UNIVERSIDAD DE CHILE

FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS

DEPARTAMENTO DE INGENIERÍA INDUSTRIAL

ARBITRAJE EN MERCADOS FINANCIEROS FRAGMENTADOS

TESIS PARA OPTAR AL GRADO DE MAGÍSTER EN ECONOMÍA APLICADA

MEMORIA PARA OPTAR AL TITULO DE INGENIERO CIVIL INDUSTRIAL

PEDRO IGNACIO CONCHA VILLEGAS

PROFESOR GUÍA:
MARCELA VALENZUELA BRAVO

MIEMBROS DE LA COMISIÓN:
ALEJANDRO BERNALES SILVA
PATRICIO VALENZUELA AROS

Este trabajo ha sido parcialmente nanciado por Instituto Milenio para la investigación en
Imperfecciones de Mercados y Políticas Públicas, ICM IS130002

SANTIAGO DE CHILE
2017
ii
 RESUMEN DE LA MEMORIA PARA OPTAR
AL TÍTULO DE MAGÍSTER EN ECONOMÍA APLICADA
Y AL TÍTULO DE INGENIERO CIVIL INDUSTRIAL
POR: PEDRO IGNACIO CONCHA VILLEGAS
FECHA: 2017
PROF. GUÍA: SR. MARCELA VALENZUELA BRAVO

ARBITRAJE EN MERCADOS FINANCIEROS FRAGMENTADOS

Los grandes cambios que se han producido en las últimas décadas en cuanto a la forma de
tranzar lo activos nancieros ha generado nuevas preguntas, y una gran cantidad de inves-
tigación asociada a las consecuencias de estos fenómenos, investigación que está lejos de ser
concluyente en la mayoría de los temas abordados y que es de gran interés a la hora de
generar políticas o diseños de mercado que favorezcan la mayor calidad de los mismos.

En la presente investigación se estudia el arbitraje que se produce a causa de la fragmenta-

ción de los mercados nancieros, fenómeno reciente, con datos de alta frecuencia en mercados
donde se evidencia la presencia de los llamados inversionistas de alta frecuencia, otro fenó-
meno de gran relevancia y estudio en las últimas décadas.

Para lo anterior, se utilizan datos de 22 acciones pertenecientes al índice AEX (Amster-

dam Exchange Index) durante todo el año 2014, que son tranzadas simultáneamente en más
de un mercado. Especícamente, se utilizan los libros de órdenes y transacciones y los libros
de órdenes límites (LOB) de los mercados Bats Chi X y Euronext, para las acciones estudia-
das.

La metodología utilizada consiste en primero identicar los instantes de arbitraje que se

dan entre estos mercados, luego utilizar el tradicional modelo logit, donde en este caso la
variable dependiente es igual a uno para aquellos días o intervalos en que existe alguna po-
tencial oportunidad de arbitraje. La variable dependiente es regresionada con un conjunto
de medidas asociadas a alguna dimensión del libro de órdenes límites, es decir, con ciertas
variables que miden alguna característica de microestructura de mercado.

Los resultados encontrados indican que efectivamente existen ciertas características o `ruido
de microestructura' como lo denomina Marshall et al. (2013) [29] que inciden o que predo-
minan cuando ocurren los instantes de potencial arbitraje.

Dentro de los principales resultados, se puede mencionar que la liquidez tiene una impor-
tante relación sobre estos eventos, siendo la profundidad la dimensión más importante y que
presenta una clara relación negativa con la presencia de estos eventos. Además, no sólo es
importante la liquidez en la cima del libro sino también la forma en que la liquidez se distri-
buye a lo largo del libro de órdenes límites. La volatilidad presente en el libro y la actividad
transaccional observada tienen una relación positiva y signicativa con la presencia de las
oportunidades de potencial arbitraje.

iii
iv
Con mucho amor y agradecimiento, para mi mamá y el recuerdo de mi mama.
Muchas gracias a estas grandes mujeres, por tanto.

v
vi
Agradecimientos

Al nalizar este paso por la Universidad, no puedo sino agradecer a tantas personas que han ayudado a
hacer de esta una muy bonita experiencia.

Primero agradecerle a mi mamá, sin su constante esfuerzo, rigurosidad, compañía y amor incondicional,
jamás hubiese cumplido mi sueño de estudiar en la Universidad de Chile. Agradecerle a mi mama, me hubie-
se encantado que me hubiese visto terminando esta etapa, pero le agradeceré siempre por tanto amor y por
inuir tanto en quien soy. Agradecerle a mi tata, mis tíos/as y primas por su cariño y por creer en mí, y a
la Mia por la compañía e incondicionalidad.

Me siento muy feliz por la gente que pude conocer en la Universidad y agradecido de las experiencias que
viví, sin embargo, no puedo dejar de agradecer a esos amigos que conozco hace ya más de 15 años en algunos
casos. Muchas gracias a aquellos miembros de Altura09, que a pesar de los caminos distintos que tomamos, de
la dicultad de hacer calzar los tiempos, no he dejado de sentir genuina preocupación por el otro, gracias por
haberme acompañado en mis momentos de estrés y angustia en la Universidad y por construir un hermoso gru-
po de amigos. Muchas gracias también a todos aquellos grandes amigos que mantengo del Colegio Santa Cruz.

En mis primeros años en la Universidad me hice de muy buenos amigos, como olvidar esas noches de estudio
en San Diego y esas ollas de tallarines, donde claramente sin ustedes esos años de estrés no hubiesen sido
recordado hoy como grandes años, gracias a su compañía, muchas gracias plan comuneros. En tercero tuve
un pequeño pero importante paso por Minas, y la importancia radica en las personas que conocí ahí, ami-
gos que pese a mi cambio de carrera me siguieron haciendo parte de sus actividades, y hasta el día de hoy
conservo muy buenos amigos mineros. También agradezco por la oportunidad que tuve de hacer mi última
práctica en Indonesia, y agradezco a los amigos que conocí en una de las mejores experiencias que he vivido,
especialmente muchas gracias al Warung.

Finalmente, pero no menos importante, muchas gracias a aquellos amigos que conocí en Industrias. A aquellos
amigos que hice con Taller de Industrias, muchas gracias a LOSLA <3 por siempre hacer más alegre mis
días en la Universidad y muchas gracias al Gym y el Ñam, sin ustedes los últimos años en la Universidad no
hubiesen sido lo mismo. Agradecer a los amigos que conocí en el Magíster, gracias por el constante animo
que nos dimos y por valorarnos los unos a los otros. También agradecer a todos quienes conocí en el equipo
docente de algún ramo, sé que probablemente se me olviden personas, pero realmente a todos quienes estu-
vieron en algún momento de alguna u otra forma estoy muy agradecido, ya que hicieron de mi paso por la
Universidad una excelente experiencia.

También agradezco profundamente a mi profesora guía, Marcela Valenzuela, por su dedicación, tiempo y
consejos. Realmente fue una gran guía en este cierre de ciclo. Adicionalmente, agradecer al profesor Patricio
Valenzuela, porque debido a su motivación en clases pude re encantarme con la carrera, en un momento
que lo necesitaba. Muchas gracias también a quienes trabajan en el Centro de Finanzas, por la disposición
y ayuda entregada, y al Instituto Milenio para la investigación en Imperfecciones de Mercados y Políticas
Públicas por su nanciamiento parcial (ICM IS130002).

vii
viii
Tabla de Contenido

Introducción 1

1. Literatura relacionada 5

2. Mercados y Datos 9

3. Arbitraje 13

4. Análisis Empírico 20
4.1. Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.2. Dimensiones del libro a considerar . . . . . . . . . . . . . . . . . . . . . . . . 21
4.2.1. Liquidez . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.2.2. Incertidumbre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.2.3. Actividad transaccional . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.2.4. Otros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.3. Metodología econométrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

5. Resultados 35
5.1. Modelo diario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
5.2. Modelo predictivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

6. Análisis de sensibilidad 46

Conclusión 48

Bibliografía 51

7. Anexos 54

ix
Índice de Tablas

2.1. Resumen de valores promedios diarios transaccionales de las acciones analizadas. 12

3.1. Duración de oportunidades de arbitraje . . . . . . . . . . . . . . . . . . . . . 16

3.2. Potenciales ganancias porcentuales asociadas a las oportunidades de arbitraje 17
3.3. Depth asociado a las oportunidades de arbitraje . . . . . . . . . . . . . . . . 18
3.4. Máxima gancia asociada a las oportunidades de arbitraje . . . . . . . . . . . 18

7.1. Valores promedios diarios transaccionales de las acciones analizadas de Bats

Chi X. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
7.2. Valores promedios diarios transaccionales de las acciones analizadas de Euronext. 55
7.3. Depth como único regresor, logit diario. . . . . . . . . . . . . . . . . . . . . . 56
7.4. Spread como único regresor, logit diario. . . . . . . . . . . . . . . . . . . . . 57
7.5. Distribución de liquidez como único regresor, logit diario. . . . . . . . . . . . 58
7.6. Volatilidad como único regresor, logit diario. . . . . . . . . . . . . . . . . . . 59
7.7. Actividad transaccional como único regresor, logit diario. . . . . . . . . . . . 60
7.8. Otras medidas como único regresor, logit diario. . . . . . . . . . . . . . . . . 61
7.9. Logit diario, múltiples controles. . . . . . . . . . . . . . . . . . . . . . . . . . 62
7.10. Depth como único regresor, logit pedictivo. . . . . . . . . . . . . . . . . . . . 63
7.11. Spread como único regresor, logit pedictivo. . . . . . . . . . . . . . . . . . . 64
7.12. Distribución de liquidez como único regresor, logit pedictivo. . . . . . . . . . 65
7.13. Volatilidad como único regresor, logit pedictivo. . . . . . . . . . . . . . . . . 66
7.14. Actividad transaccional como único regresor, logit pedictivo. . . . . . . . . . 67
7.15. Otras medidas como único regresor, logit pedictivo. . . . . . . . . . . . . . . 68
7.16. Logit pedictivo, múltiples controles. . . . . . . . . . . . . . . . . . . . . . . . 69
7.17. Logit diario, análisis de sensibilidad. . . . . . . . . . . . . . . . . . . . . . . 70
7.18. Logit predictivo, análisis de sensibilidad. . . . . . . . . . . . . . . . . . . . . 71

x
Índice de Ilustraciones

2.1. Volumen y valor nominal de AEX, según mercado . . . . . . . . . . . . . . . 11

3.1. Duración oportunidades de arbitraje . . . . . . . . . . . . . . . . . . . . . . 15

xi
xii
Introducción

En las últimas décadas se han producido grandes cambios en la forma de tranzar los acti-
vos nancieros; se ha visto un incremento sustancial en cuanto a las plataformas disponibles
a la hora de tranzar un mismo activo nanciero, fenómeno llamada fragmentación.

Otro importante cambio ha sido el incremento sustancial de la tecnología utilizada por los
agentes involucrados en los distintos mercados nancieros.

Paralelamente, los reguladores han respondido a estos cambios implementando nuevas norma-
tivas que han buscado alentar la proliferación de nuevas plataformas para tranzar los activos
nancieros y de esta forma aumentar la competencia. En Estados Unidos fue la normativa
RegNMS (Sistema nacional de regulación de mercados) en 2005 y en el caso de Europa fue la
normativa MiFID (Directiva sobre mercados nancieros) en 2007, las que buscaron adaptarse
a la nueva realidad imperante.

La serie de cambios, ha alentado fuertemente el desarrollo de investigación en torno a es-

tos temas relacionados a la microestructura de mercado, investigación que hasta el momento
no es concluyente, pues siguen habiendo preguntas sin cerrar en torno a los benecios o daños
a causa de los cambios del último tiempo.

En el marco de la presente investigación se estudia el arbitraje en mercados nancieros

fragmentados, especícamente se busca entender que características son las que prevalecen o
podrían dar paso a la existencia de estos eventos.

Estudiar un fenómeno tan relevante en la economía nanciera como lo es el arbitraje es

de gran importancia. Lo anterior, debido a que la aparición de eventos de potencial arbitraje
está asociado a instantes en que los activos nancieros se encuentran mal valorados, lo que
puede dar paso a que ciertos agentes del mercado se benecien a expensas de otros agentes.

Adicionalmente, existe evidencia de que las rentas de arbitraje pueden producir ciertos efectos
negativos y no deseados para los mercados nancieros. Foucault, Kozhan y Tham (2016) [15]
señalan que las oportunidades de arbitraje de corta duración incrementan el costo del riesgo
de selección adversa para ciertos inversionistas, por otra parte, Budish, Cramton y Shim
(2015) [8] muestran que las rentas de arbitraje perjudican la provisión de liquidez y gene-
ran una carrera socialmente ineciente por aumentar la velocidad de ejecución de las órdenes.

La utilidad derivada de entender el arbitraje en mercados fragmentados va por una parte

1
en benecio de los reguladores y también hacia los inversionistas.

Los reguladores, quienes deben generar políticas y diseños de mercado que favorezcan la
calidad de los mismos, al entender que características dan paso a las oportunidades de arbi-
traje pueden generar diseños de mercado tendientes a evitar los efectos negativos asociados
a las rentas de arbitraje.

Los inversionistas por su parte al conocer que características dan paso a la aparición de
estos eventos, pueden tomar decisiones más informadas a la hora de decidir invertir en un
activo nanciero o en otro.

Adicionalmente, si se pone en contexto las grandes cantidades de dinero que son tranza-
das diariamente en los mercados nancieros y la presencia de múltiples intereses globales,
puede comprenderse que estas rentas de arbitraje pueden producir un gran daño a la econo-
mía global.

Para investigar este fenómeno de arbitraje en mercados fragmentados, se lleva a cabo un

estudio empírico en que se utilizan datos de libros de órdenes límites (LOB) y libros de ór-
denes y transacciones para acciones pertenecientes al índice AEX, índice compuesto de los
25 principales valores tranzados de forma primaria en Euronext Amsterdam, los cuales son
tranzadas simultáneamente en más de un mercado. Especícamente, se utilizan 22 acciones
pertenecientes al índice AEX, con datos de alta frecuencia que corresponden al año 2014 y
tomando en consideración los mercados Bats Chi X y Euronext.

La metodología utilizada para llevar adelante la investigación consiste en una primera étapa
identicar las oportunidades de arbitraje que se dan en las acciones estudiadas entre los mer-
cados de Bats Chi X y Euronext. A grandes rasgos, estos instantes ocurren cuando el primer
mejor precio de compra en un libro de órdenes límites es mayor al primer mejor precio de
venta de la misma acción en el otro mercado.

Luego de identicadas las oportunidades de arbitraje se utiliza el tradicional modelo lo-

git, donde en este caso la variable dependiente es igual a uno para aquellos días o intervalos
de tiempo en que ocurren una potencial oportunidad de arbitraje y cero en caso contrario.

Esta variable dependiente es regresionada con un conjunto de medidas, las cuales detectan
el estado del libro de órdenes límites con respecto a alguna dimensión del libro en particular.

Para detectar las oportunidades de arbitraje y para medir las variables independientes, fue
necesario primero realizar ciertos ltros sobre los libros de órdenes límites para de esta forma
limpiar los datos de posibles errores.

Una vez realizada la limpieza en los datos, se construyó un libro de órdenes límites con
una frecuencia de un segundo, para de esta forma medir todas las variables con la regulari-
dad antes señalada.

Los resultados encontrados validan las hipótesis que son desarrolladas en el presente tra-
bajo.

2
Por una parte, se concluye la relevancia que tiene la liquidez presente en el libro de órdenes
límites sobre la presencia de oportunidades de arbitraje, siendo la profundidad la dimensión
más relevante y que presenta una clara relación negativa con la aparición de estos eventos.

Otro aspecto a destacar, es que la liquidez no sólo es importante en la cima del libro, sino que
también es relevante como esta se distribuye a lo largo del libro de órdenes límites. Lo anterior,
puede detectarse a través de la gran signicancia que tiene la variable Relative Liquidity, y
también a través de la mayor importancia que tiene el Depth Beyond por sobre el Depth Best.

Los resultados indican que la aparición de los eventos de potencial arbitraje tiene una relación
positiva y signicativa con la incertidumbre presente en el libro de órdenes límites y con la
actividad transaccional observada.

Adicionalmente, se pudo identicar que existe cierto grado de asimetría en relación a la

información revelada en los distintos lados de mercado del libro de órdenes límites, siendo en
algunos casos más relevante el lado de compra por sobre el lado de venta.

Lo anterior pues para una misma variable medida de manera aislada para el lado de compra
y para el lado de venta, se pudo ver en distintas conguraciones econométricas que la variable
en el lado de la compra mantiene una alta signicancia, mientras que la signicancia de la
variable del lado de la venta del libro desaparece en algunos casos.

Las oportunidades de arbitraje encontradas pueden ser muy bien caracterizadas a través
de la descripción realizada por Foucault, Kozhan y Tham (2016) [15] para las oportunidades
de arbitraje de alta velocidad. Los autores antes mencionados las caracterizan como eventos;
i) frecuentes, ii) de muy corta duración, iii) más ecientemente explotadas por máquinas que
por humanos y iv) con una ganancia muy leve por oportunidad de arbitraje. Características
que se ajustan de muy buena manera a los eventos encontrados.

Especícamente, en el tramo horario comprendido entre las 8:00 y las 16:00 horas duran-
te todo el año 2014 con las acciones antes mencionadas se detectaron 4,496 instantes de
potencial arbitraje. La duración promedio de las oportunidades encontradas es de 1.739 se-
gundos y con una tasa porcentual de potencial ganancia asociada de 0.03428. Además, en el
42.71 % de los casos el lado de compra asociado a la potencial oportunidad es de Bats Chi X
y en el restante 57.29 % de los casos corresponde a Euronext.

La presente investigación está estructurada de la siguiente forma; en el capítulo 1 se expone

la investigación más pertinente desarrollada hasta la fecha en torno al arbitraje en mercados
fragmentados, en el capítulo 2 se presentan los datos con los que se trabaja y se realiza una
breve caracterización de los mercados involucrados y su funcionamiento, en el capítulo 3 se
caracteriza la forma en que se obtienen los instantes de potencial arbitraje y se realiza una
caracterización de los eventos encontrados, en el capítulo 4 se desarrollan las hipótesis en
torno al arbitraje en mercados fragmentados y se presenta la metodología econométrica que
se utilizará para validar las hipótesis, en el capítulo 5 se exponen los resultados obtenidos
para luego desarrollas las principales conclusiones del trabajo, y nalmente en el capítulo 6
se exponen ciertas tablas que son pertinentes destacar en la presente investigación.

3
4
Capítulo 1

Literatura relacionada

El arbitraje es uno de los fenómenos que emerge debido a la fragmentación de los mercados
nancieros, fenómeno que no ha sido tan estudiado como si ha ocurrido con los efectos de la
fragmentación o de la competencia entre mercados, se entiende por arbitraje la simultánea
compra y venta de un activo nanciero equivalente en dos mercados diferentes con el objetivo
de obtener una ganancia, que viene de la discrepancia en los precios (Bodie, Kane y Marcus,
2009, p. 319 [6]).

En la presente sección, se presenta a grandes rasgos la investigación más relevante y per-

tinente desarrollada a la fecha en torno al arbitraje, sin embargo, en el desarrollo de la
totalidad del presente trabajo se profundiza en ciertos estudios realizados, cuando esto sea
pertinente mencionar.

Gagnon y Karolyi (2010) [19] estudian los ADR's y otras acciones que están listadas en
Estados Unidos y en algún otro mercado local, y buscan discrepancias de precios y retornos
diarios. Se incluyó el retorno como variable pues en un mercado accionario sin fricciones e
integrado, se debería asegurar no sólo que la diferencia en precios fuera cero sino también
que la diferencia en los retornos diarios fuera igual a cero.

Los autores antes mencionados, utilizan una muestra de 506 parejas de acciones de 35 países
en el período comprendido entre 1993 y 2004. Muestran que la desviación de la paridad de
precios entre las parejas de acciones es en promedio alrededor de 4.9 basis points (como %
del precio de la acción en el mercado local) y con una desviación estándar de 1.4 % para una
pareja típica. Estas desviaciones en los precios pueden alcanzar valores que van desde un
descuento de -40.4 % hasta un premio de 127.4 %.

