de largo plazo de las
acciones sobre las futuras tasas de crecimiento de la producción dan una idea más clara
de la información acumulada sobre la producción en los retornos. Esta hipótesis puede
darse en un país en desarrollo como Colombia, ya que la relación no depende del tamaño
del mercado accionario sino de la propagación acertada de los niveles de producción
futuros. Eso sí, es necesario tener en cuenta que es la información de la producción futura
la que causa los niveles de rentabilidad de las acciones.

En cuanto a estudios colombianos, tanto el de Pinilla (2014) como el de Sánchez y Amaya

(2006), buscan establecer cómo el comportamiento del mercado bursátil determina el
ciclo económico. Pinilla (2014) basa su aproximación teórica en correlaciones y
causalidades entre el desarrollo bursátil y crecimiento del producto, stock de capital y
productividad de los factores. Se basa en evidencia empírica, que no cita ni referencia,
que demuestra que los agregados macroeconómicos generan un impacto en los activos
que se negocian en bolsa y viceversa. Menciona también que la macroeconomía ha
excluido al mercado bursátil como predictor del ciclo por el riesgo latente que éste genera;
además, por ser asimétrico en la información, genera una mayor incertidumbre que lo
convierte en un predictor insuficiente. No profundiza en las posibles causas de esta
relación ni en la intuición económica. Se orienta más que todo por la metodología
empírica. Determina, con un modelo de Vectores Autorregresivos VAR, que el índice
IGBC explica positivamente el PIB. Sin embargo, al realizar la prueba de Granger, no
encuentra una relación de causalidad entre estas variables, que explica por la baja
profundidad del mercado accionario.

Sánchez y Amaya (2006) dedican una porción importante de su estudio al marco

conceptual y teórico. Se enfocan en el debate académico entre la macroeconomía y las
finanzas del siglo XX y en estudios de diversos autores que analizan el mercado bursátil
como indicador del comportamiento del ciclo económico. Identifican un punto de
encuentro entre la macroeconomía y las finanzas en la valoración de activos y la
modelación de los mercados financieros, teniendo en cuenta que ambos campos recurren
a la implementación rigurosa de modelos de optimización intertemporal que proporcionan
fundamentos para establecer la demanda de activos y las decisiones de demanda de
inversión empresarial. Encuentran que el comportamiento del PIB está incidido
principalmente por el comportamiento que presenta el IGBC en el periodo anterior y sus
resultados indican que el comportamiento del IGBC causa los movimientos en el PIB,
pese al tamaño del mercado bursátil.

A diferencia de los trabajos de Pinilla (2014) y Sánchez y Amaya (2006), este estudio
evalúa la relación predictiva del mercado de capitales con una metodología Box-Jenkins,
que garantiza la eliminación de autocorrelación y correlación serial en los términos de
error de las series de tiempo. Adicionalmente, Pinilla (2014) utiliza únicamente las
variables PIB, el índice de precios al consumidor (IPC) e IGBC en su modelo. Sánchez y
Amaya (2006) utilizan las variables de la demanda agregada y el IGBC. Este estudio tiene
una aproximación diferente en la definición de las variables que explican el
comportamiento del desempeño económico. La totalidad de la literatura mencionada
previamente se limita a analizar el mercado bursátil desde el mercado accionario.
Teniendo esto en cuenta, mi estudio busca analizar cuál de los valores es más eficiente
prediciendo el ciclo económico, si es que alguno lo es.

2.1. INFLUENCIA DEL MERCADO DE CAPITALES SOBRE EL

CRECIMIENTO ECONÓMICO

Un mecanismo utilizado con el propósito de generar ingresos futuros es una inversión. El

mercado de capitales es el conjunto de mecanismos a disposición de una economía para
cumplir la función básica de asignación y distribución, en el tiempo y en el espacio, de
los recursos de capital, los riesgos, el control y la información asociados con el proceso
de transferencia del ahorro a inversión. Superintendencia Financiera de Colombia (2008).

El estudio de Khan & Reinhart (1989) desarrolla un modelo de crecimiento simple para
evaluar el impacto de la inversión privada y pública en países en desarrollo con el cual
concluyeron que la inversión privada juega un rol fundamental en el proceso de
crecimiento de estos países. Un rol incluso más importante que el de la inversión pública.
Tiene sentido que la inversión privada sea más productiva y eficiente al estar alineados
los incentivos de los inversionistas.

Entonces, el mercado de capitales tiene una incidencia positiva en el crecimiento

económico al ser un mecanismo que convierte el ahorro en inversión. En consecuencia,
determina en cierta proporción el comportamiento de la actividad económica, por lo cual
es un posible predictor de ésta. Los beneficios del mercado de capitales no están
representados únicamente por el financiamiento de inversiones. También le permiten a
las empresas llevar un mejor manejo de los ciclos de liquidez que bajo algunas
circunstancias puede significar evitar la bancarrota. Asimismo, aumenta la cantidad de
agentes económicos que pueden darse el lujo de invertir su capital acumulado, puesto que
las inversiones del mercado bursátil requieren de un menor valor mínimo de capital que
las inversiones tradicionales; algunos bancos cuentan con fondos públicos de inversión,
donde sus clientes pueden asignar capital invirtiendo desde doscientos mil pesos. Las
comisionistas de bolsas reciben inversiones desde los cinco millones de pesos. Una
inversión tradicional, como la adquisición de locales o apartamentos, supera de lejos esas
cifras. Otro beneficio importante es que ofrece una gran cantidad de instrumentos de
inversión, que reducen el riesgo a través de la diversificación del portafolio. Esto a su vez
incrementa los incentivos de invertir.