El análisis se realizó por rma-trimestre, y se realizó un análisis cros seccional mediante

series de tiempo de panel por rma-trimestre. En total, se usaron 12,572 rmas-trimestre.

Las medidas que se utilizaron para medir el arbitraje fueron: el logaritmo natural del co-
ciente entre el precio en Estados Unidos y el precio de la acción en el mercado doméstico.
Adicionalmente, se computaron los cambios diarios de la variable anterior, es decir, la dife-

5
rencia en el retorno diario.

Se realizaron distintos análisis regresionales de manera cros seccional y dentro de las ma-
yores conclusiones que se obtuvo fue, que la diferencia logarítmica de los precios y que la
diferencia de los retornos están relacionadas positivamente con los costos de tenencia. La
capitalización de mercado tiene un efecto negativo y signicativo sobre ambas diferencias.

Se muestra que el poder explicativo de los proxies para los costos de tenencia permanece
fuerte, aun controlando por costos transaccionales. A nivel de países, se muestra una fuerte
y negativa relación entre la magnitud de la disparidad de precios y los proxies para el grado
de desarrollo económico y nanciero.

La disparidad de precios tiende a ser mucho menor cuando no hay restricciones sobre las
ventas cortas en el mercado local y cuando los inversionistas tienen un mayor grado de co-
nocimiento del mercado.

Por el contrario, la disparidad de precios es mayor cuando los inversionistas extranjeros

tienen acceso limitado al mercado local, cuando los costos transaccionales son altos, y bajo
condiciones de mercado más volátiles.

Estudiar el arbitraje, producto de la existencia de múltiples plataformas para tranzar un

mismo activo, tiene importancia pues existe evidencia de que los inversionistas concentran
su actividad en las horas de solapamiento entre distintos mercados. Menkveld (2008) [30]
encontró un aumento en el volumen, la volatilidad y una ligera mayor oferta de liquidez para
las horas superpuestas versus aquellas no superpuestas.

Schultz y Shive (2010) [37] dicen ser los primeros en examinar la microestructura de co-
mo situaciones de precio erróneo (`mispricing') son creadas y resueltas. Para lo anterior,
examinan dos clases de acciones que ofrecen derechos sobre el mismo ujo de caja y que son
emitidas por la misma compañía, cada pareja de acciones tiene los mismos derechos sobre los
ujos de cajas, pero distintos derechos de voto.

Uno de los resultados encontrados que relaciona la liquidez con el arbitraje, y que es dis-
tinto al que muestran la mayoría de las investigaciones es que la causa más común de las
brechas que crean las situaciones de arbitraje es la presión de precios que mueve a la ac-
ción más activa (nonvoting) a que su precio se salga de línea. Lo anterior, es contra intuitivo,
pues se esperaría que la acción menos activa fuera la que estuviese asociada a precios erróneos.

Marshall, Nguyen y Visaltanachoti (2013) [29] realizan un estudio empírico y son unos de
los primeros en estudiar qué características de mercado prevalecen cuando se presentan las
oportunidades de arbitraje, utilizando datos de alta frecuencia.

Para detectar cómo afectan las características de los mercados sobre la presencia de opor-
tunidades de arbitraje se utilizaron datos 'intraday' de dos ETFs. Los ETFs son fondos de
inversión que buscan replicar el comportamiento de algún índice en particular.

Se estudiaron instantes de desajustes de precio entre los ETFs, SPY y IVV, entre sí y con el

6
índice que buscan replicar, es decir, el índice S&P500. Los datos van desde febrero del 2001
hasta agosto del 2010.

Las valoraciones erróneas o instantes de potencial arbitraje en los datos no son eventos
frecuentes, con la barrera para las desviaciones de precios de 0.2 % se encuentran 183 instan-
tes en el período 2001-2010. Estos instantes desaparecen rápidamente.

La rápida desaparición de las oportunidades de arbitraje es ligeramente diferente a otros

resultados encontrados en el mercado de acciones. Por ejemplo, Froot y Dabora (1999) [18]
muestran que los desvíos en los precios en acciones listadas en diferentes lugares pueden durar
sobre 4 años.

Para estudiar los determinantes en la presencia de oportunidades de arbitraje se estimó

una regresión logit, donde la variable dependiente binaria era igual a uno en los días que se
creaban oportunidades de arbitraje y cero en los otros casos, esta variable fue regresionada
sobre los spreads, el valor tranzado, diferencias en el NAV y el VIX. La magnitud de las
ganancias asociadas a estas oportunidades fueron regresionadas con estas mismas variables.

Los resultados muestran que las diferencias de precios, cuando son sucientes para gene-
rar ganancias de arbitraje, son más probables que ocurran en días que los spreads son más
altos. Los resultados muestran que es más probable que se generen oportunidades de arbitraje
en los días menos líquidos.

Los autores antes mencionados proponen que existen ciertas características que podrían in-
cidir en la presencia de oportunidades de arbitraje, sin embargo, existen otros autores que
mencionan que las oportunidades de arbitraje se deben a otras razones.

Budish, Cramton y Shim (2015) [8] desarrollan un modelo teórico en que hay un activo
X que se transa en un mercado con un diseño CLOB y existe una señal pública sobre el va-
lor de X, Y. El valor fundamental de X está perfectamente correlacionado a la señal pública Y.

Se concluye con el modelo que las oportunidades de arbitraje son construidas en esencia
por el diseño CLOB (Mercados de órdenes límites continuos) imperante actualmente en los
mercados nancieros, dado que el procesamiento en serie en tiempo continuo crea rentas de
arbitraje incluso cuando la información es pública simétricamente. Estas rentas de arbitraje
argumentan perjudican la provisión de liquidez e inducen a una carrera armamentista inter-
minable y socialmente excesiva por la velocidad.

Este modelo teórico es acompañado de un análisis empírico, utilizando datos de dos índi-
ces que replican el comportamiento del índice S&P500.

Dentro del período analizado, que va desde el 2005 hasta el 2011 encuentran que la du-
ración de las oportunidades de arbitraje disminuye dramáticamente, desde una mediana de
97 ms en 2005 a 7ms en 2011. Lo que argumentan está muy relacionado con la fuerte inversión
de las rmas transaccionales de alta frecuencia en velocidad durante este período.

Encuentran también que la rentabilidad de estas oportunidades permanece relativamente

7
constante durante este período. La frecuencia de las oportunidades de arbitraje varía en el
tiempo, pero esta variación está conducida casi enteramente por la variación en la volatilidad
de mercado.

Se menciona que el diseño de mercado actual predominante (CLOB) conduce a oportuni-

dades de arbitraje mecánicas y que la competencia no ha afectado el tamaño ni la frecuencia
de las oportunidades de arbitraje, esto sólo ha aumentado, argumentan, el riesgo de cuán
rápido uno puede ser capturado por un agente que posea una velocidad en su ejecución de
órdenes mayor.

Foucault, Kozhan y Tham (2016) [15] presentan el desarrollo de un modelo de arbitraje

en mercados cruzados, muestran ciertas proposiciones que se derivan del modelo y se testean
empíricamente.

La parte empírica es realizada con datos de tres parejas de monedas (dólar-euro, dólar-libra
y libra-euro), entre estas parejas se producen en ciertos instantes arbitraje triangular. Se usa
data de Reuters D-3000 desde el 2 de enero del 2003 al 30 de diciembre del 2004.

El arbitraje puede ser dañino o benecioso para los inversionistas, dependiendo cual sea
la causa de esta oportunidad de arbitraje. Cuando la oportunidad es debido a schocks de
demanda u oferta transientes (presión de precios), los arbitradores actúan implícitamente
como proveedores de liquidez al explotar esta oportunidad. En este caso, tanto el arbitrador
como la contraparte se benecian.

Cuando las oportunidades son debido al ajuste asincrónico en los precios de los activos
luego de un arribo de información, la ganancia de los arbitradores se hace a expensas de la
contraparte, lo cual constituye un arbitraje tóxico. Una transacción tóxica se dene, según
Easley et al. (2012) [13] de la siguiente forma: Un ujo de órdenes es considerado como
tóxico cuando se selecciona adversamente a un `market maker' que puede no ser consciente
de que está proveyendo liquidez a expensas de pérdidas.

Los resultados del paper sugieren que la eciencia ganada en los precios por los tarders
de alta frecuencia viene con el incremento en el costo del riesgo de selección adversa.

8
Capítulo 2

Mercados y Datos

La proliferación de nuevas plataformas o mercados que permiten tranzar un activo nan-

ciero en distintos lugares es un fenómeno de gran expansión durante las últimas décadas.
Este fenómeno de fragmentación en los mercados nancieros es bastante fuerte en Estados
Unidos, y con un cierto retraso y menos estudiado en Europa.

La fragmentación ha potenciado el desarrollo de nuevas y mejores tecnologías en los sistemas

transaccionales, lo cual ha ayudado a disminuir los tiempos de ejecución de órdenes y ha signi-
cado que las diferentes plataformas hayan intensicado la competencia entre sí, beneciando
a los inversionistas, por ejemplo, a través de la reducción de las cuotas o comisiones cobradas.

Lo anterior, ha sido producto no sólo de la fragmentación nanciera sino también de los

potentes cambios tecnológicos que han ocurrido en la forma de tranzar los activos nancieros.

La proliferación de los llamados algoritmos transaccionales u operadores de alta frecuen-

cia es un fenómeno creciente de las últimas décadas que ha crecido de forma paralela al
fenómeno de la fragmentación.

Un ejemplo de los grandes cambios tecnológicos que ha experimentado la forma de tran-

zar los activos nancieros es el hecho que en 2010 se completó la construcción de un cable de
bra óptica de alta velocidad que conectaba los mercados nancieros de New York y Chicago,
el resultado de esta inversión fue reducir el tiempo de conexión entre estos dos mercados de
16 a 13 milisegundos.

Sin embargo, no existe un claro consenso sobre los efectos que puede provocar la fragmenta-
ción de los mercados nancieros. Especícamente, existen quienes por una parte creen que la
fragmentación puede dañar la calidad de los mercados a través de la liquidez disponible.

Otros investigadores señalan que el aumento en la velocidad de algunos inversionistas po-

dría perjudicar o crear un costo de selección adversa para aquellos inversionistas que no
posean sistemas transaccionales tan sosticados.

9
Los cuestionamientos sobre las ventajas o desventajas asociadas a la proliferación de `traders'
de alta velocidad tampoco muestran un consenso entre los investigadores. Por lo tanto, gene-
rar investigación y encontrar relaciones empíricas con datos de alta frecuencia en mercados
fragmentados es de suma relevancia.

Los grandes cambios que se han visto en los mercados nancieros han sido recogidos en parte
por los reguladores correspondientes y han surgido ciertas normativas que buscan adaptarse
a la nueva realidad vigente.

La Unión Europea introdujó el 1 de Noviembre del 2007 el instructivo llamado MiFID, por sus
siglas en inglés que signica Directiva sobre Mercados Financieros, el cual entre otros asuntos
alienta la competencia entre bolsas locales y fomenta la entrada de nuevos actores al mercado.

Estudiar los fenómenos producidos a causa de la fragmentación es un asunto de gran in-

terés dentro de la investigación desarrollada en la microestructura de mercados y en nanzas
en general.

Los datos utilizados son útiles para estudiar este fenómeno y sus consecuencias, pues corres-
ponden a datos de ordenes y transacciones diarias de acciones que son tranzadas de manera
simultánea en múltiples mercados en Europa, siendo los dos más importantes; Euronext y
Bats Chi X.

Chi X, inició sus operaciones en Europa en Marzo del 2007. Inicialmente sólo operaba una
plataforma eléctronica transaccional con acciones pertenecientes a índices de Holanda y Ale-
mania. Su crecimiento ha sido muy rápido y signicativo, en 2011 se convirtió en el mayor
mercado accionario Europeo de acuerdo a las estadísticas transaccionales publicadas por la
Federación de Bolsas Europeas. Actualmente tiene el caracter de 'Recognised Investment
Exchange' (RIE), y es posible tranzar más de 4,500 activos nancieros pertenecientes a los
15 mayores mercados europeos.

Euronext también es una bolsa de valores paneuropea que opera desde el 22 de septiem-
bre del 2000, es el producto de la fusión de distintas bolsas locales de Europa, inicialmente
la Bolsa de Paris, Ámsterdam y Bruselas.

Tanto Euronext como Bats Chi X presentan mecanismos transaccionales similares, pues am-
bas permiten tranzar de acuerdo a libros de órdenes eléctronicos, es decir, son mercados de
órdenes límites continuos y las transacciones son efectuadas en orden de acuerdo a la priori-
dad de precio y de llegada.

Es importante realizar una breve descripción sobre el diseño de mercado presente tanto en
Euronext como en Bats Chi X, este diseño de mercado predomina actualmente en la mayoría
de los mercados nancieros y se denomina CLOB, por sus siglas en inglés que signica Libro
de órdenes límites continuo.

El conjunto o bloque de órdenes se construyen a partir de las llamadas ordenes límites.

Las ordenes límites indican precio, cantidad de acciones involucradas y si se trata de una
orden de compra o de venta. Estas órdenes pueden ser enviadas durante todo el día transac-

10
cional, y pueden también ser retiradas parcialmente o en su totalidad.

Si bien existen otro tipo de órdenes que pueden enviar los `traders', son las ordenes lími-
tes las básica y el resto suelen ser variaciones de las órdenes límites o alguna con ciertas
características en particular. Por ejemplo, una orden de mercado es una orden límite, pero
con la característica que el precio se determinará de tal forma que la orden sea ejecutada
inmediatamente.

Una transacción se realizará cuando una nueva orden límite sea enviada con las siguien-
tes características; ya sea una orden de compra con un precio igual o mayor que el mejor
precio de venta disponible en el mercado en ese instante, o una orden de venta con un precio
igual o menor que el actual mejor precio de compra.

Los datos diarios utilizados son de alta frecuencia, es decir, existen diferencias entre dos
observaciones consecutivas que pueden ser de órdenes de tiempo inferiores al segundo. Se
utilizaron acciones pertenecientes al índice AEX.

Este índice está compuesto de los 25 principales valores que se tranzan de manera primaria
en Euronext Amsterdam y que forman el índice Amsterdam Exchange Index. El 16 de Fe-
brero del año 2017 AEX tenía un valor nominal consolidado de 3,163,002,813 euros, donde
el 55.83 % era tranzado en Euronext y un 22.36 % en Bats Europe.

Figura 2.1: Volumen y valor nominal de AEX, según mercado

El volumen comprendido por AEX a la fecha antes mencionada era de 163,472,911, don-
de el 56.71 % era tranzado en Euronext y un 21.73 % en Bats Europe. En la gura 2.1 se
puede apreciar el detalle del valor nominal y del volumen de AEX, según mercados.

11
 Volumen promedio Valor promedio Órdenes de compra promedio Órdenes de venta promedio
Total Chi X 1,211,370.114 17,025,176.57 34,925,920.85 34,768,155.06
Total Euronext 4,067,840.255 57,456,229 218,685,698.5 210,652,962.7

Tabla 2.1: Resumen de valores promedios diarios transaccionales de las acciones analizadas.

Se analizaron 22 acciones pertenecientes a AEX, que se tranzaron de manera simultánea

en Euronext y Bats Chi X, durante todo el año 2014. Como se puede ver en la tabla 2.1,
el promedio diario del valor tranzado por acción en Euronext es de 57,456,229 euros y el
promedio diario de número de acciones tranzadas en Euronext es de 4,067,840, en el caso de
Bats Chi X los valores son 17,025,176 euros diarios y 1,211,370 acciones diarias. En la misma
tabla se puede ver el número de órdenes de compra y venta diarias promedio.

En la tabla 7.1, se puede ver el detalle para cada acción analizada de Bats Chi X sobre
su valor y volumen promedio diario tranzado, y el número de órdenes de compra y venta
diarias promedio. La misma información, pero relativa a las acciones analizadas de Euronext,
se puede encontrar en la tabla 7.2.

Para cada acción se cuenta con dos libros, el libro de ordenes límites (LOB) y el libro de
ordenes y transacciones. El LOB corresponde a lo que ven los inversionistas en cada momento
y es donde se pueden ver las órdenes que quedan en espera por ser ejecutadas de acuerdo a
la prioridad de precio, es decir, los precios de compra más altos y los precios de venta más
bajos son más probables de ser ejecutados, y son ordenados de mejores a peores precios en
espera.

El libro de ordenes y transacciones muestra el detalle de cuando van ingresando las ordenes,
ya sean de compra o venta, y cuando se realizan las transacciones, a partir de este libro se
construye el libro consolidado, LOB. Sin embargo, existen cierto tipo de ordenes en las que
no es público todo el detalle, como lo es el caso de las ordenes ocultas o 'iceberg', por lo que
no es posible reconstruir el LOB a partir del libro de ordenes y transacciones por completo.
Lo anterior no es un problema, pues no es necesario reconstruir el LOB debido a que ya se
dispone de él.

El LOB contiene el id de la acción, fecha y hora a la cual corresponde la información, además

de proporcionar los tres mejores precios (quotes), de compra y venta, con la cantidad (depth)
que es ofrecida a cada precio. En tanto el libro de ordenes y transacciones proporciona el
precio y la cantidad de acciones involucradas en cada orden entrante o transacción realizada,
más la información sobre la fecha, hora y acción en cuestión.

12
Capítulo 3

Arbitraje

Uno de los fenómenos que emerge debido a la fragmentación de los mercados es el arbi-
traje, es decir, tomar ventaja de las diferencias de precios que surjen sobre un mismo activo
subyacente que es tranzado simultáneamente en más de un mercado.

El arbitrage es importante dentro de la economía nanciera, pues está relacionado a dos

temas de gran relevancia como lo son el cumplimiento de la ley de único precio y las hipó-
tesis de los mercados ecientes. Se entiende por arbitrage la simultánea compra y venta de
un activo nanciero equivalente en dos mercados diferentes con el objetivo de obtener una
ganancia, que viene de la discrepancia en los precios (Bodie, Kane, and Marcus, 2009, p.
319 [6]). En teoría no se requiere capital y no hay riesgos, sin embargo, existen impedimentos
debido a fricciones de mercado e información imperfecta que puede limitar el arbitraje.

Como se vio en el capítulo sobre literatura relacionada, el arbitraje es un fenómeno estu-

diado de diversas formas y de gran importancia, sin embargo, el estudio con datos de alta
frecuencia es un fenómeno relativamente nuevo, como lo señalan Marshall, Nguyen y Vi-
saltanachoti (2013) [29] "muy poco se sabe sobre las características de mercado dentro del
día que existen cuando las oportunidades de arbitraje son creadas", lo que ellos denominan
microestructura de arbitraje.

Como evidencia de lo contemporáneo que es el estudio de este fenómeno se puede mencionar

que recién en 2016, Foucault, Kozhan y Tham [15] parecieran ser los primeros en modelar
este canal de arbitraje y entregar evidencia sobre su importancia para la liquidez. En ese
mismo trabajo, los autores antes mencionados señalan que más investigación es necesaria
para establecer robustez sobre las conclusiones que entregan para otro tipo de oportunidades
de arbitraje de alta frecuencia, ellos utilizan datos de libros electrónicos sobre monedas.

Con los datos antes mencionados, se procedió a detectar las oportunidades de arbitraje que
se daban entre una misma acción que es tranzada simultáneamente en Bats Chi X y en Eu-
ronext. Las oportunidades de arbitraje se detectaron en el intervalo de tiempo comprendido
entre las 8:00 y las 16:00, período durante el cual ambos mercados operan. Antes de identi-
car los instantes en que se dan estas oportunidades de arbitrajes es necesario realizar ciertos

13
ltros sobre los datos, con el objetivo de limpiar los datos de posibles errores.

Exclusivamente se dejaron para cada libro de órdenes límites las observaciones en que al
menos existe un mejor precio de venta y un mejor precio de compra mayor a cero, los depths
o cantidades ofrecidas a estos precios también deben ser mayores a cero. Adicionalmente,
fueron borradas las observaciones en que el mejor precio de compra es mayor al mejor precio
de venta para una acción en un mercado en particular, ya que de lo contrario se estaría frente
a una situación de arbitraje dentro de un mercado en particular, esta última limpieza de
datos es recomendada por Schultz y Shive (2010) [37] y es aplicada también por Marshall,
Nguyen y Visaltanachoti (2013) [29] en su trabajo sobre arbitraje.

Luego de realizada la limpieza en los datos, es necesario también obtener el horario de cierre
que tiene cada mercado día a día. Debido a que si bien se estudió desde las 8:00 hasta las
16:00 y normalmente los mercados tienen horarios de apertura y cierre constantes, hay días en
que cierran antes por eventos especiales como Navidad, por lo cual en esos casos se estudian
los mercados hasta el menor horario de cierre entre Bats Chi X y Euronext. Este horario es
posible obtenerlo de los libros fácilmente, pues se puede ver cuál es el momento en que hubo
una última actualización en los datos.

El siguiente paso es generar día a día y para cada acción un libro de órdenes límites (LOB)
que tenga regularidad en el tiempo, dado que en los datos es posible ver instantes en que
en un segundo el LOB es actualizado muchas veces, como otras ocasiones en que el LOB no
cambia durante segundos.

Se construyó un LOB con una regularidad de un segundo, en los casos en que durante un
segundo haya más de una observación se dejó la última, pues corresponde a lo que ven los
inversionistas al nalizar ese segundo. Al tener el LOB limpió y con una frecuencia regular
para una acción y día en particular, se realizó un cruce con el LOB de la misma acción y día
que es tranzada en el otro mercado, luego de haber seguido el mismo procedimiento antes
descrito con este libro.

Finalmente, con esta base diaria por acción donde se puede ver el libro consolidado en ambos
mercados es que se procedió a detectar las oportunidades de arbitraje.

La detección de las oportunidades de arbitraje se realizó basado en el método descrito por

Marshall, Nguyen y Visaltanachoti (2013) [29], pero con ciertas variaciones. La condición
para que en un instante exista una oportunidad de arbitraje es:

bidi
> 1 + gap, j 6= i (3.1)
askj
Donde j e i hacen referencia a los mercados Euronext y Bats Chi X. Es decir, se estará frente
a una oportunidad de arbitraje cada vez que el primer mejor precio de compra de un libro sea
mayor al primer mejor precio de venta del libro que se observa en el otro mercado, teniendo
como mercados a Bats Chi X y a Euronext.

Este paso sirve para identicar cuáles serán los lados de mercado relevantes, de compra
y venta, los cuales se identican para cada oportunidad de arbitraje, siendo i el lado de

14
compra relevante y j el lado de venta relevante, es decir, involucrados en la oportunidad de
arbitraje.

En este caso se está frente a una oportunidad de arbitraje debido a que un inversionista
que tenga acceso a los dos mercados podría comprar la acción al precio de venta y luego
venderlo al precio de compra correspondiente, obteniendo como ganancia la diferencia entre
estos precios, esto lo podría repetir con las acciones que estén disponibles a los precios invo-
lucrados en la oportunidad de arbitraje.

La variable gap presente en la ecuación 3.1 puede ser cualquier valor mayor o igual a ce-
ro, este valor actúa como una frontera sobre la ganancia exigida a la hora de considerar
una oportunidad de arbitraje, y puede entenderse como la diferencia necesaria para que sea
rentable arbitrar y se puedan cubrir los costos que podrían estar asociados a la transacción.

Se consideró gap igual a cero pues el principal objetivo de este trabajo es determinar qué
factores prevalecen cuando se está en presencia de una oportunidad de arbitraje, mas que
determinar cuál podría ser la ganancia potencial real asociada.

El hecho de que gap sea igual a cero signica que se considera como una potencial opor-
tunidad de arbitraje cada vez que el primer mejor precio de compra en un libro sea mayor
estricto al primer mejor precio de venta presente en el otro libro, sin importar cuan mayor sea.

Con los datos antes mencionados, en el año 2014, entre las 8:00 y las 16:00 y siguiendo
el procedimiento descrito para identicar las oportunidades de arbitrajes se detectaron 4,496
instantes en que se está frente a una potencial oportunidad de arbitraje.

Figura 3.1: Duración oportunidades de arbitraje

15
Como se puede ver en la gura 3.1 la mayor cantidad de los eventos encontrados desapa-
recen rápidamente en el tiempo. La duración promedio de estas oportunidades de arbitraje
es de 1.739 segundos, con una mediana de 0 segundos y el tercer cuartil también tiene una
duración de 0 segundos. La oportunidad de arbitraje encontrada con mayor duración es de
1517 segundos, que es equivalente a una duración de 25 minutos y 17 segundos.

Como se mencionó anteriormente para calcular las oportunidades de arbitraje primero fue
necesario obtener el libro de órdenes límites con frecuencia de 1 segundo. Una oportunidad
de arbitraje tiene una duración de 0 segundos cuando en un segundo en particular se da la
oportunidad de arbitraje y en el segundo inmediatamente siguiente desaparece.

Duración Frecuencia Porcentaje

Mayor o igual a 0 segundos 4,496 100 %
Mayor o igual a 1 segundo 979 21.8 %
Mayor o igual a 2 segundos 314 7%
Mayor o igual a 5 segundos 149 3.3 %
Mayor o igual a 10 segundos 83 1.85 %

Tabla 3.1: Duración de oportunidades de arbitraje

Foucault, Kozhan, Tham (2016) [15] caracterizan las oportunidades de arbitraje de alta ve-
locidad como: i) frecuentes, ii) de muy corta duración, iii) más ecientemente explotadas por
máquinas que por humanos y iv) con una ganancia muy leve por oportunidad de arbitraje.

A continuación, se detalla por qué en este caso las oportunidades de arbitraje estudiadas
tienen un comportamiento acorde a las características antes mencionadas.

El hecho de que las oportunidades de arbitraje sean frecuentes, los autores antes mencio-
nados lo plantean a escala de mili segundos, en la presente investigación se puede ver que la
mayor frecuencia se da mientras menor sea el tiempo de duración a considerar (como se ve
en la tabla 3.1). Lo anterior, también valida la corta duración de estos eventos, como puede
verse en la tabla 3.1 sólo un 3.3 % del total de las oportunidades de arbitraje detectadas
tienen una duración mayor o igual a 5 segundos.

Además, se detectaron 4,496 oportunidades de arbitraje para 22 pares de acciones en el

año 2014 que contó con 255 días transaccionales, lo anterior da un promedio de 0.8 oportuni-
dades de arbitraje por día y por pareja de acciones, lo anterior considerando que no se tomó
el 100 % del tiempo en que ambos mercados operan conjuntamente.

Lo anterior, permite considerar los eventos estudiados como frecuentes, ya que son even-
tos que se esperaría no se dieran con tanta regularidad en el tiempo, además al considerar
escalas de tiempo de mili segundos es probable que la frecuencia fuese mucho mayor. El he-
cho de que estas oportunidades sean más ecientemente explotadas por máquinas que por
humanos tiene que ver precisamente por lo fugaz de estos eventos.

Para el cálculo del potencial benecio porcentual asociado a cada oportunidad de arbitraje
encontrada se utilizaron los supuestos de Mitchell et al. (2002) [32], que es que se requiere

16
un margen del 50 % tanto para la posicion larga como para la posición corta involucrada al
aprovechar la oportunidad de arbitraje. Esta metodología también fue utilizada por Marshall,
Nguyen y Visaltanachoti (2013) [29] en su trabajo sobre arbitraje.

Siguiendo a los autores anteriores es que se calculó la ganancia porcentual asociada a ca-
da oportunidad de arbitraje de la siguiente forma:

Bid Price − Ask Price

T asa porcentual de ganancia = 100 · (3.2)
0,5 · (Bid Price + Ask Price)

Para el cálculo de estas tasas se utilizaron los precios que se observan al inicio de la oportu-
nidad de arbitraje, con sus respectivos lados de compra y venta asociados en la oportunidad
de arbitraje en cuestión.

N % del total Mín. 25 % Per Mediana Media 75 % Máx.

Todas 4996 100 0.01 0.01194 0.01681 0.03428 0.02487 10.53
Bid Chi X 2131 42.71 0.01 0.012 0.01697 0.0296 0.02496 6.186
Bid Euronext 2365 57.29 0.01 0.0119 0.01673 0.03849 0.02486 10.53

Tabla 3.2: Potenciales ganancias porcentuales asociadas a las oportunidades de arbitraje

Como se puede ver en la tabla 3.2, la ganancia promedio asociada al total de oportunida-
des de arbitraje es de 0.03428 %, una ganancia promedio asociada a cada oportunidad de
arbitraje muy baja, lo que ratica la última característica propuesta por Foucault, Kozhan,
Tham (2016) [15] sobre las oportunidades de arbitraje de alta velocidad, el hecho de que
estas oportunidades tienen asociadas una ganancia muy leve por oportunidad.

Como se puede ver en la misma tabla, el comportamiento de esta tasa de ganancia es similar
cuando la oportunidad en cuestión tiene el lado de compra involucrado de Chi X o Euronext.
Hasta el tercer quintil no se observan muchas diferencias, la media cuando el lado de compra
involucrado es de Euronext es más alta debido a la cola superior, en que se observan unos
valores máximos más altos comparado a cuando el lado de la compra involucrado es de Chi X.

En promedio, estas tasas porcentuales de potencial ganancia asociada a las oportunidades de

arbitraje son más bajas que las encontradas por Marshall, Nguyen y Visaltanachoti (2013)
[29] en su trabajo de arbitraje con ETF's.

Los autores antes mencionados encuentran una tasa promedio de 0.33 % y 0.32 %, según
cual sea el activo que está sobrevalorado o subvalorado que ellos estudian. Sin embargo, en
el estudio con ETF's se encuentran valores extremos menos dispersos que los encontrados
en el presente estudio, en el trabajo con ETF's la tasa máxima de ganancia encontrada es
de 1.87 % y la mínima de 0.2 % , en comparación a la de 10.53 % y 0.01 % respectivamente,
encontradas en la presente investigación.

Otra forma de entender y caracterizar estas oportunidades de arbitraje es a través de la

cantidad de acciones involucradas, depth, en la potencial oportunidad. Siendo el mínimo
depth, entre el lado de compra y venta involucrado en la oportunidad, la cantidad relevante,

17
pues un agente que tenga acceso a los dos mercados podrá explotar esta oportunidad con esa
cantidad de acciones como máximo.

N % del total Mín. 25 % Per Mediana Media 75 % Máx.

Todas 4996 100 1 73 196.5 589.2 586.5 21580
Bid Chi X 2131 42.71 1 75 200 595.3 600 21580
Bid Euronext 2365 57.29 1 72 194 583.7 563 17190

Tabla 3.3: Depth asociado a las oportunidades de arbitraje

En la tabla 3.3 se puede apreciar el detalle para esta variable, donde se observa que al ini-
ciarse la oportunidad de arbitraje el mínimo depth promedio entre los dos lados relevantes
es de 589.2 acciones.

Con esta cantidad de acciones se puede tranzar y aprovechar de esta forma la oportuni-
dad creada, donde la ganancia en euros asociada estará dada por la diferencia entre el precio
de compra y el precio de venta involucrados, por acción.

N % del total Mín. 25 % Per Mediana Media 75 % Máx.

Todas 4996 100 0.001 0.33 0.885 2.808 2.23 900
Bid Chi X 2131 42.71 0.001 0.33 0.885 2.72 2.233 900
Bid Euronext 2365 57.29 0.001 0.327 0.885 2.888 2.22 650

Tabla 3.4: Máxima gancia asociada a las oportunidades de arbitraje

En la tabla 3.4 se aprecia el detalle de multiplicar esta diferencia entre los precios involucra-
dos en la oportunidad por la cantidad de acciones disponibles para cerrar la oportunidad. En
promedio, la ganancia en euros por oportunidad es de 2.808 euros, mediante la metodología
recién explicada, donde se asume cero costos para cerrar la oportunidad en cuestión.

Del total de oportunidades de arbitraje detectadas en el presente estudio, en el 57.29 % de los

casos el lado de la compra involucrado es de Euronext y en el 42.71 % de los casos es de Chi X.

Del total de oportunidades de arbitraje encontradas, el 29 % se encuentra en el tramo ho-

rario [8:00,10:00[, mismo porcentaje que ocurre en el tramo [14:00,16:00], más abajo vienen
aquellos eventos que ocurren en el tramo [12:00,14:00[, alcanzando un 22 % y nalmente el
19 % restante ocurre en el tramo horario [10:00,12:00[.

Lo anterior podría colaborar a erradicar la idea de que las oportunidades de arbitraje se

dan exclusivamente en algún horario en particular, sin embargo, si existe un porcentaje con-
siderablemente mayor en aquellos horarios más cercanos a la apertura y cierre de las bolsas.

Otro gran cambio que se ha dado en la última década en los mercados nancieros es la
presencia de inversionista que poseen sistemas de alta velocidad que les permite automatizar
sus órdenes y responder dentro de fracciones de segundos.

18
Budish et al. (2015) [8] señala que los retornos de los arbitradores de alta velocidad son
sustanciales dado que las oportunidades de arbitraje son muy frecuentes a escala de milise-
gundos. La actual literatura ha mostrado que estos tiempos de ejecución pueden ir del orden
de los milisegundos (Hasbrouck, Saar, 2013 [23]).

Dicho lo anterior, es que una de las diferencias de la presente investigación con el méto-
do planteado por Marshall, Nguyen y Visaltanachoti (2013) [29] para detectar las oportu-
nidades de arbitraje tiene que ver con el supuesto sobre el tiempo de ejecución de las órdenes.

Marshall, Nguyen y Visaltanachoti (2013) [29] utilizan un enfoque conservador en ese sentido,
considerando un tiempo de ejecución de 15 segundos, por lo que consideran en su investiga-
ción aquellas oportunidades de arbitraje que al menos se mantienen por este lapso de tiempo.
Sin embargo, ellos mismos señalan que trabajos actuales muestran tiempos de ejecución infe-
riores a un segundo (Hendershott, Moulton, 2011 [25]), incluso pudiendo reaccionar algunos
`traders' a eventos del mercado dentro de 2 o 3 milisegundos (Hasbrouck, Saar, 2013 [23]).

En lo que sigue de la investigación, para la mayor parte del análisis realizado se conside-
ran aquellas oportunidades que duran al menos un segundo. De esta forma, se es consecuente
con las últimas investigaciones relacionadas sobre la velocidad de los agentes.

Además, al no considerar todas las oportunidades de arbitraje (incluyendo las de duración

0 segundos) no se entra en conicto con lo que plantea Budish et al. (2015) [8]. Los autores
recién mencionados plantean que las oportunidades de arbitraje se generan de forma mecá-
nica a escalas de milisegundos dado el diseño de mercado imperante, ellos muestran que en
mercados fragmentados, los mercados no se correlacionan a escala de milisegundos.

19
Capítulo 4

Análisis Empírico

4.1. Ob jetivo

El objetivo de la presente investigación es generar evidencia empírica para entender uno

de los fenómenos que se produce a causa de los cambios que han experimentado los mercados
nancieros en el último tiempo, especícamente debido a la fragmentación de los mercados,
el fenómeno que se busca caracterizar y entender es el de arbitraje en mercados fragmentados.

Al igual que sobre los efectos que han producido las grandes variaciones de las últimas déca-
das en los mercados nancieros, no existe un conceso entre los investigadores ni entre quienes
desarrollan políticas para regular los mercados sobre qué factores inuyen en la presencia
de oportunidades de arbitraje ni cuales son las características de mercado que predominan
durante estos fenómenos.

Este fenómeno de arbitraje ha sido denominado por algunos investigadores como arbitraje
tóxico que como se ha mencionado anteriormente se caracteriza porque los 'traders' obtienen
una ganancia producto de los precios ofrecidos en diferentes mercados, utilizando un precio
de compra en un mercado y un precio de venta en otro mercado. Este fenómeno aparece
debido a un retraso en la actualización de los precios por parte de los proveedores de liquidez
frente a nueva información.

Han existido distintos acercamientos para tratar de caracterizar este fenómeno. Budish et
al. (2015) [8] señalan que el arbitraje que se produce es mecánico y meramente consecuencia
del actual diseño de mercado imperante, es decir, libros de órdenes límites continuos. Por
otra parte, Marshall et al. (2013) [29] señalan que hay ciertas características imperante en
el mercado dentro del día que podrían inuir en la aparición de oportunidades de arbitraje,
como una disminución en la liquidez o un aumento en el riesgo de liquidez. Foucault et al.
(2016) [15] también muestran teórica y empíricamente que existe una relación positiva entre
iliquidez y arbitraje tóxico.

A través de la presente investigación se busca generar evidencia empírica a favor o en contra de

20
alguna de las distintas líneas argumentativas desarrolladas en el tema, y si es posible generar
nuevas perspectivas de investigación. Se busca ayudar en la caracterización y entendimiento
de este fenómeno recientemente estudiado.

4.2. Dimensiones del libro a considerar

4.2.1. Liquidez

Denición e intuición

Probablemente una de las dimensiones más importantes a tener en cuenta en cuanto al

estado del libro de órdenes límites o de un mercado nanciero en general es la liquidez.

Si bien la liquidez podría denirse de forma rigurosa de acuerdo a algún modelo en par-
ticular, existen ciertos consensos sobre este concepto. La liquidez se entiende como el nivel
al cual una orden puede ser ejecutada dentro de un corto plazo de tiempo a un precio cercano
al valor de consenso que hay sobre un activo nanciero (Foucault, Pagano, Roell, 2013 [17]).

La intuición detrás de este concepto no es tan lejana, pues en general todos los mercados
tienen cierto grado de liquidez o iliquidez. Un mercado es liquido cuando es relativamente
fácil realizar transacciones del activo en cuestión, es decir, cuando se puede convertir el activo
en dinero fácilmente.

En el caso del mercado accionario, se dirá que un mercado es líquido cuando los `traders' son
capaces de ejecutar grandes cantidades de órdenes de forma rápida y a un bajo costo.

Por ejemplo, si al comprar una gran cantidad de acciones sólo puedo realizarlo a un precio
unitario por acción mucho mayor al precio que se observaba previamente, estaremos frente a
un mercado para esa acción en particular ilíquido.

En general si en un mercado se mueve mucho dinero en lapsos cortos de tiempo se esta-

rá frente a un mercado líquido, ya que es más factible convertir el activo a dinero.

La liquidez no es una constante para un mercado, ya que esta varía a lo largo del tiempo
y entre activos que pueden ser tranzados en un mismo mercado. La liquidez puede relacio-
narse con un concepto económico muy utilizado frecuentemente, la elasticidad. Esto pues
un pequeño cambio en la oferta o la demanda, en un mercado líquido, no debería impactar
mayormente en un cambio en los precios (Hasbrouck, 2007 [22]).

Se suele decir que la liquidez tiene distintas dimensiones, siendo las más importantes: la
profundidad (depth), amplitud (breadth) y la resiliencia (resiliency).

La profundidad se reere a la cantidad ofrecida del activo subyacente, por ejemplo, si so-
bre el precio actual existe una gran cantidad incremental del activo subyacente disponible

21
para la venta se estará frente a un mercado profundo. Lo mismo ocurrirá, si bajo el precio
actual hay una gran cantidad incremental de compradores para el activo subyacente. Un
mercado es ancho cuando presenta varios participantes, ninguno de los cuales puede ejercer
un poder de mercado signicativo. Finalmente, el mercado será resiliente cuando el efecto
en los precios debido a los procesos transaccionales es pequeño y desaparece rápidamente
(Hasbrouck, 2007 [22]).