2.2. INDICADORES ADELANTADOS VS. INDICADORES REZAGADOS

Hacer inversiones basado en lo que los mercados hicieron ayer o el mes pasado es cómo
manejar mirando el espejo retrovisor. Los economistas miran los indicadores adelantados
para determinar a dónde se dirige la economía y así estimar el grado de expansión o
contracción de la siguiente fase del ciclo económico y miran los indicadores rezagados
para confirmar lo que ya ha sucedido en la economía y para medir en qué fase económica
nos encontramos en la actualidad.

Las valoraciones del mercado accionario se basan en las utilidades futuras esperadas. Es
por esto que su desempeño es considerado como un indicador adelantado. Por otro lado,
el PIB es un indicador rezagado, ya que confirma el agregado de la producción económica
total de un trimestre o de un año. Al final de cuentas, es esta característica de los
indicadores la que hace que sea posible predecir la tendencia del ciclo económico. No
sirve de nada que los indicadores del mercado de capitales determinen en alguna
proporción el ciclo económico, si los indicadores del mercado de capitales confirmaran
lo que ya ha sucedido en los mercados.

III. MARCO EMPIRICO

Para determinar si es posible predecir la tendencia del ciclo económico a partir del
comportamiento del mercado de capitales se utilizó la metodología Box-Jenkins. Esta
metodología se empleó en dos periodos de tiempo. Se tomó el periodo desde enero de
2008 a julio de 2016. En este periodo de tiempo se utilizaron los índices COLCAP y
COLTES como variables representativas del comportamiento del mercado de capitales.
Se tomó ese rango de tiempo porque el primer cálculo del índice COLCAP y el índice
COLTES se realizó en enero de 2008. Además, se consideró el periodo desde julio de
2001 a julio de 2016, con el fin de obtener una muestra más grande. Para este periodo de
tiempo se utilizó el índice IGBC como representante del mercado de capitales.

El índice COLTES se utilizó como indicador del comportamiento de los TES. Este índice
mide el retorno total ponderado por capitalización de mercado sobre los títulos de deuda
pública interna en pesos. Sus valores fueron extraídos de la BVC. Los índices IGBC y
COLCAP son el resultado de ponderar las acciones más liquidas y de mayor
capitalización que se negocian en la Bolsa.

Para la medición del ciclo económico se utilizó el ISE, con el propósito de tener una
frecuencia de datos mensual y así obtener una mayor cantidad de observaciones por
variable. El ISE es un índice sintético cuyo fin es proporcionar una medida de la evolución
de la actividad real de la economía en el corto plazo. Se basa en el marco contable y
conceptual de las Cuentas Nacionales, en el que se agrega al mismo nivel de las
actividades económicas que forman parte del PIB. Este indicador es calculado por el
DANE y de ahí se extrajeron sus valores.

Además se incluyeron en el análisis algunas variables que son determinantes para el

mercado de capitales y el ciclo económico. Se incluyó la tasa de cambio, la tasa de interés
y el precio del petróleo. La tasa de cambio es una variable determinante para la actividad
económica, pues afecta directamente los términos de intercambio. Para la tasa de cambio
se utilizó la tasa representativa del mercado (TRM). La tasa de interés es el principal
mecanismo de intervención de política monetaria y es utilizado principalmente para
disminuir la cantidad de dinero que circula en la economía. Para la tasa de interés se
utilizó la tasa interbancaria (TIB). El petróleo es el principal producto exportado en
Colombia. Según el DANE, el petróleo representó el 41,08% del total de las exportaciones
colombianas de 2001 a 2015. Para el precio del petróleo se utilizó el precio por barril del
Brent. El precio del petróleo también sirve como un indicador de las condiciones del
mercado global. Además de las variables expuestas previamente también se incluyeron
variables utilizadas tradicionalmente para explicar la actividad económica, como la tasa
de desempleo y el IPC como medida de la inflación. A continuación un resumen de las
variables consideradas en los modelos:

ISE: Indicador de Seguimiento a la Economía

IGBC: Índice General de la Bolsa de Valores de Colombia
MCAP: Índice COLCAP
COLTES: Índice COLTES
IPC: Índice de Precios al Consumidor
BRENT: Precio por barril del petróleo Brent
TIB: Tasa Interbancaria
TRM: Tasa Representativa del Mercado
DESEM: Tasa de Desempleo

En el anexo 1 podemos encontrar gráficas de dispersión que capturan visualmente la

relación entre las variables y el ISE. A grandes rasgos todas las variables presentan una
tendencia semejante a lo discutido en el marco teórico.

Al trabajar con datos de series de tiempo hay que tener en cuenta que las observaciones
en estos datos siguen un ordenamiento natural respecto del tiempo, de modo que es muy
posible que las observaciones sucesivas muestren intercorrelaciones, sobre todo si el
intervalo entre observaciones sucesivas es muy corto, como un día, una semana o un mes,
en lugar de un año. En esta clase de situaciones se viola el supuesto del modelo clásico
de regresión lineal, en cuanto a que no existe autocorrelación ni correlación serial en los
términos de error. Gujarati y Porter (2009).
3.1. BOX-JENKINS

El objetivo de la metodología Box – Jenkins es identificar y estimar un modelo estadístico

que puede ser interpretado como generador de la información de la muestra. Por lo tanto,
es adecuado para evaluar la existencia de una relación predictiva. La metodología Box-
Jenkins nos ayuda a construir una clase general de modelos capaces de describir series
temporales reales. La metodología consta de cuatro etapas: identificación, estimación,
verificación y pronóstico. Para los fines de este estudio solo se contemplaran las primeras
tres etapas, dado que no se harán pronósticos, pues no es parte del objetivo de este estudio.