Dentro de cada dimensión es posible distinguir ciertas variables que miden la liquidez dentro
de esa dimensión. Por ejemplo, para ver la profundidad es posible observar la cantidad ofre-
cida tanto al precio de compra como el de venta (depth). Más adelante se detalla con mayor
profundidad las variables que son utilizadas para capturar la liquidez del libro.

Habiendo claricado lo que se entiende por liquidez, es sensato pensar que mientras mayor
sea el impacto de una transacción o mientras más complejo sea realizarla, deberían producirse
con mayor regularidad distorsiones en los precios del activo subyacente, lo que incidiría posi-
tivamente en la presencia de oportunidades de arbitraje. Es decir, a mayor iliquidez debería
ser más frecuente la aparición de estos eventos en cuestión.

Literatura previa

Si bien poco se sabe sobre las características del libro que prevalecen cuando se dan opor-
tunidades de arbitraje en mercados fragmentados, probablemente sea la liquidez la dimensión
más estudiada a la fecha y la que más ha sido relacionada con arbitraje.

Gagnon y Karolyi (2010) [19] estudian las discrepancias o desviaciones de precios y retornos
de acciones que se tranzan simultáneamente en distintos mercados alrededor del mundo. Se
comparan los precios de distintos ADRs y otro tipo de acciones `cross listed' en Estados
Unidos con los precios sincrónicos en el respectivo mercado local, realizando un ajuste de
moneda correspondiente. La comparación es hecha diariamente.

Los ADR's o recibos depositarios americanos por sus siglas en inglés son un mecanismo
que tienen las empresas no originarias de Estados Unidos para emitir sus acciones en los
mercados locales de Estados Unidos, es decir, son un título nanciero donde el activo subya-
cente es el mismo que el de la acción en el mercado local.

Dentro de las hipótesis que tienen los autores antes mencionados es que las acciones más
ilíquidas en uno u otro mercado, o ambos, tienen mayores diferencias de precios o retornos
entre las parejas de acciones `cross listed' que estudian. Sin embargo, no encuentran en todos
sus resultados que los `proxies' que utilizan para liquidez en el mercado local y en el mercado
americano sean signicativos.

Pero existen ciertos resultados que dan respaldo a la hipótesis sobre liquidez y arbitraje,
si bien no relacionada con características dentro del día transaccional sino más bien con otras
formas de explicar la liquidez. En general, los activos nancieros que pertenecen a mercados
más desarrollados tienden a ser más líquidos. Los autores antes mencionados encuentran que,

22
a un nivel de país, existe una relación fuerte y negativa entre las discrepancias de precios y
ciertos proxies que utilizan para medir el nivel de desarrollo económico y nanciero en los
mercados.

Si bien el trabajo de Gagnon y Karolyi (2010) [19] muestra ciertas relaciones sobre cuan-
do existe discrepancia de precios, tiene como limitantes que se trabajan con precios diarios
y a veces puede darse que no exista un completo solapamiento de las horas transaccionales,
siendo irreal obtener una rentabilidad asociada a esta oportunidad de arbitraje.

Adicionalmente, no se detecta el momento exacto en que se produce este fenómeno al tra-

bajar con precios de cierre diario y no hacer una investigación más detallada dentro del día.
Lo anterior no ocurre en la presente investigación, donde las oportunidades de arbitraje son
detectadas a nivel de segundo y en todo momento se consideran dos mercados que operan
sincrónicamente.

Foucault, Kozhan y Tham (2016) [15] en su paper Toxic arbitrage realizan la contribu-
ción de modelar este canal de arbitraje y entregar evidencia sobre su importancia para la
liquidez. Dicho paper, pareciera ser el primero en hacerlo. Ellos presentan un modelo teóri-
co y las hipótesis derivadas del modelo se testean con libros de órdenes de tres parejas de
monedas (dólar-euro, dólar-libra y libra-euro), estos datos tienen una exactitud del orden de
los 10 mili segundos. Entre estas parejas se producen en ciertos momentos arbitraje triangular.

En este paper es importante lo que denominan el mix arbitrage, que tiene que ver con
la porción de arbitraje que se debe a un ajuste asincrónico en los precios de los activos luego
de un arribo de información (arbitraje tóxico) y aquel debido a schocks de liquidez (no tóxi-
co). Este trabajo estudia el efecto que tiene el mix arbitrage sobre la liquidez.

Dentro de las hipótesis testeables más importantes que se derivan del modelo está que la
iliquidez debería ser mayor en períodos donde: i) la fracción de oportunidades de arbitraje
que son tóxicas es mayor. ii) la probabilidad que una oportunidad de arbitraje tóxico ter-
mine con una transacción de arbitraje sea mayor. Adicionalmente, se predice que cuando el
arbitraje se hace más tóxico, las oportunidades de arbitraje deberían ser más cortas.

Dentro de los mayores resultados empíricos, se muestra que la probabilidad que una opor-
tunidad de arbitraje tóxico termine con una transacción tiene un efecto positivo sobre la
iliquidez. Se encuentra también una relación positiva y signicativa entre la fracción diaria
de oportunidades de arbitraje que son tóxicas y la iliquidez. El hecho de que la duración
de las oportunidades de arbitraje tóxico sean más cortas en los días en que la fracción de
oportunidades tóxicas es mayor también se muestra en los datos.

Marshall, Nguyen y Visaltanachoti (2013) [29] presentan un trabajo esencialmente empí-

rico, para detectar como afectan las características de los mercados sobre la presencia de
oportunidades de arbitraje. Se utilizaron datos al interior del día transaccional de dos ETFs
que replican el comportamiento del índice S&P500.

Los resultados muestran que las diferencias de precios, cuando son sucientes para gene-
rar ganancias de arbitraje, son más probables que ocurran en días que los spreads son más

23
altos. Los resultados muestran que es más probable que se generen oportunidades de arbitraje
en los días menos líquidos.

Adicionalmente, realizan un estudio de los eventos de las oportunidades de arbitraje y dentro

de los principales resultados obtenidos se muestra una disminución en la liquidez cuando
ocurren estos fenómenos.

Hipótesis

En relación a la liquidez, se espera que la presencia de oportunidades de arbitraje

sea mayor en aquellos momentos que la liquidez sea menor .

Variables

Antes de detallar aquellas variables relacionadas a la liquidez, es importante mencionar

ciertos aspectos considerados en el cálculo de todas las medidas que capturan algún estado
del libro de órdenes límites.

Todas las medidas fueron calculadas con una frecuencia de un segundo, luego para obte-
ner la variable Xi,t se calcula el valor promedio que tiene la medida X en el intervalo de
tiempo t para la pareja de acciones i, lo anterior se hace de manera separada para Chi X
y Euronext. Finalmente, como esta medida tiene que ver con la pareja i, es decir, la misma
acción siendo tranzada en dos mercados, es que para obtener la variable Xi,t nal es que se
calcula el promedio de la variable observada en Chi X con lo observado en Euronext.

Una de las variables consideradas, para detectar en cada período de tiempo y para cada
pareja de acciones utilizadas la liquidez es el depth, esta medida está relacionada especí-
camente con la profundidad del libro de órdenes límites, que cabe recordar es una de las
dimensiones de la liquidez.

El depth tiene que ver con la cantidad de acciones ofrecidas en el libro de órdenes lími-
tes a algún precio en particular. Las distintas variaciones del depth que se calcularon son las
siguientes:

• Depth beyond: Corresponde a la cantidad de acciones disponibles en el LOB al segundo

y tercer mejor precio, tanto de compra como de venta.

• Depth best: Corresponde a la cantidad de acciones disponibles en el LOB al primer

mejor precio, tanto de compra como de venta.

• Depth bid: Corresponde a la cantidad de acciones disponibles en el LOB al primer

mejor precio, en el lado de la compra.

• Depth ask: Corresponde a la cantidad de acciones disponibles en el LOB al primer

mejor precio, en el lado de la venta.

24
Para el cálculo de todas las medidas asociadas al depth, las variables son dividida por 100.000.

Existen ciertas medidas que son llamadas 'crossed', para el cálculo de estas variables se
obtienen los mejores precios existentes entre Chi X y Euronext, es decir, como si se tratará
de un único mercado o puede entenderse como el consolidado resultante entre estos dos mer-
cados.

Matemáticamente, la forma de obtener estos mejores precios consolidados es la siguiente:

Ask quote crossed = mı́n{Ask quote Chi X, Ask quote Euronext} (4.1)

Bid quote crossed = máx{Bid quote Chi X, Bid quote Euronext} (4.2)

Luego de obtener los mejores precios, se consideran exclusivamente esos lados del LOB a la
hora de calcular alguna de las medidas llamada `crossed'. Esos lados pueden corresponder
a Chi X o Euronext, y en algunos casos pueden ser ambos, cuando, por ejemplo, el mejor
precio sea el mismo en Chi X y Euronext, por lo que en esos casos se considerará la suma
entre Chi X y Euronext para ese lado del libro.

Adicionalmente a las variables del depth antes mencionadas, se calculó el Depth best crossed,
Depth bid crossed y Depth ask crossed. Estas medidas son símiles del Depth best, Depth bid
y Depth ask antes descritas pero calculados a través del mecanismo para las variables crossed
antes mencionado.

Otro conjunto de variables relacionadas a la liquidez tiene que ver con el spread. Dentro
de las medidas relacionadas al spread se encuentran aquellas relacionadas al bid ask spread
y otro conjunto relacionado al eective spread.

Las diferentes versiones del bid ask spread consideradas como covariables son las siguien-
tes:

• Bid ask spread average: Es la diferencia entre el primer mejor precio de venta y el
primer mejor precio de compra.

• Bid ask spread crossed: Es similar al bid ask spread average, pero esta vez calculado a
través del procedimiento descrito para las medidas 'crossed'.

• Bid ask spread stand: Corresponde al cociente entre el bid ask spread average y el
midquote promedio que se observa en ese mismo período de tiempo t.

Adicionalmente a las medidas relacionadas al bid ask spread antes descritas, se calculó el
eective spread y sus respectivas componentes. Estas medidas se calcularon utilizando como
guía el trabajo de Hendershott, Jones y Menkveld (2011) [24].

El eective spread corresponde a:

qi,t (pi,t − mi,t )

Ef f ective spreadi,t = (4.3)
mi,t
Donde qi,t es igual a 1 cuando una transacción es iniciada por un comprador e igual a -1
cuando es iniciada por un vendedor, pi,t corresponde al precio al que se tranza la acción i en

25
el período t y mi,t es el midquote observado en el período t para la acción i.

El eective spread puede descomponerse en la suma del realized spread y el adverse selection.

El realized spread corresponde a:

qi,t (pi,t − mi,t+∆ )

Realized spreadi,t = (4.4)
mi,t
El adverse selection corresponde a:

qi,t (mi,t+∆ − mi,t )

Adverse selectioni,t = (4.5)
mi,t
De la denición de estas dos últimas variables, es evidente ver que su suma corresponde a la
denición dada para el eective spread.

El eective spread y sus componentes fueron calculadas considerando un ∆ igual a 30 segun-

dos.

Otra medida que fue calculada relacionada a la liquidez es la medida llamada relative li-
quidity (RLIQ), la cual es desarrollada por Valenzuela, Zer, Fryzlewicz y Rheinländer (2015)
[38]. Esta medida captura la distribución de la liquidez disponible a lo largo del libro de
órdenes límites.

La metodología para calcular el relative liquidity presenta algunas diferencias con la desa-
rrollada por los autores antes mencionados, sin embargo, esta variable sigue capturando en
esencia lo mismo.

Cuando esta variable es más grande quiere decir que la liquidez disponible se concentra
mayormente en torno al primer mejor precio, lo cual puede ocurrir ya sea porque la mayor
parte del depth ofrecido está en los mejores precios o porque los siguientes precios son muy
cercanos al primer mejor precio.

La metodología usada para el cálculo de esta variable es la siguiente:

1. Al igual que con el resto de las variables, se obtuvo el LOB cada un segundo para cada
acción para proceder a calcular la variable. Los siguientes pasos son aplicados con una
frecuencia de un segundo.

2. Se calculó la distancia entre precios (ajustándola con el tick) para cada orden límite
relativa a los mejores precios, matemáticamente:

∆buy B buy
i,t = (pt − pi )/tick (4.6)

∆sell sell
i,t = (pi − pA
t )/tick (4.7)

Donde pB A
t ( pt ) es el mejor precio de compra (venta) en el segundo t y pbuy
i
sell
(pi ) es el
i-ésimo mejor precio.

3. Luego, se calcula el porcentaje acumulado del depth ofrecido al i-ésimo mejor precio.

26
 4. Se calculan los pesos que se le asignarán a cada porcentaje acumulado de depth con la
siguiente función g(λ, ∆):
exp(−λ∆)
g(λ, ∆) = P (4.8)
∆ exp(−λ∆)
Lo anterior, se realizó con una función de decaimiento exponencial de parámetro 0.366.

5. Finalmente, se calcula el relative liquidity cada un segundo de la siguiente forma:

X
RLIQbuy
i,t =
buy
Fi,t g(λ, ∆) (4.9)
∆

buy
Donde Fi,t corresponde a la función de distribución acumulada del depth para el
lado de la compra y g(λ, ∆) es la función de pesos descrita en la ecuación 4.8. El
procedimiento es similar para el lado de la venta.

Se calculó el relative liquidity para el lado de la compra, para el lado de la venta y una tercera
variable que promedia las dos medidas anteriores. Estas variables se calcularon de manera
separada para Chi X y Euronext, y luego se promediaron entre sí, al igual que con el resto
de las variables como ya fue mencionado.

Una última medida asociada también a la distribución de la liquidez en el libro de órde-

nes límites es la variable 'slope'. Se calculó esta medida basado en el trabajo de Foucault,
Kozhan y Tham (2016) [15].

La variable 'slope' o pendiente es igual al promedio entre los dos siguientes ratios: i) La
diferencia entre el segundo mejor precio de venta y el primer mejor precio de venta, dividido
por el número de acciones ofrecidas al primer mejor precio de venta y ii) La diferencia entre el
primer mejor precio de compra y el segundo mejor precio de compra, dividido por el número
de acciones disponibles al primer mejor precio de compra.

Esta variable captura cuan profundo o delgado es el libro de órdenes límites en los pri-
meros mejores precios, cuando la variable slopei,t es más grande quiere decir que el LOB es
más delgado para ese período t y ese activo i en particular.

La variable slope es mayor cuando el número de acciones ofrecidas al primer mejor precio es
menor o cuando los siguientes precios están más distantes del primer mejor precio.

27
4.2.2. Incertidumbre

Denición e intuición

El concepto de incertidumbre es muy importante en nanzas y economía, pero es un con-

cepto usado en distintas disciplinas de manera muy genérica, aunque con algunas variaciones
según sea el caso particular.

Muchas veces el concepto de incertidumbre es usado de manera indistinta con el de riesgo,

sin embargo, existen ciertos consensos sobre algunas diferencias tras estas ideas. En general
se dice que se está frente a una situación de riesgo cuando una variable puede tomar distintos
valores, pero se conoce la probabilidad de ocurrencia de cada caso. Por incertidumbre se
entiende cuando sólo existen aproximaciones sobre el posible valor que tomará una variable,
pero no hay probabilidades denidas con exactitud.

En el caso particular de esta investigación y en general en nanzas, la incertidumbre es-

tá dada porque los precios de los activos como las acciones siguen procesos aleatorios, los
cuales pueden modelarse, pero no con exactitud.

Dado este desconocimiento sobre el valor futuro que pueden tomar los precios, por ende,
los retornos y todas las otras medidas que se derivan de los precios es que existe una constan-
te preocupación por parte de los agentes del mercado sobre qué tan alta es la incertidumbre
existente y las posibles variaciones que pueden tener las variables de interés en el fututo.

Una mayor incertidumbre está asociada a mayores variaciones futuras con respecto al esce-
nario observado actualmente. Dicho lo anterior es que si en el futuro las variables de interés
como los precios se alejan dramática e inesperadamente de los precios actuales y algunos
inversionistas no logran actualizar sus órdenes es muy probable que se generen instantes en
que los activos se encuentren mal valorados, lo que podría dar origen a instantes donde sea
posible arbitrar los mercados.

Literatura previa

En relación a la incertidumbre dentro del libro de órdenes límites, nuevamente Marshall,

Nguyen y Visaltanachoti (2013) [29] son unos de los pocos en aportar lo que ellos denominan
`ruido de microestructura' y de relacionarlo con arbitraje, concluyendo que pareciera jugar un
rol importante dentro del problema de valoración que conduce nalmente a las oportunida-
des de arbitraje. Dentro de este `ruido de microestructura' están contenidas ciertas variables
relacionadas a a la incertidumbre.

Los autores antes mencionados, en su trabajo sobre evidencia de arbitraje con ETF's, mues-
tran empíricamente que la desviación estándar del spread aumenta considerablemente durante
las oportunidades de arbitraje. Este aumento es entre un 280 % y un 300 % durante la venta-
na de arbitraje versus 20 días transaccionales atrás al evento en cuestión. Además, durante
las ventanas de arbitraje la desviación estándar del spread aumenta versus una ventana in-

28
mediatamente previa a la aparición de estos eventos. Adicionalmente, se encuentra que la
desviación estándar de los retornos aumenta cuando aparecen las oportunidades de arbitraje.

Budish, Cramton y Shim (2015) [8] muestran que la frecuencia de las oportunidades de arbi-
traje ha variado en el tiempo, y señalan que esta variación está conducida casi enteramente
por la variación en la volatilidad de mercado. Luego, a pesar de que el principal argumento
de estos autores es que las oportunidades de arbitrajes se dan de forma mecánica dado el
diseño de mercado imperante, le asignan un rol importante a la volatilidad y por ende a la
incertidumbre presente en los mercados.

Hipótesis

En cuanto a la incertidumbre, se espera que a mayor incertidumbre en el mercado

sea más probable o más frecuente la existencia de oportunidades de arbitraje .

Variables

Las variables que se construyeron para medir la incertidumbre dentro del libro de órdenes
límites son la volatilidad del midquote y la volatilidad de los retornos. Se calcularon los
retornos a partir del midquote, tanto simples como logarítmicos.

29
4.2.3. Actividad transaccional

Denición e intuición

Por actividad transaccional se va a entender el nivel de transacciones que se observan con

respecto a un activo en particular. Es decir, tiene que ver con el nivel de dicultad por el
cual las órdenes de compra y venta son ejecutadas.

La actividad transaccional es una dimensión que puede variar por activo, pero también puede
variar para un mismo activo a lo largo del tiempo. Como se verá más adelante con mayor
profundidad, la actividad transaccional se ha relacionado con la liquidez disponible en un
mercado.

No es tan difícil ver las relaciones que tiene la liquidez y la actividad transaccional, si enten-
demos la liquidez como el conjunto de condiciones que presenta la oferta y la demanda de
un activo nanciero en un mercado en particular, se puede ver que la actividad transaccional
no es más que la sinergia entre la oferta y la demanda, luego la actividad transaccional va a
estar condicionada por la liquidez.

Al notar lo anterior se puede ver que, al aumentar la actividad transaccional, la liquidez

disponible en el mercado va sufriendo variaciones. Es decir, una mayor actividad transaccio-
nal, podría relacionarse con una mayor volatilidad de la liquidez disponible.

Como se explicó anteriormente una mayor volatilidad podría generar instantes con precios
distorsionados, lo cual podría dar pie a la presencia de oportunidades de arbitraje, sobre todo
si se trata de la volatilidad de una de las dimensiones más importantes de un mercado, la
liquidez.

Literatura previa

Marshall, Nguyen y Visaltanachoti (2013) [29] encuentran en su estudio de casos de arbi-

traje que el valor tranzado aumenta mientras están presentes las oportunidades de arbitraje,
lo cual indica un aumento en la volatilidad de la liquidez.

El riesgo de liquidez tiene que ver con el riesgo de que para algún activo en particular
no se pueda encontrar una contraparte debido a la ausencia de liquidez en ese mercado, lo
que lleva a que los compradores tengan que aumentar sus precios o los vendedores tengan
que disminuir sus precios para poder tranzar el activo en cuestión.

Johnson (2008) [27] señala que el volumen representa el segundo momento de los cambios de
la liquidez o riesgo de liquidez. Pastor, Stambaugh (2003) [36] y Acharya, Pedersen (2004)
[1] destacan la importancia del riesgo de liquidez sobre la jación de precio de los activos.

Johnson (2008 [27]) señala sobre el riesgo de liquidez, que es importante desde el punto
de vista de las políticas, debido al peligro que suponen grandes caídas en la liquidez, lo que

30
puede provocar distorsiones en los precios, interrupciones en la transferencia de riesgos y
posiblemente liquidación inecaz de las inversiones reales.

El aumento que se produce del valor total de las transacciones, en el trabajo de Marshall,
Nguyen y Visaltanachoti (2013) [29], mientras están presentes las oportunidades de arbitraje
podrían ser un indicio también de que existen ciertos agentes en el mercado que sacan prove-
cho de estas oportunidades de arbitraje, con lo que se ve aumentada la actividad transaccional
en presencia de estos eventos.

Hipótesis

En relación a la actividad transaccional, se espera que a mayor actividad tran-

saccional sea más probable o más frecuente la existencia de oportunidades de
arbitraje .

Variables

A diferencia del cálculo de las variables relacionadas a las dimensiones antes descritas, para
las presentes variables no se consideró el LOB cada un segundo. Las variables asociadas a la
actividad transaccional son medidas calculadas a partir del libro de órdenes y transacciones,
y dependen del nivel de órdenes y transacciones que se observe en el período de tiempo t en
particular.

Las variables que capturan el nivel transaccional son:

• V olumeni,t : Corresponde a la cantidad de acciones i tranzadas durante el período t.

• V alori,t : Corresponde a la cantidad de acciones i multiplicado por el respectivo precio
al que son tranzadas durante el período t.

• Órdenes de comprai,t : Corresponde a la cantidad de órdenes de compra entrantes para

la acción i durante el período de tiempo t.

• Órdenes de ventai,t : Corresponde a la cantidad de órdenes de venta entrantes para la

acción i durante el período de tiempo t.

31
4.2.4. Otros

Denición e intuición

En la presente sección se agregan otros controles, que buscan identicar algún estado del
libro de órdenes límites que no pueda ser clasicado directamente dentro de las principales
dimensiones antes descritas, es decir, variables que no tengan una directa relación con la
liquidez, la actividad transaccional ni la volatilidad.

Esta dimensión es más generalizada por lo que no se plantean ni desarrollan hipótesis. El

principal objetivo de agregar esta sección es incluir otros controles que ayuden a aislar el efec-
to de las variables relacionadas a las dimensiones anteriores, y de esta forma darles mayor
robustez a las conclusiones obtenidas.

Variables y literatura previa

Dentro de los controles considerados están:

• Distbid: Corresponde a la diferencia entre el primer mejor precio de compra y el tercer

mejor precio de compra. Esta variable es un buen control pues toma en consideración
de cierta forma las discrepancias que tienen los inversionistas a lo largo del libro de
órdenes límites o también puede ser visto como la estrechez que tiene el libro, por lo
que al considerar esta covariable podría aislarse el efecto mecánico debido a que los
precios a lo largo del libro se encuentran más cercanos.

• Distask: En este caso corresponde a la diferencia entre el tercer mejor precio de venta
y el primer mejor precio de venta. La utilidad de esta variable es similar a la de la
variable descrita anteriormente, pero en este caso asociado al lado de venta del libro de
órdenes límites.

• Di Midquote: Esta variable corresponde al valor absoluto entre la diferencia del precio
o midquote promedio que se observa en Chi X con el observado en Euronext. De cierto
modo esta variable también captura cierta discrepancia existente entre los inversionistas
que tranzan un mismo activo, en este caso la diferencia es entre quienes lo hacen en
Chi X y quienes lo hacen en Euronext.

Otra variable considerada es el desbalance de órdenes u 'order imbalance'. Marshall, Nguyen

y Visaltanachoti (2013) [29] en su trabajo con ETF's muestran que durante los eventos de
arbitraje que ellos estudian el desbalance de órdenes aumenta, si bien es importante mencionar
que ellos calculan el desbalance de órdenes como la diferencia entre el valor absoluto de las
transacciones iniciadas por compradores y las transacciones iniciadas por vendedores, dividida
por la suma de las dos, a diferencia de lo realizado en este trabajo en que el desbalance de
órdenes es igual al valor absoluto de la diferencia entre el depth ofrecido al mejor precio de
compra y el depth ofrecido al mejor precio de venta. Se calculó el desbalance de órdenes antes
descrito y su versión `crossed'.

32
4.3. Metodología econométrica

Para testear las hipótesis antes descritas se utiliza el tradicional modelo logit, donde la
variable dependiente es igual a 1 para aquellos períodos y parejas de acciones en que hay
presencia de oportunidades de arbitraje y 0 en caso contrario. Es decir, la variable dependiente
es de la forma:

1, hay oportunidad de arbitraje para la pareja de acciones i en el perodo t
yi,t = (4.10)
0, ∼
1
Esta variable dependiente es regresionada con un conjunto de medidas que indican alguna
dimensión o estado del libro de órdenes límites para la pareja de acciones i en el período t o
t-1. Las covariables utilizadas son las variables antes descritas. Las variables tanto indepen-
dientes como dependientes se han construido de tal forma que se está trabajando con datos
de panel.

En este caso los individuos están determinados por las distintas parejas de acciones i, son la
misma acción, pero se habla de pareja de acciones pues es la misma acción, pero tranzada en
dos mercados distintos, Chi X y Euronext. En cada período utilizado es posible distinguir las
características de distintas parejas de acciones i, y para cada pareja de acciones i es posible
ver las características que prevalecen en los libros de órdenes límites en distintos períodos
temporales t.

Por tratarse de datos de panel, es que al realizar las distintas conguraciones del modelo
logit se consideran efectos jos tanto por individuos como por períodos de tiempo, pues el
objetivo es determinar cómo inuyen las características del libro sobre las oportunidades de
arbitraje, por lo que es necesario limpiar el efecto que podría deberse exclusivamente a alguna
pareja de acciones en particular o a algún período de tiempo especíco y no al estado del
libro de órdenes límites (LOB) ni al libro de órdenes y transacciones.

Se utilizaron principalmente dos conguraciones temporales al estimar los distintos modelos

logit.

El primero tiene como objetivo determinar cuáles son las características del libro que más
prevalecen cuando ocurren las oportunidades de arbitraje, en este modelo cada período t de
tiempo representa un día transaccional en especíco. Luego, la variable dependiente será igual
a 1 si en el día t para la pareja i de acciones se observa una oportunidad de arbitraje entre
Chi X y Euronext. Lo que se busca con este modelo es conocer cuáles son las características
del libro que se observan en los días que hay oportunidades de arbitraje.

El segundo modelo tiene como objetivo determinar si existen variables que tengan algún
efecto predictivo sobre la posibilidad de que ocurra una oportunidad de arbitraje. Para este
modelo, el período t está dado por intervalos de cierta duración, concretamente se utilizan
intervalos de dos horas.

1 sólo se consideraron aquellas oportunidades de arbitraje de duración mayor o igual a 1 segundo

33
 Luego, como las oportunidades de arbitraje se detectaron entre las 8:00 y las 16:00, para
cada día existen 4 períodos de duración dos horas. Sin embargo, para cada día sólo se toma-
ron como variable dependiente los últimos 3 períodos de dos horas. No se considera el primer
intervalo pues las variables dependientes son regresionadas con variables independientes que
se observan en el intervalo inmediatamente anterior, por lo que como con en el primer inter-
valo no se tiene información previa dentro del mismo día transaccional, no se consideró como
variable dependiente.

Las variables dentro de cada período de dos horas son calculadas en sub intervalos de 30
minutos, luego para obtener la variable independiente nal se promedia considerando los
intervalos de 30 minutos existentes dentro del período de dos horas correspondiente y que
estén dentro del horario transaccional de ese día en particular.

El calculó es hecho cada 30 minutos y no directamente cada 2 horas debido a que existen
días en que la actividad transaccional termina antes de las 16:00 horas y sólo se consideran
sub intervalos en que su duración completa este dentro del horario transaccional.

Si se hubiesen calculado las variables cada dos horas y siguiendo el criterio anterior, se hubie-
sen dejado fuera muchos intervalos, debido a esto y sumado al hecho de que las conclusiones
no deberían variar drásticamente es que se siguió el procedimiento antes descrito.

34
Capítulo 5

Resultados

5.1. Modelo diario

A continuación, se hace un análisis de los principales resultados obtenidos a partir del

modelo diario, el cual como se indicó anteriormente consiste en un modelo logit en que la
variable dependiente binaria es igual a 1 para aquellos días y parejas de acciones en que se
presentó una oportunidad de arbitraje, y cero en caso contrario.

Las variables independientes consideran algún estado en particular del libro, el día t y para
esa pareja i de acciones en cuestión. Es decir, es el modelo que busca entender que caracte-
rísticas prevalecen aquellos días en que se presenta alguna oportunidad de arbitraje.

Las variables independientes consideradas que buscan capturar la liquidez de una acción
en el libro de órdenes límites son principalmente el spread y el depth, con sus respectivas
variaciones. Aquellas relacionadas a la distribución de la liquidez son la variable `relative
liquidity' y `slope'.

En el modelo diario, al observar los efectos que tienen estas medidas de liquidez de ma-
nera aislada, es decir, solo regresionando la variable dependiente binaria con una medida de
1
liquidez como variable independiente , se observa que el depth y sus distintas variaciones
tienen un efecto signicativo sobre la probabilidad de ocurrencia de un evento de arbitraje
en un día en particular para una pareja de acciones especíca.

En la tabla 7.3 se ven lo resultados al considerar como única covariable el depth en sus
distitnas versiones. El efecto del depth es signicativo de manera aislada y con el signo es-
perado, pues en todas las variantes del depth se ve que a mayor depth disponible en el libro
de órdenes límites menor es la probabilidad de que exista una oportunidad de arbitraje en
un día t en particular, todas las versiones calculadas del depth tienen una signicancia muy
alta pues tienen un p-value menor a 0.01.

1 todos los modelos consideran efectos jos por individuo y período de tiempo

35
A mayor depth, el mercado es más liquido en cuanto a la profundidad disponible, luego
a mayor liquidez menor es la probabilidad de que ocurra en un día t una oportunidad de
arbitraje como era lo esperado.

En relación al spread y sus distintas variaciones en el modelo diario, se puede ver que las con-
clusiones no son tan categóricas como en el caso del depth. Cuando el spread es más grande,
se está en una situación de mayor iliquidez, luego según las hipótesis antes desarrolladas se
esperaría que a mayor spread mayor probabilidad de ocurrencia de un evento de arbitraje.

En la tabla 7.4 se presentan los resultados al considerar como única covariable el spread
en sus distintas versiones. Se puede notar que al considerar el bid ask spread promedio y
el bid ask spread dividido por el midquote promedio (bid ask spread estandarizado) como
únicos regresores se tiene el efecto contrario al esperado, sin embargo, su efecto sobre la pro-
babilidad de ocurrencia de arbitraje en un día t no presenta signicancia estadística.

Existen autores que consideran como una mejor medida de liquidez el eective spread, esta
medida podría reejar de mejor forma la liquidez del mercado ya que considera la distancia
entre el verdadero precio al cual se transa y el midquote. Al considerar esta variable como
único regresor, calculada a 30 segundos, no se ve ningún grado de signicancia.

El eective spread puede descomponerse en el realized spread y el price impact o adver-

se selection, cabe destacar que al considerar como único regresor el adverse selection a 30
segundos se obtiene el signo esperado y con una signicancia máxima. Esta medida se rela-
ciona con el impacto en los precios que tienen las transacciones o también puede entenderse
como la perdida bruta de los demandantes de liquidez debido a selección adversa (Henders-
hott, Jones, Menkveld 2011 [24]).

Es decir, esta última variable es probablemente la que se encuentra más relacionada en

estricto rigor con la liquidez, especícamente con la dimensión de resiliencia. Un mercado
será más liquido en el sentido de resiliencia cuando el impacto en los precios debido a una
transacción sea lo más bajo posible.

Los resultados que se ven en la tabla 7.4 muestran que a mayor impacto en los precios a
corto plazo (30 segundo) mayor es la probabilidad de ocurrencia de arbitraje, lo cual es
coherente con la hipótesis de que a menor liquidez disponible mayor es la probabilidad de
ocurrencia de un evento de arbitraje.

Los resultados obtenidos de utilizar múltiples covariables se muestran en la tabla 7.9, donde
ya no se regresiona la variable dependiente con una sola covariable sino que con un conjunto
de covariables que miden distintas dimensiones y estados del libro.

Se puede ver en la tabla 7.9, que el efecto del depth se mantiene al agregar el efecto de
otras variables, lo cual le da gran robustez a esta variable y consolida la relación negativa
existente entre la profundidad de un mercado y la presencia de oportunidades de arbitraje
en un día transaccional.

Al probar con distintas conguraciones, la medida relacionada con el depth que perdura

36
frente a las otras es el depth beyond, que en este caso representa el depth disponible al se-
gundo y tercer mejor precio, tanto de compra como de venta. Esta variable tiene una gran
signicancia en distintas conguraciones econométricas.

Lo anterior se puede ver en el modelo 4 presentado en la tabla 7.9, donde al considerar

en un mismo modelo el depth best y el depth beyond como covariables, se aprecia que es
esta última versión del depth la que sobrevive en cuanto a signicancia. Adicionalmente, en
la misma tabla se aprecia que en todas las conguraciones con múltiples covariables, cuando
se utiliza el depth beyond, siempre esta variable presenta una signicancia muy alta ya que
presenta un p-value menor a 0.01.

Esto es algo relevante puesto que existe cierto consenso de que el depth a los mejores precios
es la información más relevante y más considerada por los inversionistas, a través de la pre-
sente investigación se puede ver que el depth a los mejores precios si es relevante en cuanto
a la presencia de oportunidades de arbitraje, pero pareciera ser más informativo el depth
beyond.

Lo anterior, pudiera deberse a que el depth beyond en este caso solo considera el segun-
do y tercer mejor precio, pues no se tiene un detalle mayor del libro de órdenes limites, por
lo cual de todas formas se está tomando en cuenta el depth ofrecido a precios probablemente
muy cercanos a los primeros mejores precios y no tan distantes como podría entenderse el
depth beyond.

Otro aspecto relavante a destacar en relación al depth, es que al considerar las caracte-
rísticas que predominan en los días que hay oportunidades de arbitraje el lado de la compra
es más signicativo e informativo que el lado de la venta.

Por ejemplo, en el modelo 3 de la tabla 7.9 se consideran simultáneamente el depth bid

y el depth ask consolidado o `crossed', es la primera variable la que mantiene su signicancia.
En la misma tabla, se puede apreciar el modelo 7 donde se considera como covariables al
mismo tiempo el depth bid y depth ask promedio, donde nuevamente es el lado de la compra
el que presenta una mayor signicancia comparativamente al lado de la venta.

Lo anterior se destaca pues existen distintos investigadores que señalan que efectivamente
es el lado de compra el lado más informativo dentro de la conguración del libro de órdenes
límites, es decir, no es simétrica la información revelada en el libro de órdenes límites. Por
ejemplo, Valenzuela, Zer, Fryzlewicz y Rheinländer (2015) [38] destacan esta asimetría exis-
tente entre el lado de la compra y el lado de venta del libro de órdenes límites, estos autores
señalan especícamente que es el lado de la compra el más informativo de la volatilidad futura.

En los modelos que consideran múltiples variables independiente se encontró que la ma-
yoría de las versiones del spread no poseen signicancia estadística.

El realized spread, que como se mencionó anteriormente es una componente del eective
spread, es la única variable del spread que frente a múltiples covariables mantiene su efecto
negativo y signicativo en algunas conguraciones. Como se mencionó, esto no contradice
las hipótesis desarrolladas, pues es la componente llamada `adverse selection' o de impacto

37
en los precios la medida mayormente asociada a la liquidez, la cual no presenta signicancia.
Además, podría deberse sólo a un efecto mecánico la signicancia del realized spread.

Otra posible explicación a el hecho de que al considerar algunas variantes del spread no
sean signicativas y no tengan el signo esperado, que, por ejemplo, si encuentra en su estudio
Marshall, Nguyen y Visaltanachoti (2013) [29], es lo que señalan muchos investigadores de
que la mayor velocidad de los arbitradores puede dañar la calidad de los mercados, dado que
los dealers pueden ampliar el bid ask spread para cubrirse del riesgo de no poder actualizar
los precios (Copeland y Galai, 1983 [11]).

Es decir, dada la gran velocidad de algunos inversionistas, quienes no poseen esta velocidad
tienen un costo de selección adversa por lo que podrían ser más precavidos con la liquidez
que ofrecen en el mercado, ampliando a priori el spread. Por lo que habría otro fenómeno que
explicaría los movimientos del spread.

En la tabla 7.5 se aprecian los resultados de utilizar como únicos regresor aquellas varia-
bles relacionadas a la forma en qué se distribuye la liquidez a lo largo del libro de órdenes
límites.

En la tabla antes mencionada se puede notar que no sólo inuye la liquidez sobre la pre-
sencia de oportunidades de arbitraje, sino también cómo esta se distribuye a lo largo del
libro de órdenes límites. Lo anterior se puede notar dada la alta signicancia que presentan
las distintas versiones del `relative liquidity' y la signicancia que también presenta la varia-
ble `slope' de manera aislada.

Cuando el `relative liquidity' es más alto quiere decir que la liquidez está más concentra-
da en torno al mejor precio, lo cual puede ocurrir ya sea porque los otros precios son muy
cercanos al mejor precio o porque el depth ofrecido se concentra principalmente en los pri-
meros mejores precios.

Como ya se ha mencionado, esta medida puede interpretarse como una medida de distri-
bución de liquidez. Dada la alta signicancia estadística y la relación positiva encontrada
entre esta variable y la presencia de oportunidades de arbitraje, es que se puede pensar que
es conveniente para el mercado que la liquidez no sólo se concentre en los mejores precios,
sino que esté disponible a lo largo del libro de órdenes límites para de esta forma evitar la
presencia de oportunidades de arbitraje.

Lo anterior debido a que, al consumirse la liquidez ofrecida a los mejores precios mediante
una gran transacción, por ejemplo, si no existe liquidez suciente en el remanente del LOB
pueden generarse situaciones de distorsiones de precios que colaboren en la formación de
oportunidades de arbitraje.

La importancia de la variable `relative liquidity' no sólo se puede apreciar en la tabla 7.5

de manera aislada, sino que también al considerar múltiples controles en la tabla 7.9. En to-
dos los modelos en que se consideró la variable `relative liqudity' en la tabla 7.9 se aprecia un p
value menor a 0.01 y con una relación positiva con la presencia de oportunidades de arbitraje.

38
Otro aspecto relevante a destacar en torno a la variable `relative liquidity' tiene que ver
nuevamente con la asimetría existente entre el lado de compra y el de venta del LOB.

En el modelo 5 presente en la tabla 7.9 se consideró como variante del `relative liquidity'
esta medida, pero sólo considerando el lado de la compra y en el modelo 6 presente en la
misma tabla se consideró la variable, pero sólo con el lado de la venta, se puede ver que si
bien en ambos casos el efecto es positivo sobre la presencia de oportunidades de arbitraje,
pero que cuando se considera la versión del lado de la compra la variable tiene un p value me-
nor a 0.01 y al considerar el lado de la venta hay un p value sólo menor a 0.1 para esta variable.

Nuevamente, se aprecia una signicancia mayor para una variable cuando se considera el
lado de la compra comparativamente al lado de la venta.

En relación a la variable `slope' se puede ver en la tabla 7.9 que en la mayoría de las versiones
en que se consideró esta variable, se mantuvo la alta signicancia y el efecto positivo sobre
la presencia de oportunidades de arbitraje.