La metodología Box-Jenkins permite modelar de diversas formas si la serie de tiempo es

estacionaria. El proceso autorregresivo se presenta cuando una variable explicativa es el
valor rezagado de la variable dependiente. Si se ignora el término rezagado, el término de
error resultante reflejará un patrón sistemático. El proceso de media móvil se presenta
cuando la variable dependiente en el periodo t es igual a una constante más un promedio
móvil de los términos de error presente y pasado. Si se ignora, el término del error no
obedecería a un comportamiento estocástico. Gujarati y Porter (2009).

La etapa de identificación consiste en asegurar que las variables sean estacionarias y en

detectar el tipo de proceso estocástico que han generado los datos. Las herramientas
principales en la identificación son: la función de autocorrelación (FAC) y la función de
autocorrelación parcial (FACP), para decidir sí se debe utilizar en el modelo un
componente autorregresivo y/o un componente de media móvil. La autocorrelación
parcial mide la correlación entre observaciones separadas en k periodos y mantiene
constantes las correlaciones en los rezagos intermedios.

Para verificar que todas las variables sean estacionarias se les aplicó una prueba de raíz
unitaria Dickey-Fuller. Este procedimiento se desarrolló con todas las variables. Por las
limitaciones de espacio se incluye únicamente la prueba para la variable ISE.
 Cuadro 1. Prueba Dickey-Fuller Aumentada ISE I(0)

Hipótesis Nula: ISE tiene raíz unitaria

Exógeno: Constante
Longitud de Rezago: 1 (Automático – basado en SIC, maxlag=13)
Estadístico t Prob.*
Estadísticas prueba Dickey-Fuller aumentada -1,148436 0,6961
Valores críticos Nivel 1% -3,466994
Nivel 5% -2,877544
Nivel 10% -2,575381
*MacKinnon (1996) valores p unilaterales

Ecuación Prueba Dickey Fuller Aumentada

Variable Dependiente D(ISE)
Método: Mínimos Cuadrados Ordinarios
Muestra (ajustada): 2001M09 2016M07
Observaciones Incluidas: 179 después de ajustes
Variable Coeficiente Desviación Estándar Estadístico t Prob.
ISE(-1) -0,002766 0,002409 -1,148436 0,2523
D(ISE(-1)) -0,210342 0,074086 -2,839167 0,0051
C 0,017187 0,011498 1,494801 0,1368
R-Cuadrado 0,049516 Media Variable Dependiente 0,003298
R-Cuadrado Ajustado 0,038715 Desviación Est. Variable Dep. 0,006187
S.E de Regresión 0,006066 Akaike Info criterion -7,355756
Suma Cuadrada Resid 0,006475 Schwarz criterion -7,302336
Probabilidad Log 661,3402 Hannan-Quinn criterion -7,334095
Estadístico F 4,584390 Durbin-Watson Estadístico 1,985625
Prob(Estadístico F) 0,011459

Si el estadístico t es menor que cualquiera de los valores críticos se rechaza la hipótesis

nula que indica que la serie tiene una raíz unitaria y por lo tanto no es estacionaria. Como
vemos del cuadro 1, el estadístico t no es menor que los valores críticos por lo cual no
podemos rechazar la hipótesis nula. Esto quiere decir que la serie no es estacionaria.
Aplicamos entonces primeras diferencias a la serie y volvemos a realizar la prueba de raíz
unitaria.
Cuadro 2. Prueba Dickey-Fuller Aumentada ISE I(1)
Hipótesis Nula: D(ISE) tiene raíz unitaria
Exógeno: Constante
Longitud de Rezago: 0 (Automático – basado en SIC, maxlag=13)
Estadístico t Prob.*
Estadísticas prueba Dickey-Fuller aumentada -16,29277 0,0000
Valores críticos Nivel 1% -3,466994
Nivel 5% -2,877544
Nivel 10% -2,575381
*MacKinnon (1996) valores p unilaterales

Ecuación Prueba Dickey Fuller Aumentada

Variable Dependiente D(ISE)
Método: Mínimos Cuadrados Ordinarios
Muestra (ajustada): 2001M09 2016M07
Observaciones Incluidas: 179 después de ajustes
Variable Coeficiente Desviación Estándar Estadístico t Prob.
D(ISE(-1)) -1,207451 0,074110 -2,839167 0,0000
C 0,003996 0,000518 7,717561 0,0000
R-Cuadrado 0,599959 Media Variable Dependiente -6,67E-05
R-Cuadrado Ajustado 0,597699 Desviación Est. Variable Dep. 0,009572
S.E de Regresión 0,006071 Akaike Info criterion -7,359463
Suma Cuadrada Resid 0,006524 Schwarz criterion -7,323850
Probabilidad Log 660,6720 Hannan-Quinn criterion -7,345022
Estadístico F 265,4543 Durbin-Watson Estadístico 1,982002
Prob(Estadístico F) 0,000000

Como vemos del cuadro 2, podemos rechazar la hipótesis nula. Esto quiere decir que la
serie es estacionaria en primeras diferencias, I(1) integradas de orden uno. Después de
realizar la prueba con las demás variables se encontró que todas las variables son
estacionarias en primeras diferencias.