Sólo en el modelo 2 presente en la tabla 7.9 perdió su signicancia, lo cual puede deber-
se probablemente a que se consideró en ese modelo simultáneamente la variable `relative
liquidity' y la variable `slope', ambas relacionadas a la distribución de la liquidez, y donde la
variable que mantuvo su signicancia fue la llamada `relative liquidity'.

Sin embargo, el análisis de la variable slope es distinto al de la variable relative liquidity,

puesto que la variable slope toma en cuenta mayormente la distribución presente en los me-
jores precios del LOB, en cambio la variable `relative liquidity' puede considerar precios más
lejanos.

Mientras mayor es `slope' quiere decir que el libro es más delgado en los mejores precios,
lo cual puede deberse a que haya una menor cantidad de acciones ofrecidas a esos precios o
a que los otros precios estén más distantes.

Los resultados muestran que a mayor slope mayor probabilidad de que exista un evento
de arbitraje, lo cual ratica la importancia del depth en los mejores precios y de la forma en
que se distribuye la liquidez a lo largo del LOB.

En la tabla 7.6 se pueden ver los resultados obtenidos al considerar cómo única covaria-
ble alguna medida relacionada a la incertidumbre presente en el libro de órdenes límites, ya
sea la volatilidad del midquote o de los retornos, en su versión simple o logarítmica.

Se puede ver que todas las variables calculadas tienen una alta signicancia y una relación
positiva con la presencia de oportunidades de arbitraje, lo cual muestra que los resultados
son coherentes de acuerdo a las hipótesis desarrolladas con anterioridad de que a mayor in-
certidumbre más probable es la aparición de eventos de potencial arbitraje.

Es decir, la probabilidad de que en un día t para una pareja i de acciones exista un ins-
tante de arbitraje es mayor mientras mayor sea la volatilidad observada en ese día t para esa
pareja i de acciones.

39
Estos resultados muestran una gran robustez, puesto que el efecto positivo y la alta sig-
nicancia se mantienen en los modelos que consideran múltiples estados del libro, lo que se
puede apreciar en mayor detalle en la tabla 7.9. Lo anterior ocurre al considerar cualquiera
de las medidas asociadas a la incertidumbre presente en el LOB.

Con respecto a cómo se relaciona la actividad transaccional de manera aislada y la pre-

sencia de oportunidades de arbitraje se pueden ver los resultados en la tabla 7.7.

Los resultados indican que a mayor actividad transaccional más probable es la ocurrencia de
algún instante de arbitraje. Tanto al medir la actividad transaccional a través del volumen
tranzado o del valor tranzado en un día en particular de manera aislada, se encuentra que
tiene una relación positiva y signicativa (p value menor a 0.01) con la presencia de eventos
de arbitraje.

El volumen es el número de acciones tranzadas en un día en particular y el valor es el

número de acciones tranzadas multiplicado por el precio respectivo al cual se tranzan, clara-
mente existe un problema de colinealidad al considerar ambas variables juntas en un modelo.

Sin embargo, se puede ver que en el modelo diario es el volumen el que sigue teniendo
signicancia al considerar también como covariable el valor tranzado, lo que se puede obser-
var en el modelo 3 presente en la tabla 7.9.

Se utilizó como covariables el logaritmo natural del volumen y del valor tranzado con el
objetivo de suavizar el efecto de estas variables, dada la alta magnitud que presentan estas
medidas comparativamente con las otras variables.

En todas las conguraciones con múltiples variables, a excepción de cuando van juntas volu-
men y valor, el efecto del volumen tiene una alta signicancia, teniendo siempre un p value
menor a 0.01. Se puede concluir que el volumen es una variable explicativa con gran robustez
que explica que características predominan en los días que se presentan instantes de arbitraje.

Luego, se puede concluir que a mayor actividad transaccional en un día t en particular

más probable o frecuente es la presencia de oportunidades de arbitraje.

Los resultados de utilizar como único regresor las variables que no se encuentran relacio-
nadas directamente con ninguna de las dimensiones del libro antes descritas, y que están
presentes en la categoría otros, son presentados en la tabla 7.8.

En la tabla antes mencionada se puede ver que el desbalance de órdenes, la diferencia de

miduqote y el desbalance de órdenes consolidado o `crossed' si presentan un efecto signica-
tivo al considerar estas variables de manera aislada sobre la presencia de oportunidades de
arbitraje, pero con un efecto marginal muy bajo en cuanto a magnitud.

Si bien al considerarlas de manera aisladas estas variables presentan un alto nivel de sig-
nicancia, en ninguna conguración con múltiples controles son signicativos sus efectos
como se puede ver en la tabla 7.9, por lo que puede concluirse que los modelos aislados sólo

40
muestran el efecto producido por otras variables no consideradas.

A modo de resumen, al considerar las variables que predominan y tienen un efecto signi-
cativo en los días que hay presencia de oportunidades de arbitraje, se puede mencionar que,
en los días con mayor liquidez en cuanto a profundidad disponible es menos probable que
exista una oportunidad de arbitraje.

También, en los días en que la liquidez está muy concentrada en torno a los mejores precios
comparativamente con el resto del libro de órdenes límites es más probable que haya una
oportunidad de arbitraje.

Finalmente, aquellos días más volátiles y con una mayor actividad transaccional presentan
una mayor probabilidad de ocurrencia de arbitraje.

5.2. Modelo predictivo

Los resultados anteriores tienen que ver con las características que predominaban los días
que hay presencia de alguna oportunidad de arbitraje. A continuación, se muestran los prin-
cipales resultados obtenidos en relación a aquellas variables de estado del libro de órdenes
limites que podrían ser consideradas predictores de algún evento de arbitraje futuro.

En relación a aquellas variables contemporáneas del LOB que ayudan a predecir la pre-
sencia de oportunidades de arbitraje en un período de tiempo futuro se puede ver que el
depth también tiene una alta signicancia predictiva y con un comportamiento similar al
visto en los modelos diarios.

En la tabla 7.10 se presentan los resultados del modelo predictivo con intervalos de dos
horas dentro del día transaccional, en que se utiliza cómo único regresor del logit la variable
depth en sus distintas versiones.

A mayor depth disponible actual en el libro de órdenes límites, menor es la probabilidad

de un evento de arbitraje en un intervalo de tiempo inmediatamente sucesivo, lo cual puede
verse de manera aislada en la tabla 7.10 o considerando múltiples efectos en la tabla 7.16.

En el modelo 3 presente en la tabla 7.16 se puede ver nuevamente que al utilizar en un

mismo modelo el depth best y el depth beyond, es esta última variable la que presenta una
mayor signicancia estadística.

Por lo que nuevamente, es el depth beyond la variable más importante dentro de las dis-
tintas versiones del depth calculadas. En todos los modelos en que se utilizó como covariable
el depth beyond, a excepción del modelo 3, esta variable siempre presenta un p value menor
a 0.01.

En el modelo predictivo no se observa la asimetría en la información revelada por el lado

de la compra y la revelada por el lado de la venta con respecto al depth, hecho que si ocurría

41
en el modelo diario.

Como se puede ver en el modelo 5 presente en la tabla 7.16 al considerar el depth bid crossed
y el depth ask crossed, ambas covariables mantienen un alto nivel de signicancia estadística,
lo mismo ocurre en el modelo 6 presente en la misma tabla al considerar simultáneamente el
depth bid promedio y el depth ask promedio.

En la tabla 7.11 se aprecian los resultados del modelo predictivo de intervalos de dos ho-
ras en que se utiliza como único regresor del logit la variable spread, en sus distintas versiones.

En esta tabla se puede ver que al igual que en el modelo diario la componente del eective
spread llamada adverse selection tiene un efecto positivo y signicativo sobre la presencia de
oportunidades de arbitraje futuras, y que la componente llamada realized spread tiene un
efecto negativo y ligeramente menos signicativo que la componente antes mencionada.

Nuevamente, el eective spread no tiene signicancia, pero en este caso, las distintas ver-
siones del bid ask spread presentan una alta signicancia estadística y una relación negativa
con la presencia de oportunidades de arbitraje futuras.

Al considerar múltiples covariables, el bid ask spread en sus distintas versiones y el reali-
zed spread, mantienen su signicancia estadística como se puede ver en la tabla 7.16.

La forma en que inuyen predictivamente estas variables sobre la presencia de oportuni-

dades de arbitraje llama la atención pues, los resultados muestran que a mayor spread menor
es la probabilidad de una oportunidad de arbitraje futuro, lo que indica que mientras mayor
sea la iliquidez medida a través del spread actualmente, menos probable es que en el futuro
haya una oportunidad de arbitraje.

Sin embargo, cuando se considera el eective spread que como se indicó anteriormente es
una mejor medida de liquidez relacionada al spread, desaparece la signicancia predictiva de
esta variable.

Lo anterior podría indicar, que los resultados que se pueden ver en la tabla 7.11 de ma-
nera aislada o en la tabla 7.16 considerando múltiples controles, relacionados al bid ask
spread están más bien mostrando un efecto mecánico debido a la mayor estrechez existente
entre los precios, que hace más fácil que sólo pequeñas variaciones en la liquidez consumida
hagan posible una distorsión en los precios y no reejen un estado real de la liquidez del libro.

Además, recordando que el adverse selection es probablemente la medida más relacionada a

una de las dimensiones de liquidez en el mercado, resiliencia, se ve que de manera aislada
también tiene un poder predictivo importante y consecuente con las hipótesis planteadas. Sin
embargo, no se puede decir que este poder predictivo es robusto puesto que, al considerar
esta variable en modelos con múltiples controles, su efecto desaparece.

Los resultados de considerar como único regresor para el modelo predictivo de intervalos
de dos horas, alguna variable relativa a la distribución de la liquidez, se pueden ver en la
tabla 7.12.

42
Nuevamente, la variable relative liquidity tiene un efecto positivo y muy signicativo so-
bre la presencia de oportunidades de arbitraje, en este caso en un intervalo de tiempo futuro.

La signicancia de la variable slope desaparece en el modelo predictivo, lo que indicaría

que es más importante la distribución de la liquidez a lo largo del LOB y no sólo con respec-
to a los primeros precios.

En la tabla 7.16 se puede apreciar que en todos los modelos que se utiliza como regresor
a la variable relative liquidity, esta variable presenta siempre un efecto positivo y con un p
value menor a 0.01.

En el modelo 7 presente en la misma tabla, se aprecia que nuevamente el relative liqui-

dity del lado de la compra presenta una mayor signicancia estadística comparativamente al
lado de la venta.

En el modelo predictivo nuevamente aparece la importancia de la volatilidad de los pre-

cios y de los retornos, para en este caso predecir la aparición de eventos de arbitraje en un
intervalo inmediatamente próximo.

En la tabla 7.13 se pueden ver los resultados de considerar como único regresor en el modelo
predictivo con intervalos de dos horas, alguna variable relacionada a la incertidumbre pre-
sente en el libro de órdenes límites.

Se puede concluir nuevamente que una mayor incertidumbre actual aumenta la probabili-
dad de un evento de arbitraje, en este caso en un intervalo inmediatamente sucesivo.

Sin emabrgo, en la tabla 7.16 se puede ver que si bien en la mayoría de las conguraciones, en
que se utiliza alguna variable de incertidumbre esta tiene un efecto positivo y signicativo,
pero, presenta una signicancia menor al modelo diario.

Al tomar en cuenta la actividad transaccional, se puede ver que en el modelo predictivo

nuevamente queda claro que a mayor actividad transaccional más probable es la aparición
de un evento de arbitraje.

En la tabla 7.14 se pueden ver los resultados de utilizar como único regrsor en el modelo
predictivo con intervalos de dos horas, alguna variable asociada a la actividad transaccional.

En la tabla antes mencionada, se observa un comportamiento similar al modelo diario, donde

el logaritmo natural del volumen y del valor tranzado tienen un efecto positivo y muy sig-
nicativo sobre la presencia de oportunidades de arbitraje, y donde las órdenes de compra
y venta no tienen ninguna incidencia sobre la presencia de oportunidades de arbitraje en un
intervalo inmediatamente próximo.

En la tabla 7.16 se puede apreciar que, al utilizar la variable logaritmo natural del volu-
men tranzado, está siempre tiene un p value menor a 0.01 en todas las conguraciones y
presenta una relación positiva sobre la presencia de oportunidades de arbitraje futuras.

43
Nuevamente, el volumen tranzado tiene una signicancia mayor al valor tranzado, lo cual
se puede ver en el modelo 2 presente en la tabla recién mencionada, donde al utilizar estas
variable juntas en un mismo modelo, es el volumen el que mantiene su alta signicancia.

Los resultados de utilizar como único regresor en el modelo predictivo de intervalos de dos
horas, las variables que no se encuentran relacionadas directamente con ninguna de las dimen-
siones del libro antes descritas, y que están presentes en la categoría otros, son presentados
en la tabla 7.15.

La única variable que frente a otros controles mantiene una signicancia estadística es la
variable llamada order imabalance crossed, la cual como se puede ver en los modelos 4, 5 y 6
presentes en la tabla 7.16 presenta signicancia estadística y con una relación positiva sobre
la presencia de oportunidades de arbitraje.

Lo anterior, tiene sentido pues cuando la liquidez está cargada a un lado del libro, ya sea el
de compra o venta, es más fácil que alguna transacción haga que se consuma la poca liquidez
comparativa de un lado y de esta forma el libro quede muy cargado hacia un lado, ya sea por
compradores o vendedores y la ausencia de lo opuesto.

Este hecho podría provocar distorsiones en los precios debido a una ausencia de la con-
traparte, pudiendo generar eventos de arbitraje futuro, lo cual nuevamente da cuenta de la
importancia no solo de la liquidez sino también de que esta esté distribuida a lo largo del
libro y no esté tan concentrada.

En este caso al hablar de libro, se hace referencia al libro consolidado entre Chi X y Euronext,
lo cual también es relevante de destacar ya que se puede ver que no sólo las características
propias de un libro pueden inuir en la presencia de oportunidades de arbitraje, sino que
también las características que resultan a la hora de considerar a ambos mercados como uno.

Sin embargo, no se puede concluir con gran robustez sobre este fenómeno, debido a que
por una parte al regresionar esta variable de manera única en el logit predictivo, presenta
un efecto contrario y signicativo. Además, la magnitud del coeciente asociado es muy bajo
comparativamente al resto de estimadores.

El efecto que parecieran tener las variables distbid y distask, que se pueden ver en la tabla
7.15, desaparece al considerar múltiples controles, como se aprecia en la tabla 7.16. Luego,
estas variables no tienen un poder explicativo sobre la presencia de oportunidades de arbi-
traje futuras.

A modo de resumen, se puede destacar la importancia que nuevamente tiene en el mode-

lo predictivo de oportunidades de arbitraje las variables depth, las distintas medidas de
volatilidad, la actividad transaccional medida a través del volumen tranzado y la variable
relative liquidity, que captura la distribución de liquidez en el libro de órdenes límites.

Lo cual les da robustez a los resultados encontrados en torno a estas respectivas dimensiones
del libro, que también se pueden ver en el modelo diario y que consolidan las conclusiones

44
relativas a las hipótesis desarrolladas en el presente trabajo.

45
Capítulo 6

Análisis de sensibilidad

En el presente capítulo se realiza un análisis de sensibilidad sobre los resultados obteni-

dos en relación a cómo afectan las características de micro estructura sobre la presencia de
oportunidades de arbitraje en un mercado bursátil fragmentado.

Para llevar a cabo lo anterior se realizan nuevas estimaciones de los modelos diarios y pre-
dictivos.

Una de las principales diferencias incluidas en los nuevos modelos econométricos tiene que ver
con que para todas las estimaciones realizadas en este capítulo de sensibilidad se incorporan
todas las oportunidades de arbitraje encontradas, es decir, no se consideran sólo aquellas con
una duración mayor o igual a 1 segundo como se hace en el capítulo de resultados sino todos
los eventos de duración mayor a 0 segundos.

Lo anterior, se realiza debido a que es interesante saber si los efectos descritos previamente
se mantienen para aquellas oportunidades de arbitraje de más corta duración. Esto es muy
relevante, ya que como se ha mencionado previamente hay una fuerte evidencia de que los
inversionistas poseen cada vez sistemas más sosticados a la hora de tranzar, los que se ca-
racterizan por tener tiempos de ejecución de órdenes de magnitudes inferiores al segundo.

La segunda principal variación incluida en este capítulo tiene que ver con la variable gap de-
nida en la ecuación 3.1, se estimaron los modelos diarios y predictivos con gap=0, gap=0.005
y gap=0.01.

Vale decir, incluyendo todos los eventos de arbitraje, independiente de su duración temporal,
se estimaron los modelos con los valores de gap antes mencionados. Esta última variación so-
bre cuando se considera hay una oportunidad de arbitraje tiene el objetivo de corroborar como
inuyen las variables estudiadas al considerar una diferencia mínima exigida entre los precios
involucrados en la oportunidad de arbitraje, tal como queda determinado por la ecuación 3.1.

Los valores antes mencionados para la variable gap fueron elegidos de acuerdo a la dis-
tribución observada para la diferencia existente entre el precio de compra y el precio de venta

46
involucrados en las oportunidades de arbitraje encontradas. Esta diferencia tiene una media-
na igual a 0.005 y el tercer cuartil toma un valor de 0.01, valores considerados a la hora de
estudiar el arbitraje con un gap mayor a cero.

Adicionalmente, para darle mayor robustez a los resultados relativos al poder predictivo
que tienen las variables de micro estructura sobre las oportunidades de arbitraje, se estima
un modelo predictivo con las mismas características antes explicadas, pero con intervalos de
una hora de duración en lugar de dos horas.

Finalmente, en todas las nuevas estimaciones se agregó un nuevo control para darle ma-
yor robustez a los resultados. Este control es la medida de iliquidez de Amihud (2002) [2],
este es un control muy utilizado, por ejemplo, Valenzuela, Zer, Fryzlewicz y Rheinländer
(2015) [38] en su trabajo que presentan la medida `relative liquidity' lo consideran como un
control en sus modelos.

Esta medida es igual al valor absoluto del retorno observado en un período de tiempo divi-
dido por el valor tranzado en ese mismo período de tiempo para algún activo en particular.
La medida de iliquidez de Amihud es una medida de iliquidez debido a que está relacionada
al impacto que tienen las transacciones de un activo sobre los precios del mismo, es decir,
asociada a la dimensión de la liquidez llamada resiliencia.

En la tabla 7.17 se ven los principales resultados del modelo logit diario con las variacio-
nes explicadas en el presente capítulo.

Se puede ver que las variables que presentan un efecto que no desaparece al considerar un
gap mayor a cero son la volatilidad de los retornos, el logaritmo del volumen tranzado y la
variable slope crossed.

Estas variables mantienen el mismo efecto que ya ha sido explicado anteriormente, por una
parte, se ve que los días de mayor incertidumbre en cuanto a los precios observados para los
activos nancieros, es más probable la ocurrencia de los eventos de arbitraje.

Por otra parte, se ve que los días de mayor actividad transaccional es más probable la ocurren-
cia de estos eventos, lo cual como ya ha sido mencionado se ha relacionado con la volatilidad
de la liquidez.

Finalmente, cuando el libro es más estrecho en la parte superior de este, más probable es la
ocurrencia de los eventos de arbitraje, lo que se puede ver con el efecto positivo que presenta
la variable slope crossed al considerar distintos valores de gap.

Además, se ve que el depth beyond crossed tiene un efecto negativo y signicativo con gap=0
y gap=0.005, pero esta signicancia desaparece al considerar gap=0.01. Adicionalmente, se
puede ver que nuevamente el depth beyond crossed al ir en un modelo junto al depth best
crossed, es la primera variable la que destaca por su signicancia.

Finalmente, en cuanto al efecto de la variable relative liqudity cossed se ve que, al consi-

derar todos los eventos, independiente de su duración temporal, esta medida mantiene su

47
efecto positivo y signicativo. Sin embargo, este efecto desaparece al considerar valores posi-
tivos para la variable gap.

En la tabla 7.18 se pueden ver los principales resultados de los modelos logit predictivos,
considerando intervalos de una y dos horas, con las variaciones explicadas en el presente
capítulo.

Nuevamente las variables más robustas, debido a que mantienen su efecto y signicancia
al considerar un gap mayor a cero, son la volatilidad de los retornos y el logaritmo del volu-
men tranzado. Variables que como se puede ver en la tabla 7.18 mantienen un efecto positivo
sobre la probabilidad de ocurrencia de arbitraje en un intervalo de tiempo inmediatamente
posterior, lo cual ocurre al considerar intervalos de dos o una hora.

En relación al depth beyond crossed y al relative liquidity crossed, se ven los mismos efectos
antes explicados, sin embargo, la signicancia de estos efectos desaparece al considerar un
gap mayor a cero.

En los modelos predictivos se puede ver nuevamente la preponderancia del depth beyond
crossed por sobre el depth best crossed.

El hecho de que los efectos predictivos de las variables de micro estructura se mantengan
al considerar intervalos de una hora, le entrega mayor robustez a las conclusiones del pre-
sente trabajo, ya que se puede concluir que existen variable que pueden ayudar a predecir la
aparición de estos eventos en el futuro, y que esto no está restringido a algún intervalo de
tiempo en especíco.

Si bien algunas variables pierdan signicancia al considerar gap mayor a cero puede deberse
a que para esos casos hay muy pocas observaciones en las que hay un evento de arbitraje, por
lo que podría ser relevante en un estudio futuro ampliar la muestra y corroborar los efectos
cuando hay un gap mayor a cero.

48
Conclusión

A través de la presente investigación se ha podido estudiar un fenómeno que emerge de-

bido a la fragmentación de los mercados nancieros, el fenómeno de arbitraje en mercados
fragmentados.

Una correcta forma de caracterizar las oportunidades de arbitraje encontradas al analizar

22 acciones pertenecientes al índice AEX durante el año 2014, es utilizando la descripción
utilizada por Foucault, Kozhan, Tham (2016) [15] para las oportunidades de arbitraje de
alta velocidad, es decir, como eventos; i) frecuentes, ii) de muy corta duración, iii) más e-
cientemente explotadas por máquinas que por humanos y iv) con una ganancia muy leve por
oportunidad de arbitraje.

A través del análisis econométrico realizado, se ha podido comprobar que existen ciertas
características en el libro de órdenes límites y en el libro de órdenes y transacciones que
prevalecen cuando ocurren los eventos de arbitraje, habiendo incluso ciertas variables que
podrían tener un poder predictivo frente a estos eventos.

Se puede concluir con respecto a las hipótesis desarrolladas que los eventos de potencial
arbitraje son más frecuentes cuando la liquidez es menor, la dimensión de la liquidez que
pareciera tener mayor incidencia sobre la presencia de estos eventos es la profundidad del
mercado.

Adicionalmente, no sólo la liquidez es relevante, sino también la forma en que esta se dis-
tribuye a lo largo del libro de órdenes límites. No sólo es relevante que haya liquidez en la
cima del libro, sino también a lo largo de este. Lo anterior, se puede destacar dada la gran
relevancia que tiene la variable depth beyond, por sobre el depth a los mejores precios, y por
la alta signicancia que muestra la variable relative liquidity en las distintas conguraciones
econométricas.

Con respecto a la incertidumbre en el libro de órdenes límites, se puede concluir que efecti-
vamente la presencia de eventos de potencial arbitraje es mayor cuando la incertidumbre es
mayor. Adicionalmente, la presencia de estos eventos tiene una relación positiva y signica-
tiva con la actividad transaccional.

Uno de los objetivos de la presente investigación es generar evidencia empírica que pueda
relacionarse con las distintas ideas actuales desarrolladas en torno al arbitraje en mercados
nancierios fragmentados.

49
Por una parte, Marshall et al. (2013) [29] plantean que existen ciertas características de
microestructura de mercado que inuyen en la presencia de oportunidades de arbitraje, y
por otro lado Budish et al. (2015) [8] plantean que la presencia de oportunidades de arbitraje
está determinado mecánicamente por el diseño de mercado actual imperante, es decir, del
estilo CLOB.

Ambas hipótesis pueden no ser contrarias entre sí, ya que por una parte se evidencia que
efectivamente hay ciertas características del LOB o ruido de microestructura, como lo de-
nen Marshall et al. (2013) [29], que inuyen sobre la presencia de oportunidades de arbitraje.

Sin embargo, estas características de microestructura no son independientes al diseño de

mercado imperante, por lo cual las propuestas de Budish et al. (2015) [8] sobre modicar el
diseño actual y transitar hacia uno que elimine las rentas de arbitraje, y con esto todos los
posibles costos de selección adversa que sufren los agentes del mercado, podría ser compren-
sivo.

En relación a los fenómenos derivados de la fragmentación de los mercados nancieros y

los distintos cambios que se han producido a nivel mundial en la forma de tranzar los activos
nancieros queda mucha investigación por realizar.

En futuras investigaciones sería pertinente medir la presencia de los llamados algoritmos

transaccionales de alta frecuencia, para de esta forma aislar el efecto que podría generar la
mayor velocidad a la hora de ejecutar las órdenes y de esta forma estudiar la idea relativa al
costo de selección adversa que sufren ciertos agentes del mercado, idea que ha tomado gran
fuerza en el último tiempo por distintos investigadores.

Adicionalmente, sería pertinente acompañar la investigación empírica con el desarrollo de

modelos matemáticos que expliquen el arbitraje en mercados fragmentados, y que consideren
en su desarrollo la no independencia de las variables de microestructura con el diseño de
mercado.

Finalmente, estudiar en más detalle la evolución de estos eventos de potencial arbitraje,

especícamente estudiar si efectivamente están siendo aprovechadas estas oportunidades de
arbitraje o cómo estos instantes en que los activos están mal valorados desaparecen.

50
Bibliografía

[1] Acharya, V. V., and Pedersen, L. H. Liquidity risk and asset pricing. Journal of
Financial Economics 77 (2004), 375410.

[2] Amihud, Y. Illiquidity and stock returns: cross-section and time-series eects. Journal
of nancial markets 5, 1 (2002), 3156.
[3] Amihud, Y., Lauterbach, B., and Mendelson, H. The value of trading consoli-
dation: evidence from the exercise of warrants. Journal of Financial and Quantitative
Analysis 38, 04 (2003), 829846.
[4] Baruch, S., Karolyi, G. A., and Lemmon, M. Multimarket trading and liquidity:
theory and evidence. The Journal of Finance 62, 05 (2007), 21692200.
[5] Bernales, A. How fast can you trade? high-frequency trading in dynamic limit order
markets, 2013. Working paper Banque de France.

[6] Bodie, Z., Kane, A., and Marcus, A. J. Investments, Eight Edition. International
Edition, 2009.

[7] Boehmer, B., and Boehmer, E. Trading your neighbor's etfs: Competition or frag-
mentation? Journal of Banking and Finance 27, 9 (2003), 16671703.
[8] Budish, E., Cramton, P., and Shim, J. The high-frequency trading arms race: Fre-
quent batch auctions as a market design response. The Quarterly Journal of Economics
130, 4 (2015), 15471621.
[9] Chakravarty, S., Chiyachantana, C., and Jiang, C. The choice of trading venue
and relative price impact of institutional trading: Adrs versus the underlying securities
in their local markets. Journal of Financial Research 34, 4 (2011), 537567.
[10] Chlistalla, M., and Lutat, M. Competition in securities markets: the impact on
liquidity. Financial Markets and Portfolio Management 25, 2 (2011), 149172.
[11] Copeland, T. E., and Galai, D. Information eects on the bid ask spread. the
Journal of Finance 38, 5 (1983), 14571469.
[12] Draus, S., and Achter, M. V. Circuit breakers and market runs, 2016.

51
[13] Easley, D., de Prado, M. M. L., and O'Hara, M. Flow toxicity and liquidity in
a high-frequency world. Review of Financial Studies 25, 5 (2012), 14571493.
[14] Foucault, T., and Gehrig, T. Stock price informativeness, cross-listings, and in-
vestment decisions. Journal of Financial Economics 88, 1 (2008), 146168.
[15] Foucault, T., Kozhan, R., and Tham, W. W. Toxic arbitrage. Review of Financial
Studies (2016), hhw103.

[16] Foucault, T., and Menkveld, A. J. Competition for order ow and smart order
routing systems. The Journal of Finance 63, 1 (2008), 119158.
[17] Foucault, T., Pagano, M., Roell, A., and Röell, A. Market liquidity: theory,
evidence, and policy. Oxford University Press, 2013.

[18] Froot, K. A., and Dabora, E. M. How are stock prices aected by the location of
trade? Journal of Financial economics 53, 2 (1999), 189216.
[19] Gagnon, L., and Karolyi, G. A. Multi-market trading and arbitrage. Journal of
Financial Economics 97, 1 (2010), 5380.
[20] Gajewski, J. F., and Gresse, C. Centralised order books versus hybrid order books:
A paired comparison of trading costs on nsc (euronext paris) and sets (london stock
exchange). Journal of Banking & Finance 31, 9 (2007), 29062924.
[21] Halling, M., Moulton, P. C., and Panayides, M. Volume dynamics and multi-
market trading. Journal of Financial and Quantitative Analysis 48, 02 (2013), 489518.
[22] Hasbrouck, J. Empirical market microstructure: The institutions, economics, and
econometrics of securities trading. Oxford University Press, 2007.
[23] Hasbrouck, J., and Saar, G. Low-latency trading. Journal of Financial Markets
16, 4 (2013), 646679.
[24] Hendershott, T., Jones, C. M., and Menkveld, A. J. Does algorithmic trading
improve liquidity? The Journal of Finance 66, 1 (2011), 133.
[25] Hendershott, T., and Moulton, P. C. Automation, speed, and stock market
quality: The nyse's hybrid. Journal of Financial Markets 14, 4 (2011), 568604.
[26] Hengelbrock, J., and Theissen, E. Fourteen at one blow: The market entry of
turquoise. Review of Finance 10, 1 (2009), 99152.
[27] Johnson, T. C. Volume, liquidity, and liquidity risk. Journal of Financial Economics
87 (2008), 388417.

[28] Kozhan, R., and Tham, W. W. Execution risk in high-frequency arbitrage. Mana-
gement Science 58, 11 (2012), 21312149.
[29] Marshall, B. R., Nguyen, N. H., and Visaltanachoti, N. Etf arbitrage: Intraday

52
 evidence. Journal of Banking & Finance 37, 9 (2013), 34863498.
[30] Menkveld, A. J. Splitting orders in overlapping markets: A study of cross-listed
stocks. Journal of Financial Intermediation 17, 2 (2008), 145174.
[31] Menkveld, A. J. High frequency trading and the new market makers. Journal of
Financial Markets 16, 4 (2013), 712740.
[32] Mitchell, M., Pulvino, T., and Stafford, E. Limited arbitrage in equity markets.
Journal of Finance 57, 2 (2002), 551584.
[33] O'Hara, M., and Ye, M. Is market fragmentation harming market quality? Journal
of Financial Economics 100, 3 (2011), 459474.
[34] Parlour, C., and Seppi, D. J. Limit Order Markets: A Survey. North-Holland, 2008,
ch. 2, pp. 6193.

[35] Parlour, C. A., and Seppi, D. J. Liquidity-based competition for order ow. Review
of Financial Studies 16, 2 (2003), 301343.
[36] Pastor, L., and Stambaugh, R. F. Liquidity risk and expected stock returns. Jour-
nal of Political Economy 111 (2003), 642685.

[37] Schultz, P., and Shive, S. Mispricing of dual-class shares: Prot opportunities,
arbitrage, and trading. Journal of Financial Economics 98, 3 (2010), 524549.
[38] Valenzuela, M., Zer, I., Fryzlewicz, P., and Rheinländer, T. Relative liqui-
dity and future volatility. Journal of Financial Markets 24 (2015), 2548.

[39] Van Kervel, V. Competition for order ow with fast and slow traders. Review of
Financial Studies (2015), hhv023.

53
Capítulo 7

Anexos

1. Anexo A

Stock Average volume Average value Average bid orders Average ask orders
AGNa.CHI 2436213.443 15456578.91 66032845.99 64939922.2
AHa.CHI 943291.4196 12614885.54 22496881.23 22614629.49
AFp.CHI 1123544.314 9711005.457 20134460.35 20117924.82
AKZAa.CHI 277872.3059 15137175.53 4992170.592 4943410.957
MTa.CHI 2624983.153 28698701.06 96780310.87 96807624.91
ASMLa.CHI 444242.3843 31008121.59 7891178.451 7629215.537
CORAa.CHI 72524.8902 2611841.717 1189087.361 1322645.341
FURa.CHI 256779.3765 6467353.269 3394196.29 3383322.298
UNAa.CHI 1481866.835 45052739.05 74179151.79 74330921.34
HEIAa.CHI 309260.5059 16663997.12 5181300.192 5146146.898
WKLa.CHI 276242.7686 5889615.158 5551243.886 5908834.247
INGAa.CHI 4547204.337 47806014.63 143435381.6 143047854.3
DSMa.CHI 251918.4157 12623593.25 5474276.2 5475716.941
KPNa.CHI 5824405.557 14937619.02 126230590.3 124808874.6
PHIAa.CHI 1242083.506 29664179.64 36597715.39 37358480.1
PNLa.CHI 987530.698 3464291.524 15034531.53 15216465.83
RANDa.CHI 229694.2078 9191396.859 4104756.714 4186795.875
RENa.CHI 608672.3137 10166136.18 22435558.69 22635095.93
RDSAa.CHI 1576105.737 43773002.49 88774145.02 86215823.54
SBMOa.CHI 522186.902 5922506.067 9243122.345 9212967.471
TNTEa.CHI 494859.5098 2847022.289 7281844.012 7464823.114
BOKAa.CHI 118659.9216 4846108.236 1935509.831 2131915.482
TOTAL 1211370.114 17025176.57 34925920.85 34768155.06

Tabla 7.1: Valores promedios diarios transaccionales de las acciones analizadas de Bats Chi
X.
La tabla muestra el volumen y valor promedio diario tranzado, y el número de órdenes de compra
y venta promedio diario, para todas las acciones utilizadas tranzadas en Bats Chi X.

54
 2. Anexo B

Stock Average volume Average value Average bid orders Average ask orders
AEGN.AS 7213307.431 45896285.98 348875287.6 334279109.9
AHLN.AS 3356057.765 44955853.92 210161590.7 204881074
AIRF.PA 3744479.835 32212486.49 80848997.04 81247728.71
AKZO.AS 673140.4275 36888135.38 34720433.85 34067156.21
ISPA.AS 9643441.122 105423925.5 623302740.9 603600968.3
ASML.AS 1436314.133 99841883.29 60233154.02 59185490.35
COR.AS 360701.8902 13141702.93 14472786.69 14338236.71
FUGRc.AS 1155652.337 27520244.99 25194775.95 25085628.2
UNc.AS 4697838.49 143184810.1 322060804.3 312283219.6
HEIN.AS 865210.8588 46145951.96 36904945.23 35625906.7
WLSNc.AS 780965.149 16616774.73 44524672.35 43018717.63
ING.AS 18562574.8 195327691.5 1239986199 1159478913
DSMN.AS 801894.8863 40155962.16 32141009.98 31591542.96
KPN.AS 15883840.13 40674821.26 672727815.2 662697099.1
PHG.AS 3576472.427 85735751.97 211683024.8 210920170
PTNL.AS 3916969.925 13802863.84 115433710.5 116641442.7
RAND.AS 669260.5647 26695632.66 26063005.85 24583269.75
ELSN.AS 2008890.749 33533987.09 154161584.1 149237118.3
RDSa.AS 6047970.518 168740007.9 398195730.4 381252719.8
SBMO.AS 1977741.294 22688559.61 65844392.09 62084895.07
TNTE.AS 1765280.271 10503537.31 79361041.24 74114071.6
BOSN.AS 354480.6078 14350167.54 14187664.99 14150700.3
TOTAL 4067840.255 57456229 218685698.5 210652962.7

Tabla 7.2: Valores promedios diarios transaccionales de las acciones analizadas de Euronext.
La tabla muestra el volumen y valor promedio diario tranzado, y el número de órdenes de compra
y venta promedio diario, para todas las acciones utilizadas tranzadas en Euronext.

55
 3. Anexo C

VARIABLES Model 1 Model 2 Model 3 Model 4 Model 5 Model 6 Model 7

Depth beyond average -5.962***

(0.556)
Depth best average -25.10***
(2.678)
Depth bid average -44.31***
(5.274)
Depth ask average -44.31***
(5.461)
Depth best crossed -12.83***
(1.374)
Depth bid crossed -22.90***
(2.727)
Depth ask crossed -22.32***
(2.770)
Constant 0.190 0.579 0.436 0.519 0.384 0.302 0.309
(0.613) (0.603) (0.594) (0.612) (0.597) (0.591) (0.604)

Observations 4,994 4,994 4,994 4,994 4,994 4,994 4,994

Stock FE YES YES YES YES YES YES YES
Days FE YES YES YES YES YES YES YES
Pseudo R-squared 0.176 0.165 0.162 0.162 0.166 0.164 0.163
Marginal eects
Depth beyond average -0.501***
Depth best average -2.177***
Depth bid average -3.869***
Depth ask average -3.858***
Depth best crossed -1.110***
Depth bid crossed -1.987***
Depth ask crossed -1.945***

Tabla 7.3: Depth como único regresor, logit diario.

La tabla presenta los resultados obtenidos de estimar el modelo logit diario descrito en la
metodología econométrica considerando una única covariable. En este caso la covariable utilizada
es el depth en sus distitnas versiones. (Errores estándares robustos en paréntesis. *** p<0.01, **
p<0.05, * p<0.1)

56
 4. Anexo D

VARIABLES Model 1 Model 2 Model 3 Model 4 Model 5

Realized spread (30s) -2,173*

(1,296)
Adverse selection (30s) 12,965***
(3,149)
Eective spread (30s) -987.1
(1,010)
Bid ask spread average -43.70
(53.71)
Bid ask spread standardized -926.0
(977.3)
Constant 0.515 -0.626 0.107 0.192 0.697
(0.764) (0.615) (0.719) (0.838) (1.200)

Observations 4,994 4,994 4,994 4,994 4,994

Stock FE YES YES YES YES YES
Days FE YES YES YES YES YES
Pseudo R-squared 0.140 0.143 0.139 0.142 0.141
Marginal Eects
Realized spread (30s) -203.7*
Adverse selection (30s) 1,208***
Eective spread (30s) -92.72
Bid ask spread average -4.072
Bid ask spread standardized -86.63

Tabla 7.4: Spread como único regresor, logit diario.

La tabla presenta los resultados obtenidos de estimar el modelo logit diario descrito en la
metodología econométrica considerando una única covariable. En este caso la covariable utilizada
es el spread en sus distitnas versiones. (Errores estándares robustos en paréntesis. *** p<0.01, **
p<0.05, * p<0.1)

57
 5. Anexo E

VARIABLES Model 1 Model 2 Model 3 Model 4

Relative liquidity average 10.46***

(1.285)
Relative liquidity ask side average 8.273***
(1.033)
Relative liquidity bid side average 10.76***
(1.234)
Slope 309.3***
(95.68)
Constant -5.372*** -4.300*** -5.485*** -0.295
(0.902) (0.798) (0.888) (0.594)

Observations 4,994 4,994 4,994 4,994

Stock FE YES YES YES YES
Days FE YES YES YES YES
Pseudo R-squared 0.165 0.159 0.168 0.140
Marginal Eects
Relative liquidity average 0.923***
Relative liquidity ask side average 0.743***
Relative liquidity bid side average 0.942***
Slope 29.05***

Tabla 7.5: Distribución de liquidez como único regresor, logit diario.