Ahora bien, utilizando las funciones de autocorrelación y autocorrelación parcial

podemos encontrar el patrón autorregresivo y de media móvil de la serie de tiempo ISE.
Para determinar el patrón adecuado es útil guiarse de los patrones teóricos de la FAC y
FACP ilustrados en el anexo 2. No obstante, hay que rescatar que como en la práctica no
se observan las FAC y FACP teóricas se depende de sus aproximaciones muestrales. Las
FAC y FACP estimadas no concuerdan exactamente con sus contrapartes teóricas.
 Cuadro 3. Correlograma D(ISE)
Date: 11/19/16 Time: 18:22
Sample: 2001M07 2016M08
Included observations: 180

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

1 -0.204 -0.204 7.6371 0.006

2 0.050 0.009 8.0971 0.017
3 0.065 0.080 8.8799 0.031
4 -0.076 -0.050 9.9522 0.041
5 0.012 -0.019 9.9805 0.076
6 -0.101 -0.108 11.913 0.064
7 0.080 0.052 13.127 0.069
8 0.078 0.116 14.277 0.075
9 -0.063 -0.019 15.032 0.090
10 0.182 0.145 21.449 0.018
11 0.010 0.076 21.470 0.029
12 -0.078 -0.072 22.658 0.031
13 0.008 -0.038 22.671 0.046
14 -0.104 -0.090 24.809 0.036
15 0.057 0.026 25.456 0.044
16 -0.154 -0.121 30.197 0.017
17 0.122 0.071 33.210 0.011
18 0.027 0.015 33.359 0.015
19 -0.001 0.031 33.360 0.022
20 0.135 0.107 37.105 0.011
21 -0.021 0.032 37.197 0.016
22 -0.034 -0.028 37.439 0.021
23 -0.027 -0.021 37.586 0.028
24 -0.148 -0.129 42.169 0.012
25 0.095 0.029 44.092 0.011
26 -0.151 -0.098 48.970 0.004
27 0.165 0.118 54.823 0.001
28 -0.084 -0.130 56.326 0.001
29 -0.026 -0.043 56.469 0.002
30 0.044 -0.056 56.889 0.002
31 -0.069 -0.002 57.934 0.002
32 0.025 0.029 58.067 0.003
33 -0.083 -0.017 59.601 0.003
34 -0.024 -0.004 59.734 0.004
35 0.085 0.066 61.377 0.004
36 -0.122 -0.067 64.759 0.002

Observando el cuadro 3 vemos que la FAC presenta un pico en el rezago 1, 10, 16, 20,
24, 26 y 27, asemejándose a un patrón de onda sinusoide. La FACP presenta un pico
únicamente en el primer rezago. Lo anterior sugiere que es un modelo AR(1).

Posterior a la identificación pasamos a la estimación del modelo AR(1). El modelo

identificado está definido por la ecuación (1):

𝐷(𝐼𝑆𝐸) = 𝜃 + 𝛼1 𝐷(𝐼𝑆𝐸)𝑡−1 + 𝛼2 𝐷(𝐼𝐺𝐵𝐶) + 𝛼3 𝐷(𝐼𝑃𝐶) + 𝛼4 𝐷(𝐵𝑅𝐸𝑁𝑇) + 𝛼5 𝐷(𝑇𝐼𝐵)

(1)
+ 𝛼6 𝐷(𝑇𝑅𝑀) + 𝛼7 𝐷(𝐷𝐸𝑆𝐸𝑀) + 𝜀𝑡

Tras identificar el valor apropiado del término autorregresivo, la siguiente etapa es

estimar los parámetros. Este cálculo se puede efectuar mediante mínimos cuadrados
simples.
 Cuadro 4. Modelo AR(1)
Dependent Variable: D(LNISE)
Method: ARMA Maximum Likelihood (OPG - BHHH)
Date: 11/19/16 Time: 23:02
Sample: 2001M08 2016M07
Included observations: 180
Convergence achieved after 10 iterations
Coefficient covariance computed using outer product of gradients

Variable Coefficient Std. Error t-Statistic Prob.

C 0.003666 0.000587 6.248250 0.0000

D(LNIGBC) 0.003127 0.008239 0.379540 0.7048
D(LNIPC) -0.113896 0.129347 -0.880545 0.3798
D(TIB) 0.043439 0.175660 0.247291 0.8050
D(TRM) 1.22E-05 7.39E-06 1.647652 0.1013
D(DESEM) -0.000111 0.000393 -0.282525 0.7779
D(BRENT) 0.000161 7.58E-05 2.121699 0.0353
AR(1) -0.227042 0.070126 -3.237618 0.0014
SIGMASQ 3.48E-05 3.14E-06 11.08314 0.0000

R-squared 0.080905 Mean dependent var 0.003308

Adjusted R-squared 0.037907 S.D. dependent var 0.006171
S.E. of regression 0.006052 Akaike info criterion -7.327696
Sum squared resid 0.006264 Schwarz criterion -7.168048
Log likelihood 668.4926 Hannan-Quinn criter. -7.262965
F-statistic 1.881577 Durbin-Watson stat 1.995574
Prob(F-statistic) 0.065746

Inverted AR Roots -.23

Podemos ver las estimaciones de los parámetros del modelo AR(1) en el cuadro 4. Antes
de entrar a analizar los resultados del modelo debemos realizar la verificación. Una
manera de realizar el diagnóstico es obteniendo la FAC y la FACP de los residuos del
modelo.
 Cuadro 5. Correlograma Residuales Modelo AR(1)
Date: 11/19/16 Time: 23:37
Sample: 2001M07 2016M08
Included observations: 180
Q-statistic probabilities adjusted for 1 ARMA term and 6 dynamic regressors