La tabla presenta los resultados obtenidos de estimar el modelo logit diario descrito en la
metodología econométrica considerando una única covariable. En este caso la covariable utilizada
es relativa a la distribución de liquidez en el LOB. (Errores estándares robustos en paréntesis. ***
p<0.01, ** p<0.05, * p<0.1)

58
 6. Anexo F

VARIABLES Model 1 Model 2 Model 3

Midquote volatility 3.701***

(0.598)
Return volatility 10,274***
(1,333)
Log return volatility 10,258***
(1,328)
Constant -0.447 -1.353** -1.352**
(0.582) (0.599) (0.599)

Observations 4,994 4,994 4,994

Stock FE YES YES YES
Days FE YES YES YES
Pseudo R-squared 0.150 0.157 0.157
Marginal Eects
Midquote volatility 0.344***
Return volatility 942.5***
Log return volatility 940.7***

Tabla 7.6: Volatilidad como único regresor, logit diario.

La tabla presenta los resultados obtenidos de estimar el modelo logit diario descrito en la
metodología econométrica considerando una única covariable. En este caso la covariable utilizada
es la volatilidad en sus distitnas versiones. (Errores estándares robustos en paréntesis. *** p<0.01,
** p<0.05, * p<0.1)

59
 7. Anexo G

VARIABLES Model 1 Model 2 Model 3 Model 4

Log volumen 1.341***

(0.106)
Log valor 1.380***
(0.113)
Órdenes de venta -4.91e-10
(7.98e-10)
Órdenes de compra -7.29e-10
(8.70e-10)
Constant -19.23*** -22.87*** -0.269 -0.269
(1.591) (1.921) (0.595) (0.594)

Observations 4,994 4,994 4,994 4,994

Stock FE YES YES YES YES
Days FE YES YES YES YES
Pseudo R-squared 0.178 0.174 0.139 0.139
Marginal eects
Log volumen 0.115***
Log valor 0.120***
Órdenes de venta 0
Órdenes de compra -6.84e-11

Tabla 7.7: Actividad transaccional como único regresor, logit diario.

La tabla presenta los resultados obtenidos de estimar el modelo logit diario descrito en la
metodología econométrica considerando una única covariable. En este caso la covariable utilizada
es alguna medida asociada a la actividad transaccional. (Errores estándares robustos en paréntesis.
*** p<0.01, ** p<0.05, * p<0.1)

60
 8. Anexo H

VARIABLES Model 1 Model 2 Model 3

Order imbalance -0.000543***

(7.43e-05)
Order imbalance crossed -0.000312***
(4.03e-05)
Di. midquote 4.21e-05**
(1.67e-05)
Constant 0.658 0.588 -0.281
(0.613) (0.605) (0.592)

Observations 4,994 4,994 4,994

Stock FE YES YES YES
Days FE YES YES YES
Pseudo R-squared 0.156 0.159 0.143
Marginal eects
Order imbalance -4.75e-05***
Order imbalance crossed -2.71e-05***
Di. midquote 3.99e-06**

Tabla 7.8: Otras medidas como único regresor, logit diario.

La tabla presenta los resultados obtenidos de estimar el modelo logit diario descrito en la
metodología econométrica considerando una única covariable. En este caso la covariable utilizada
corresponde a alguna variable comprendida en la dimensión otros. (Errores estándares robustos en
paréntesis. *** p<0.01, ** p<0.05, * p<0.1)

61
9. Anexo I

VARIABLES Model 1 Model 2 Model 3 Model 4 Model 5 Model 6 Model 7

Order imbalance crossed 8.70e-05 4.60e-05

(0.000106) (0.000100)
Return volatility 8,544*** 3,503** 3,999*** 3,911***
(2,010) (1,363) (1,299) (1,297)
Log volumen 0.913*** 1.080*** 0.863** 1.105*** 1.027*** 1.064*** 1.069***
(0.148) (0.138) (0.384) (0.143) (0.137) (0.136) (0.134)
Depth best crossed -13.36***
(4.318)
Slope 1,712 4,977*** 5,271* 5,314*** 5,795***
(2,055) (1,677) (3,060) (1,910) (1,853)
Relative liquidity average 6.318*** 6.836*** 3.482*** 7.103***
(1.104) (1.093) (1.148) (1.094)
Di. midquote 1.13e-05
(1.17e-05)
Realized spread (30s) -3,582***
(1,054)
Adverse selection (30s) -6,183
(3,800)
Order imbalance -8.02e-05
(9.14e-05)
Depth beyond average -3.417*** -3.245*** -3.162*** -3.429***
(0.842) (1.042) (0.537) (0.546)
Depth bid average -22.52***
(8.343)
Depth ask average -18.72**
(8.189)
Midquote volatility 1.805***
(0.687)
Log valor 0.396
(0.420)
Depth bid crossed -10.78**
(4.433)
Depth ask crossed -7.393
(6.380)
Distbid -0.0157*** -0.0134*** -0.0152***
(0.00277) (0.00271) (0.00272)
Depth best average -3.062
(5.105)
Distask -0.0163*** -0.000812 -0.000730
(0.00255) (0.000533) (0.000449)
Log return volatility 4,509*** 4,214***
(1,286) (1,255)
Relative liquidity bid side average 4.137***
(1.159)
Relative liquidity ask side average 1.899*
(1.065)
Constant -15.26*** -18.85*** -19.79*** -15.37*** -16.53*** -15.84*** -18.53***
(2.129) (1.939) (2.514) (2.055) (1.985) (1.963) (1.888)

Observations 4,994 4,994 4,994 4,994 4,994 4,994 4,994

Stock FE YES YES YES YES YES YES YES
Days FE YES YES YES YES YES YES YES
Pseudo R-squared 0.220 0.216 0.224 0.223 0.227 0.225 0.215

Tabla 7.9: Logit diario, múltiples controles.

La tabla presenta los resultados obtenidos de estimar el modelo logit diario descrito en la
metodología econométrica considerando multiples controles.

62
 10. Anexo J

VARIABLES Model 1 Model 2 Model 3 Model 4 Model 5 Model 6 Model 7

Depth beyond average -5.347***

(0.549)
Depth best average -22.23***
(2.622)
Depth ask average -40.78***
(5.841)
Depth bid average -35.97***
(5.216)
Depth best crossed -11.48***
(1.340)
Depth bid crossed -18.56***
(2.653)
Depth ask crossed -21.07***
(2.928)
Constant -1.651 -1.327 -1.347 -1.515 -1.478 -1.624 -1.487
(1.074) (1.082) (1.083) (1.082) (1.085) (1.081) (1.087)

Observations 8,688 8,688 8,688 8,688 8,688 8,688 8,688

Stock FE YES YES YES YES YES YES YES
Intervals FE YES YES YES YES YES YES YES
Pseudo R-squared 0.132 0.124 0.122 0.119 0.125 0.120 0.124
Marginal eects
Depth beyond average -0.216***
Depth best average -0.927***
Depth ask average -1.699***
Depth bid average -1.527***
Depth best crossed -0.475***
Depth bid crossed -0.783***
Depth ask crossed -0.869***

Tabla 7.10: Depth como único regresor, logit pedictivo.

La tabla presenta los resultados obtenidos de estimar el modelo logit predictivo con intervalos de
dos horas descrito en la metodología econométrica considerando una única covariable. En este caso
la covariable utilizada es el depth en sus distitnas versiones. (Errores estándares robustos en
paréntesis. *** p<0.01, ** p<0.05, * p<0.1)

63
 11. Anexo K

VARIABLES Model 1 Model 2 Model 3 Model 4 Model 5 Model 6

Realized spread (30s) -2,195**

(1,016)
Adverse selection (30s) 5,590***
(2,129)
Eective spread (30s) -1,408
(933.8)
Bid ask spread average -84.99***
(15.37)
Bid ask spread standardized -1,896***
(571.8)
Bid ask spread crossed -129.1***
(16.56)
Constant -1.217 -2.256** -1.458 -0.956 0.100 -0.616
(1.138) (1.090) (1.142) (1.082) (1.256) (1.074)

Observations 8,688 8,688 8,688 8,688 8,688 8,688

Stock FE YES YES YES YES YES YES
Intervals FE YES YES YES YES YES YES
Pseudo R-squared 0.104 0.103 0.103 0.113 0.109 0.121
Marginal eects
Realized spread (30s) -100.8**
Adverse selection (30s) 257.3***
Eective spread (30s) -64.95
Bid ask spread average -3.788***
Bid ask spread standardized -85.46***
Bid ask spread crossed -5.668***

Tabla 7.11: Spread como único regresor, logit pedictivo.

La tabla presenta los resultados obtenidos de estimar el modelo logit predictivo con intervalos de
dos horas descrito en la metodología econométrica considerando una única covariable. En este caso
la covariable utilizada es el spread en sus distitnas versiones. (Errores estándares robustos en
paréntesis. *** p<0.01, ** p<0.05, * p<0.1)

64
 12. Anexo L

VARIABLES Model 1 Model 2 Model 3 Model 4

Relative liquidity average 8.729***

(1.080)
Relative liquidity ask side average 6.314***
(0.838)
Relative liquidity bid size average 8.913***
(1.018)
Slope -765.0
(914.2)
Constant -6.451*** -5.203*** -6.515*** -2.006*
(1.220) (1.147) (1.217) (1.072)

Observations 8,688 8,688 8,688 8,688

Stock FE YES YES YES YES
Intervals FE YES YES YES YES
Pseudo R-squared 0.122 0.116 0.125 0.102
Marginal eects
Relative liquidity average 0.380***
Relative liquidity ask side average 0.281***
Relative liquidity bid size average 0.384***
Slope -35.40

Tabla 7.12: Distribución de liquidez como único regresor, logit pedictivo.

La tabla presenta los resultados obtenidos de estimar el modelo logit predictivo con intervalos de
dos horas descrito en la metodología econométrica considerando una única covariable. En este caso
la covariable utilizada es relativa a la distribución de liquidez en el LOB. (Errores estándares
robustos en paréntesis. *** p<0.01, ** p<0.05, * p<0.1)

65
 13. Anexo M

VARIABLES Model 1 Model 2 Model 3

Midquote volatility 11.63***

(2.580)
Return volatility 7,563***
(1,382)
Log return volatility 7,512***
(1,379)
Constant -2.297** -2.831*** -2.825***
(1.093) (1.084) (1.084)

Observations 8,688 8,688 8,688

Stock FE YES YES YES
Intervals FE YES YES YES
Pseudo R-squared 0.107 0.110 0.110
Marginal eects
Midquote volatility 0.533***
Return volatility 343.1***
Log return volatility 340.8***

Tabla 7.13: Volatilidad como único regresor, logit pedictivo.

La tabla presenta los resultados obtenidos de estimar el modelo logit predictivo con intervalos de
dos horas descrito en la metodología econométrica considerando una única covariable. En este caso
la covariable utilizada es la volatilidad en sus distitnas versiones. (Errores estándares robustos en
paréntesis. *** p<0.01, ** p<0.05, * p<0.1)

66
 14. Anexo N

VARIABLES Model 1 Model 2 Model 3 Model 4

Log volumen 0.895***

(0.0855)
Log valor 0.901***
(0.0910)
Órdenes de venta -7.13e-10
(2.95e-09)
Órdenes de compra -1.17e-09
(2.90e-09)
Constant -13.69*** -15.81*** -2.034* -2.032*
(1.546) (1.762) (1.071) (1.071)

Observations 8,688 8,688 8,688 8,688

Stock FE YES YES YES YES
Intervals FE YES YES YES YES
Pseudo R-squared 0.127 0.124 0.102 0.102
Marginal eects
Log volumen 0.0383***
Log valor 0.0389***
Órdenes de venta 0
Órdenes de compra -5.41e-11

Tabla 7.14: Actividad transaccional como único regresor, logit pedictivo.

La tabla presenta los resultados obtenidos de estimar el modelo logit predictivo con intervalos de
dos horas descrito en la metodología econométrica considerando una única covariable. En este caso
la covariable utilizada es alguna medida asociada a la actividad transaccional. (Errores estándares
robustos en paréntesis. *** p<0.01, ** p<0.05, * p<0.1)

67
 15. Anexo Ñ

VARIABLES Model 1 Model 2 Model 3 Model 4 Model 5

Order imbalance -0.000419***

(8.18e-05)
Order imbalance crossed -0.000231***
(4.18e-05)
Distbid -0.0191***
(0.00279)
Distask -0.0184***
(0.00279)
Di. midquote -7.31e-06
(7.08e-06)
Constant -1.355 -1.448 -0.878 -0.861 -2.036*
(1.088) (1.088) (1.099) (1.093) (1.072)

Observations 8,688 8,688 8,688 8,688 8,688

Stock FE YES YES YES YES YES
Intervals FE YES YES YES YES YES
Pseudo R-squared 0.113 0.115 0.126 0.124 0.102
Marginal eects
Order imbalance -1.80e-05***
Order imbalance crossed -9.88e-06***
Distbid -0.000831***
Distask -0.000779***
Di. midquote -3.38e-07

Tabla 7.15: Otras medidas como único regresor, logit pedictivo.

La tabla presenta los resultados obtenidos de estimar el modelo logit predictivo con intervalos de
dos horas descrito en la metodología econométrica considerando una única covariable. En este caso
la covariable utilizada corresponde a alguna variable comprendida en la dimensión otros. (Errores
estándares robustos en paréntesis. *** p<0.01, ** p<0.05, * p<0.1)

68
16. Anexo O

VARIABLES Model 1 Model 2 Model 3 Model 4 Model 5 Model 6 Model 7

Realized spread (30s) -1,821** -2,322**

(838.6) (995.9)
Adverse selection (30s) -1,076 -1,521
(2,075) (2,164)
Return volatility 4,071** 2,892** 3,028**
(1,721) (1,340) (1,362)
Log volumen 0.669*** 1.248*** 0.570*** 0.800*** 0.737*** 0.768*** 0.698***
(0.103) (0.416) (0.108) (0.0968) (0.101) (0.101) (0.101)
Order imbalance -1.13e-05 -1.50e-05
(7.73e-05) (7.82e-05)
Depth beyond average -3.606*** -3.542*** -1.856** -3.136***
(0.798) (0.797) (0.941) (0.551)
Relative liquidity average 4.391*** 4.243*** 3.087*** 4.871*** 3.361*** 2.997***
(0.966) (0.979) (1.100) (0.942) (1.072) (1.069)
Slope -65.18
(543.3)
Log return volatility 4,024**
(1,702)
Log valor -0.617
(0.429)
Bid ask spread crossed -59.41***
(18.83)
Midquote volatility 11.41*** 3.659 7.412***
(3.118) (2.573) (2.749)
Order imbalance crossed 0.000106 0.000192** 0.000171** 0.000144**
(6.51e-05) (7.75e-05) (7.42e-05) (6.78e-05)
Distbid -0.00650 -0.00821 -0.00934 -0.00466
(0.00668) (0.00675) (0.00749) (0.00589)
Distask -0.000707 -0.000921 -0.00166 -0.00513
(0.00647) (0.00649) (0.00718) (0.00601)
Depth best average -14.41*
(8.529)
Eective spread (30s) -820.7
(648.8)
Depth best crossed -16.28***
(3.918)
Di. midquote -1.62e-05
(4.48e-05)
Depth bid crossed -12.77***
(3.995)
Depth ask crossed -15.18***
(4.813)
Midquote average 0.00867
(0.0123)
Depth bid average -23.05***
(7.005)
Depth ask average -26.94***
(9.156)
Relative liquidity bid size average 5.781***
(1.431)
Relative liquidity ask size average -3.014**
(1.418)
Constant -12.41*** -10.23*** -9.894*** -14.35*** -12.89*** -12.74*** -12.03***
(1.740) (2.375) (1.903) (1.693) (1.776) (1.815) (1.772)

Observations 8,688 8,688 8,688 8,688 8,688 8,688 8,688

Stock FE YES YES YES YES YES YES YES
Intervals FE YES YES YES YES YES YES YES
Pseudo R-squared 0.158 0.158 0.166 0.159 0.163 0.163 0.164

Tabla 7.16: Logit pedictivo, múltiples controles.

La tabla presenta los resultados obtenidos de estimar el modelo logit predictivo con intervalos de
dos horas descrito en la metodología econométrica considerando multiples controles. (Errores
estándares robustos en paréntesis.*** p<0.01, ** p<0.05, * p<0.1)

69
 17. Anexo P

VARIABLES Model 1 Model 2 Model 3

(gap=0) (gap=0.005) (gap=0.01)

Return volatility 9,560*** 6,767*** 5,268**

(2,435) (2,176) (2,612)
Log volumen 1.139*** 1.037*** 1.590***
(0.137) (0.154) (0.246)
Depth beyond crossed -2.380*** -1.166** 0.0118
(0.397) (0.548) (1.245)
Depth best crossed 1.554 3.499 -5.424
(1.954) (2.890) (5.103)
Relative liquidity crossed 5.442*** -2.026** -1.615
(0.879) (0.989) (2.152)
Slope crossed 6,683*** 6,522*** 7,408***
(2,192) (2,248) (2,607)
Eective spread (30s) -3,723*** -2,049** -1,481
(1,011) (1,026) (1,312)
Amihud's illiquidity measure -3.923e+07 4.853e+06 4.491e+07
(3.313e+07) (5.251e+07) (6.810e+07)
Constant -16.61*** -15.32*** -26.55***
(1.973) (2.227) (3.653)

Observations 5,500 4,972 3,549

Stock FE YES YES YES
Days FE YES YES YES
Pseudo R-squared 0.348 0.397 0.403

Tabla 7.17: Logit diario, análisis de sensibilidad.

La tabla presenta los resultados obtenidos de estimar el modelo logit diario con multiples controles
y considerando las variaciones introducidas en el capítulo de análisis de sensibilidad. (Errores
estándares robustos en paréntesis.*** p<0.01, ** p<0.05, * p<0.1)

70
18. Anexo Q

Model 1 Model 2 Model 3 Model 4 Model 5 Model 6

Intervalo 2 horas 2 horas 2 horas 1 hora 1 hora 1 hora

Gap 0 0.005 0.01 0 0.005 0.01
VARIABLES

Return volatility 1,165 5,183*** 11,252*** 1,627** 1,879** 3,732**

(939.0) (1,439) (3,459) (635.0) (866.9) (1,559)
Log volumen 0.744*** 0.628*** 0.697*** 0.734*** 0.773*** 0.812***
(0.0662) (0.0917) (0.189) (0.0481) (0.0677) (0.132)
Depth beyond crossed -1.497*** -0.548 -1.046 -1.395*** -0.549 -0.987
(0.242) (0.536) (1.610) (0.204) (0.446) (1.469)
Depth best crossed -0.380 0.00975 -1.815 -0.621 0.193 -2.174
(1.164) (2.272) (8.402) (0.928) (1.946) (6.685)
Relative liquidity crossed 4.170*** -0.485 -1.249 4.171*** -0.327 -1.171
(0.585) (0.863) (2.205) (0.478) (0.737) (1.740)
Slope crossed 2,234** 2,173* 6,466*** 1,608** 1,231 2,563
(983.9) (1,240) (2,375) (672.3) (817.9) (1,576)
Amihud's illiquidity measure 7.345e+06 6.084e+06 -4.781e+07* -5.193e+06 -7.453e+06 -5.872e+06
(5.823e+06) (1.175e+07) (2.676e+07) (3.785e+06) (6.981e+06) (1.251e+07)
Constant -12.79*** -12.22*** -29.81*** -13.12*** -13.43*** -15.14***
(1.065) (1.590) (2.740) (0.933) (1.322) (2.052)

Observations 13,572 9,679 4,097 25,869 16,858 6,246

Stock FE YES YES YES YES YES YES
Intervals FE YES YES YES YES YES YES
Pseudo R-squared 0.195 0.228 0.299 0.166 0.202 0.286

Tabla 7.18: Logit predictivo, análisis de sensibilidad.

La tabla presenta los resultados obtenidos de estimar los modelos logit predictivos con multiples
controles y considerando las variaciones introducidas en el capítulo de análisis de sensibilidad.
(Errores estándares robustos en paréntesis.*** p<0.01, ** p<0.05, * p<0.1)

71