Autocorrelation Partial Correlation AC PAC Q-Stat Prob*

1 -0.003 -0.003 0.0015

2 0.007 0.007 0.0096 0.922
3 0.042 0.042 0.3368 0.845
4 -0.082 -0.082 1.5818 0.664
5 -0.013 -0.014 1.6142 0.806
6 -0.096 -0.098 3.3548 0.645
7 0.066 0.074 4.1684 0.654
8 0.088 0.085 5.6303 0.584
9 -0.018 -0.012 5.6916 0.682
10 0.181 0.163 12.033 0.211
11 0.067 0.071 12.914 0.229
12 -0.049 -0.044 13.378 0.269
13 -0.014 -0.017 13.417 0.339
14 -0.102 -0.077 15.462 0.279
15 -0.020 -0.019 15.542 0.342
16 -0.105 -0.088 17.739 0.277
17 0.071 0.070 18.740 0.282
18 0.023 -0.034 18.843 0.338
19 0.027 0.032 18.997 0.392
20 0.148 0.108 23.457 0.218
21 0.019 0.016 23.533 0.263
22 -0.037 -0.029 23.816 0.302
23 -0.069 -0.046 24.820 0.306
24 -0.149 -0.116 29.499 0.164
25 0.047 0.062 29.969 0.186
26 -0.109 -0.075 32.520 0.144
27 0.089 0.073 34.231 0.129
28 -0.058 -0.143 34.947 0.140
29 -0.028 -0.020 35.121 0.166
30 0.062 -0.021 35.974 0.174
31 -0.026 0.014 36.128 0.204
32 0.030 0.041 36.333 0.234
33 -0.068 -0.024 37.361 0.236
34 -0.016 0.044 37.420 0.273
35 0.069 0.078 38.495 0.273
36 -0.068 -0.027 39.560 0.274

Como vemos en el cuadro 5 ninguna de las autocorrelaciones ni las autocorrelaciones

parciales son estadísticamente significativas, por ende los correlogramas dan la impresión
de que los residuos estimados del modelo AR(1) son puramente aleatorios.

Habiendo ya establecido el modelo apropiado para esta serie de tiempo, se analizan los
resultados. Del cuadro 4 podemos inferir que este modelo no explica adecuadamente el
comportamiento del ISE. Ninguna variable del modelo es significante y todos los
coeficientes, a excepción de D(IPC), son cercanos a cero. El 𝑅 2 es de 0,0809, es decir que
las variables explican aproximadamente el 8% del comportamiento del ISE.

La metodología Box-Jenkins asegura que el modelo no presente autocorrelación ni

correlación serial entre los términos de error. Sin embargo, no asegura que no presente
heterocedasticidad o multicolinealidad, que pueden causar que las variables no den
significativas estadísticamente. Para verificar que los coeficientes y las variables no estén
condicionadas se realizó un prueba Breusch-Pagan-Godfrey para verificar si el modelo
presenta heterocedasticidad.

Cuadro 6. Prueba Breusch-Pagan-Godfrey Modelo AR(1)

Heteroskedasticity Test: Breusch-Pagan-Godfrey

F-statistic 0.927653 Prob. F(6,173) 0.4765

Obs*R-squared 5.610619 Prob. Chi-Square(6) 0.4682
Scaled explained SS 11.66547 Prob. Chi-Square(6) 0.0699

Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 11/20/16 Time: 20:03
Sample: 2001M08 2016M07
Included observations: 180

Variable Coefficient Std. Error t-Statistic Prob.

C 4.31E-05 8.62E-06 4.993456 0.0000

D(LNIGBC) 3.72E-06 0.000104 0.035711 0.9716
D(LNIPC) -0.001976 0.001603 -1.233229 0.2192
D(BRENT) 9.92E-07 9.91E-07 1.000330 0.3185
D(TIB) 0.001146 0.001981 0.578255 0.5638
D(TRM) -1.06E-07 8.69E-08 -1.224588 0.2224
D(DESEM) 8.81E-07 4.71E-06 0.187081 0.8518

R-squared 0.031170 Mean dependent var 3.48E-05

Adjusted R-squared -0.002431 S.D. dependent var 7.49E-05
S.E. of regression 7.50E-05 Akaike info criterion -16.12004
Sum squared resid 9.73E-07 Schwarz criterion -15.99587
Log likelihood 1457.803 Hannan-Quinn criter. -16.06969
F-statistic 0.927653 Durbin-Watson stat 1.905895
Prob(F-statistic) 0.476493

Podemos observar del cuadro 6 que ni el estadístico F ni los estadísticos Chi-Square son
significativos, por lo cual el modelo no presenta problemas de heterocedasticidad. Para
verificar que el modelo no presente multicolinealidad se analizaron las correlaciones de
las variables.

Tabla 3. Correlación de las Variables

) D(BRENT) D(DESEM) D(LNIGBC) D(LNIPC) D(TIB) D(TRM)
D(BRENT) 1 -0.0395 0.3292 0.1216 -0.0020 -0.3961
D(DESEM) -0.0395 1 0.0824 0.0935 -0.0584 -0.0550
D(LNIGBC) 0.3292 0.0824 1 0.0207 -0.0735 -0.4127
D(LNIPC) 0.1216 0.0935 0.0207 1 0.1512 -0.0677
D(TIB) -0.0020 -0.0584 -0.0735 0.1512 1 0.0765
D(TRM) -0.3961 -0.0550 -0.4127 -0.0677 0.0765 1

La tabla 3 muestra que existe una correlación entre D(IGBC) y D(TRM), D(BRENT),
que supera 0.25. Esto significa que es posible la presencia de multicolinealidad.
Se desarrolló el modelo AR(1) excluyendo las variables TRM y BRENT, para verificar
si en efecto existe multicolinealidad.

Cuadro 7. Modelo AR(1), Excluyendo TRM y BRENT

Dependent Variable: D(LNISE)
Method: ARMA Maximum Likelihood (OPG - BHHH)
Date: 11/20/16 Time: 20:42
Sample: 2001M08 2016M07
Included observations: 180
Convergence achieved after 6 iterations
Coefficient covariance computed using outer product of gradients

Variable Coefficient Std. Error t-Statistic Prob.

C 0.003644 0.000592 6.153676 0.0000

D(LNIGBC) 0.002212 0.006503 0.340193 0.7341
D(LNIPC) -0.089695 0.133097 -0.673911 0.5013
D(TIB) 0.046908 0.173954 0.269660 0.7877
D(DESEM) -0.000165 0.000400 -0.412980 0.6801
AR(1) -0.211793 0.072944 -2.903512 0.0042
SIGMASQ 3.60E-05 2.98E-06 12.11138 0.0000

R-squared 0.047984 Mean dependent var 0.003308

Adjusted R-squared 0.014966 S.D. dependent var 0.006171
S.E. of regression 0.006124 Akaike info criterion -7.314764
Sum squared resid 0.006489 Schwarz criterion -7.190594
Log likelihood 665.3288 Hannan-Quinn criter. -7.264418
F-statistic 1.453263 Durbin-Watson stat 1.987304
Prob(F-statistic) 0.197072

Inverted AR Roots -.21

Del cuadro 7 podemos deducir que no existe problemas de multicolinealidad, pues el 𝑅 2

del modelo paso del 8% al 4,8%.

Se aplicó la misma metodología para la serie de tiempo ISE comprendida en el periodo

de enero de 2008 a julio de 2016. En el anexo 3 encontramos el correlograma de la FAC
y la FACP que parece indicar un modelo ARIMA(1,1,1), dado que no hay picos
significativos. Los modelos identificados están definidos por las ecuaciones (2) y (3):

𝐷(𝐿𝑁𝐼𝑆𝐸) = 𝜃 + 𝛼1 𝐷(𝐿𝑁𝐼𝑆𝐸)𝑡−1 + 𝛼2 𝐷(𝐿𝑁𝑀𝐶𝐴𝑃) + 𝛼3 𝐷(𝐿𝑁𝐼𝑃𝐶) + 𝛼4 𝐷(𝐵𝑅𝐸𝑁𝑇)

(2)
+ 𝛼5 𝐷(𝑇𝐼𝐵) + 𝛼6 𝐷(𝑇𝑅𝑀) + 𝛼7 𝐷(𝐷𝐸𝑆𝐸𝑀) + 𝛽0 𝜀𝑡 + 𝛽1 𝜀𝑡−1

𝐷(𝐿𝑁𝐼𝑆𝐸) = 𝜃 + 𝛼1 𝐷(𝐿𝑁𝐼𝑆𝐸)𝑡−1 + 𝛼2 𝐷(𝐿𝑁𝐶𝑂𝐿𝑇𝐸𝑆) + 𝛼3 𝐷(𝐿𝑁𝐼𝑃𝐶) + 𝛼4 𝐷(𝐵𝑅𝐸𝑁𝑇)

(3)
+ 𝛼5 𝐷(𝑇𝐼𝐵) + 𝛼6 𝐷(𝑇𝑅𝑀) + 𝛼7 𝐷(𝐷𝐸𝑆𝐸𝑀) + 𝛽0 𝜀𝑡 + 𝛽1 𝜀𝑡−1

En el anexo 4 encontramos la estimación de los parámetros del modelo ARIMA(1,1,1) y

en el anexo 5 encontramos el correlograma de los residuales de este modelo, que nos
permite inferir que los residuos estimados del modelo ARIMA(1,1,1) son puramente
aleatorios. Las estimaciones de los modelos ARIMA(1,1,1), ubicados en el anexo 4,
medidos con el COLCAP y el COTLES tampoco dan significativos. La única variable
significativa es D(IPC). La variable D(BRENT) da significativa, pero su coeficiente
tiende a cero. El modelo medido con el COLCAP tiene un 𝑅 2 de 20.7%. El modelo
medido con el COLTES tiene un 𝑅 2 de 14.3%.

CONCLUSIÓN

Desde la teoría hay muchos argumentos que sustentan la existencia de una relación
predictiva entre el mercado de capitales y el desempeño económico. Principalmente la
naturaleza de las variables del mercado de capitales, que al ser indicadores adelantados,
describen las expectativas de las condiciones futuras del mercado. Este estudio se
desarrolló con el propósito de establecer una metodología empírica que comprobara si en
Colombia se podía evidenciar esta relación. Los resultados de los modelos AR(1), cuadro
4, y ARIMA(1,1,1), anexo 4, concluyen que las variables IGBC, COLCAP y COLTES,
junto con las demás variables consideradas en el modelo, no son instrumentos eficientes
para predecir la tendencia del ciclo económico.

A pesar de que los modelos no son significativos, el modelo ARIMA(1,1,1) medido con
el COLCAP tiene un 𝑅 2 considerablemente más elevado que el obtenido del modelo
AR(1). Esto puede explicarse por el crecimiento del mercado accionario entre el 2001 y
el 2008. Entre el 2001 y el 2004 se negoció en promedio por año un 1,12% del PIB en
acciones. Entre el 2008 y el 2012 se negoció en promedio por año un 8,05% del PIB en
acciones. Esto sugiere que a medida que se desarrolla el mercado de capitales se fortalece
su relación con el desempeño económico.

Actualmente, como se ilustró en la introducción y en el marco teórico, el mercado

accionario colombiano es reducido. El número de sociedades nacionales que cotizan en
bolsa es bajo. Las acciones negociadas representan un pequeño porcentaje del PIB y el
número total de operaciones en acciones es significativamente inferior, relativo a las
cifras de los mercados líderes en Latinoamérica. La capitalización bursátil está
concentrada en dos sectores económicos, el industrial y el financiero. Esta es una
limitación importante. Sectores económicos como el agrícola, que representó el 6.24%
del PIB del 2008 al 2015, no tienen representación significativa en la capitalización
bursátil. El sector minero representó el 8.88% del PIB del 2008 al 2015 y tampoco obtuvo
representación en la capitalización bursátil. Lo mismo ocurrió con el sector de retail luego
del 2011.

En parte esto se debe a que la inversión en TES representa un alto porcentaje del valor
total de las transacciones del mercado bursátil, ya que el Estado es quien está acaparando
los recursos de los colombianos que están invirtiendo. El estado, según la ejecución
presupuestal general de la nación del 2010 a 2015 emitida por el Ministerio de Hacienda
y Crédito Público, destinó en promedio el 55% de los recursos al funcionamiento, el 23%
al servicio de la deuda y el 22% a inversión, cifras discutibles por los altos niveles de
corrupción percibidos en el país.

En síntesis, se concluye que los modelos empleados según la metodología Box-Jenkins

no pueden llegar a predecir el comportamiento del ciclo económico, gracias a que el
mercado accionario colombiano es reducido y no representa adecuadamente los sectores
económicos distintivos del país. Asimismo, el hecho de que el mercado de TES absorba
la mayoría del capital invertido en el mercado bursátil no favorece el desarrollo
financiero.
ANEXO 1: GRÁFICAS DE DISPERSIÓN ISE VS. VARIABLES
ANEXO 2. PATRONES TEORICOS FAC Y FACP

Tipo de Modelo Patrón típico de FAC Patrón típico de FACP

AR(p) Disminuye exponencialmente o Picos significativos en los
con un patrón de onda sinusoide rezagos q
achatada o ambos
MA(q) Picos significativos en los Decrece exponencialmente
rezagos q
ARIMA(p, q) Decrece exponencialmente Decrece exponencialmente

Fuente: (Gujarati & Porter, 2009)

 ANEXO 3. CORRELOGRAMA D(ISE) ENERO 2008-JULIO 2016

Date: 11/19/16 Time: 23:58

Sample: 2008M01 2016M07
Included observations: 102

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

1 -0.187 -0.187 3.6548 0.056

2 -0.011 -0.047 3.6665 0.160
3 0.066 0.057 4.1328 0.247
4 -0.045 -0.023 4.3561 0.360
5 -0.063 -0.076 4.7911 0.442
6 -0.020 -0.054 4.8335 0.565
7 0.204 0.202 9.4756 0.220
8 0.053 0.148 9.7981 0.279
9 -0.090 -0.056 10.726 0.295
10 0.170 0.119 14.076 0.170
11 -0.016 0.051 14.107 0.227
12 -0.060 -0.005 14.527 0.268
13 -0.038 -0.063 14.695 0.327
14 -0.047 -0.122 14.958 0.381
15 0.063 0.021 15.447 0.420
16 -0.171 -0.150 19.074 0.265
17 0.110 -0.007 20.595 0.245
18 0.036 -0.001 20.759 0.292
19 -0.059 -0.008 21.204 0.326
20 0.174 0.194 25.103 0.198
21 -0.057 0.035 25.523 0.225
22 0.006 0.034 25.528 0.273
23 -0.038 0.026 25.724 0.314
24 -0.079 -0.051 26.565 0.325
25 0.148 0.113 29.564 0.241
26 -0.150 -0.106 32.695 0.171
27 0.179 0.071 37.204 0.091
28 0.014 -0.015 37.232 0.114
29 -0.063 -0.057 37.811 0.127
30 0.016 -0.063 37.849 0.154
31 -0.051 -0.046 38.237 0.174
32 -0.036 -0.077 38.429 0.201
33 -0.039 -0.021 38.667 0.229
34 -0.080 -0.101 39.668 0.232
35 0.079 -0.028 40.666 0.235
36 -0.170 -0.100 45.291 0.138

ANEXO 4. ESTIMACIÓN MCO MODELO ARIMA(1,1,1)

Dependent Variable: D(LNISE) Dependent Variable: D(LNISE)

Method: ARMA Maximum Likelihood (OPG - BHHH) Method: ARMA Maximum Likelihood (OPG - BHHH)
Date: 11/20/16 Time: 00:28 Date: 11/20/16 Time: 00:28
Sample: 2008M02 2016M07 Sample: 2008M02 2016M07
Included observations: 102 Included observations: 102
Failure to improve objective (non-zero gradients) after 41 iterations Convergence achieved after 157 iterations
Coefficient covariance computed using outer product of gradients Coefficient covariance computed using outer product of gradients

Variable Coefficient Std. Error t-Statistic Prob. Variable Coefficient Std. Error t-Statistic Prob.

C 0.005093 0.000395 12.90719 0.0000 C 0.004524 0.000886 5.103014 0.0000

D(LNMCAP) -0.019901 0.015616 -1.274457 0.2057 D(LNCOLTES) -0.033989 0.048085 -0.706848 0.4814
D(LNIPC) -0.600130 0.134418 -4.464671 0.0000 D(LNIPC) -0.430686 0.163962 -2.626748 0.0101
D(BRENT) 0.000400 8.47E-05 4.725928 0.0000 D(BRENT) 0.000284 8.84E-05 3.213287 0.0018
D(TIB) 0.102149 0.134275 0.760747 0.4488 D(TIB) 0.008321 0.169409 0.049116 0.9609
D(TRM) 1.31E-05 9.22E-06 1.422483 0.1583 D(TRM) 1.75E-05 9.55E-06 1.832346 0.0701
D(DESEM) 0.000197 0.000760 0.259545 0.7958 D(DESEM) 0.000218 0.000666 0.327716 0.7439
AR(1) 0.523426 0.111112 4.710801 0.0000 AR(1) 0.432225 0.214263 2.017264 0.0466
MA(1) -1.000000 532.9559 -0.001876 0.9985 MA(1) -0.765778 0.194918 -3.928719 0.0002
SIGMASQ 3.10E-05 0.000367 0.084634 0.9327 SIGMASQ 3.35E-05 4.23E-06 7.927712 0.0000

R-squared 0.207725 Mean dependent var 0.002722 R-squared 0.143462 Mean dependent var 0.002722
Adjusted R-squared 0.130219 S.D. dependent var 0.006288 Adjusted R-squared 0.059670 S.D. dependent var 0.006288
S.E. of regression 0.005865 Akaike info criterion -7.312566 S.E. of regression 0.006098 Akaike info criterion -7.266027
Sum squared resid 0.003164 Schwarz criterion -7.055216 Sum squared resid 0.003421 Schwarz criterion -7.008677
Log likelihood 382.9409 Hannan-Quinn criter. -7.208356 Log likelihood 380.5674 Hannan-Quinn criter. -7.161817
F-statistic 2.680138 Durbin-Watson stat 1.982830 F-statistic 1.712127 Durbin-Watson stat 2.013933
Prob(F-statistic) 0.008227 Prob(F-statistic) 0.097257

Inverted AR Roots .52 Inverted AR Roots .43

Inverted MA Roots 1.00 Inverted MA Roots .77
ANEXO 5. CORRELOGRAMA RESIDUALES MODELO ARIMA(1,1,1)

Date: 11/20/16 Time: 00:31

Sample: 2008M01 2016M07
Included observations: 102
Q-statistic probabilities adjusted for 2 ARMA terms and 6 dynamic
regressors

Autocorrelation Partial Correlation AC PAC Q-Stat Prob*

1 -0.015 -0.015 0.0232

2 0.026 0.026 0.0941
3 0.054 0.055 0.4052 0.524
4 -0.053 -0.052 0.7042 0.703
5 -0.080 -0.085 1.4058 0.704
6 -0.103 -0.107 2.5675 0.633
7 0.131 0.140 4.4706 0.484
8 0.086 0.108 5.3068 0.505
9 -0.041 -0.046 5.5021 0.599
10 0.150 0.110 8.0904 0.425
11 0.004 -0.004 8.0920 0.525
12 0.020 0.040 8.1409 0.615
13 -0.065 -0.044 8.6439 0.655
14 -0.106 -0.112 10.002 0.616
15 -0.010 -0.026 10.014 0.693
16 -0.094 -0.053 11.105 0.678
17 0.040 0.027 11.300 0.731
18 0.005 -0.028 11.303 0.790
19 -0.040 -0.066 11.508 0.829
20 0.150 0.122 14.433 0.700
21 -0.057 -0.021 14.863 0.731
22 0.032 0.034 14.999 0.776
23 -0.076 -0.070 15.766 0.783
24 -0.067 -0.044 16.377 0.797
25 0.160 0.197 19.905 0.648
26 -0.094 -0.031 21.139 0.631
27 0.091 0.035 22.303 0.618
28 0.032 -0.024 22.450 0.664
29 -0.009 -0.007 22.462 0.714
30 0.023 0.018 22.539 0.756
31 -0.116 -0.081 24.550 0.701
32 0.005 -0.072 24.554 0.746
33 -0.036 -0.016 24.757 0.778
34 -0.023 0.036 24.838 0.813
35 0.079 0.038 25.826 0.809
36 -0.079 -0.087 26.837 0.804

BIBLIOGRAFIA

Banco de la Republica. (2000). Metodología de cálculo del Índice de Tasa de Cambio

Real (ITCR) de Colombia.
Bernanke, B., & Gertler, M. (1989). Agency Costs, Net Worth, and Business
Fluctuations. American Economic Review.
Bolsa de Valores de Colombia. (s.f.). Bolsa de Valores de Colombia. Obtenido de
http://www.bvc.com.co/pps/tibco/portalbvc/Home/Mercados/descripciongeneral
/indicesbursatiles?action=dummy
Choudhry, T., Papadimitriou, F., & Shabi, S. (2016). Stock market volatility and
business cycle: Evidence from linear and nonlinear causality tests. Journal of
Banking and Finance.
Christiano, L., Eichenbaum, M., & Rebelo, S. (2010). When is the Government
Spending Multiplier Large?
Departamento Nacional de Planeación. (2016). Dividendo económico de la paz .
Duca, G. (2007). THE RELATIONSHIP BETWEEN THE STOCK MARKET AND THE
ECONOMY: EXPERIENCE FROM INTERNATIONAL FINANCIAL MARKETS.
Bank of Valletta Review.
Fama, E. (1981). Stock Returns, Real Activity, Inflation, and Money. American
Economic Association .
Fama, E. (1990). Stock Returns, Expected Returns, and Real Activity. The Journal of
Finance.
Fischer, S., & Merton, R. (1984). Macroeconomics and Finance: The Role of the Stock
Market.
Gozzi, J. C., de la Torre, A., & Schumkler, S. L. (2008). Capital market development:
whither Latin America? University of Chicago Press.
Gujarati, D., & Porter, D. (2009). Econometría. McGraw Hill.
Khan, M., & Reinhart, C. (1989). Private Investment and Economic Growth in
Developing Countries. International Monetary Fund.
Modigliani, F. (1971). Consumer Spending and Monetary Policy: the Linkages. Federal
Reserve Bank of Boston Conference Series: Paper No.5.
Ospina, V. (2012). INTERACCIONES ENTRE EL TIPO DE CAMBIO Y EL MERCADO
BURSÁTIL DE COLOMBIA.
Pinilla, C. A. (2014). EL PAPEL DEL MERCADO BURSATIL EN EL CICLO
ECONOMICO. Bogotá D.C.
Sánchez, W. Y., & Amaya, J. F. (2006). EL IGBC COMO PREDICTOR DEL CICLO
ECONOMICO EN COLOMBIA. Chia.
Senyuz, Z., Chauvet, M., & Yoldas, E. (2012). What Does Financial Volatility Tell Us
About Macroeconomic. Washington D.C.
Superintendencia Financiera de Colombia. (2008). MERCADO DE CAPITALES,
ESTABLECIMIENTOS BANCARIOS. Obtenido de
https://www.superfinanciera.gov.co/SFCant/Normativa/Conceptos2008/2008023
952.pdf
Tobin, J. (1969). A General Equilibrium Approach to Monetary Theory. Journal of
Money, Credit and Banking.