Inverse Mills ratio: Information from Answers.com
Shared via AddThis
martes, 22 de septiembre de 2009
sábado, 3 de mayo de 2008
Análisis del Mercado de Harinas de El Salvador ¿Un problema de Colusión de precios?
Introducción
El trigo y la harina de trigo forman parte esencial de la canasta básica de la población salvadoreña, y como tal, es un bien sensible que requiere un análisis, especialmente en la coyuntura actual, dado que se han incrementado exorbitantemente los precios de la harina en los últimos años.
El mercado de harinas esta inmerso en la economía de mercado internacional, por la significativa importación de trigo y harina que se realiza (Estados Unidos). Los actores y actividades comerciales que se establecen en términos de oferta y demanda, se desarrollan en un mercado competencia imperfecta
En El Salvador, existe una ley de competencia que fue aprobada el 26 de noviembre del año 2004 y entro en vigencia en Enero de 2006 a través de la Superintendencia de Competencia, dedicada al tema de las conductas anticompetitivas y a la promoción de la competencia en el mercado nacional. A principios de la década del 90 se implementaron importantes reformas económicas; sin embargo, no se fortaleció la institucionalidad del Estado para eficientizar las funciones regulatorias.
Uno de los efectos, es precisamente lo que nos ocupa en este documento, el mercado de harinas, el cual es controlado por dos empresas: Molinos de El Salvador-MOLSA y Harinas de El Salvador-HARISA, quienes participan en la mayoría de los eslabones de la cadena de valor de la panificación: importación del trigo, importación de harina de trigo, producción de harina de trigo y distribución.
Según CONAMYPE (Comisión Nacional de las Micro y Pequeña Empresas), en nuestro país existen 22,000 panaderías, donde el 90% son artesanales. En los últimos meses, los panificadores se han visto afectados por las alzas de los precios de la harina, los cuales se han incrementado 4 veces antes del cierre del año 2007 y solamente en los primeros 3 meses del año 2008 se han dado 5 aumentos, un incremento que representa el 311%.
El incremento de precios se presenta por la escasez del trigo en el mercado internacional, se han disminuido las áreas de siembra en Estados Unidos (nuestro principal abastecedor), la demanda de China e India que han cambiado los patrones y hábitos de consumo y el tema de los biocombustibles que han dedicado a la siembra de maíz para producir etanol y en general, el efecto invernadero que ha afectado las cosechas 2006/2007
Sabemos que existe una coyuntura a nivel mundial; no obstante, los movimientos de precios en El Salvador presentan una diferencia significativa respecto a los vecinos centroamericanos. Las dos únicas empresas que dominan el mercado de harina, pareciera que implementan practicas anticompetitivas, que hay acuerdos en la fijación de precios, acción que estaría afectando la seguridad alimentaria de la población, específicamente la de los mas pobres y excluidos del sistema económico nacional
El presente estudio, tienen como finalidad determinar si existen conductas anticompetitivas en el mercado de harinas, un tema muy sensible porque forma parte de la dieta alimenticia de la población en general.
1. Objetivo General
Determinar si existen conductas que atenten en contra de la libre competencia en el mercado de la harina de trigo en El Salvador.
2. Limitaciones
Para el presente estudio se tuvo la limitante de información de parte de los agentes principales del mercado, las empresas MOLSA y HARISA. Se contactaron a los gerentes de comercialización y Mercadeo y no atendieron la solicitud de información.
La mayoría de información ha sido obtenida de sitios Web del Banco Central de Reserva de El Salvador, Centro para la Defensa del Consumidor, Dirección General de Estadísticas y Censos (DIGESTYC).
Es lamentable, la poca información que existe en el contralor de la actividad económica, el Ministerio de Economía, así también, la nula información existente en la Superintendencia de Competencia, quien a partir de la coyuntura actual de los precios de harina de trigo, recién ha iniciado un estudio sobre el grado de competencia.
3. Marco Jurídico. Antecedente de la Ley de Competencia en El Salvador
El tema de las condiciones de competencia en el mercado de El Salvador tuvo su origen a partir de la década del 90 cuando se realizaron importantes reformas económicas, como punto coyuntural de los acuerdos de Paz. No obstante, la apertura de la economía, la privatización de la banca y de las empresas de servicios públicos, así como la desregulación de precios de bienes y servicios se llevaron a cabo sin haber fortalecido la institucionalidad del Estado para ejercer con eficiencia las funciones regulatorias[1]
A principios de la década de los noventa dio inicio la discusión en torno a una entidad encargada de la promoción de la competencia tendiente a evitar que las privatizaciones y desregulaciones generaran distorsiones, externalidades negativas y se incrementaran las prácticas anticompetitivas en el mercado local. El tema de la ley de competencia era novedoso y hubo avances e investigación sobre las bondades y costos asociados al tema[2], sin embargo, pasaron dos periodos presidenciales (10 años) y no hubo avances significativos.
Sin embargo, en el ámbito económico se inserta a la discusión de las negociaciones comerciales, tratados de libre comercio, lo cual exigía inclinarse por el tema de una mayor cultura de competencia, esto dio lugar a la aprobación de la ley de competencia, el 26 de noviembre de 2004, y entró en vigencia en enero de 2006, a través de la Superintendencia de Competencia, la cual esta dedicada al tema de las conductas anticompetitivas y a la promoción de la competencia[3].
En los últimos años, se han observado conductas en empresas, que a primera vista deslumbran dificultades en el funcionamiento del mercado: transporte aéreo, la harina de trigo, el azúcar, el arroz, el cemento, hidrocarburos, entre otros. Un estudio realizado por FUNDAPYME (2002) mostró que desde la perspectiva de las PYME salvadoreñas, los problemas de competencia en los recados representan el principal obstáculo para la competitividad en los negocios[4]
La ley en su conjunto, según analistas, es considerada como una legislación moderna y bastante completa, sin embargo, presenta algunas debilidades[5] que deben ser revisadas para asegurar una efectiva supervisión de las condiciones de competencia en los mercados.
4. Metodología
Con el objetivo de caracterizar el mercado de harina de trigo y de establecer posibles conductas anticompetitivas o de abuso de posiciones de dominio por parte de uno o varios agentes económicos, se estudiaran los siguientes apartados: el mercado de harinas, comportamiento del mercado, posibles practicas anticompetitivas e impactos en el bienestar de la sociedad
El estudio parte del análisis de documentos e información disponible en sitios Web de entidades gubernamentales y agentes económicos de la cadena. Es importante mencionar que existe muy poca información estadística sistematizada del sector y que no ha sido posible acceder a información propia de las empresas, razón por la cual, gran parte de la información que se presenta en este estudio tienen un carácter cualitativo.
El estudio del mercado de la harina de trigo se ha efectuado examinando la estructura general de la cadena productiva, la cual establece las relaciones existentes que articulan desde la producción (importación del trigo a granel), la transformación (molinos), la comercialización y el consumo. A cada eslabón de la cadena le corresponde un agente y constituye un ámbito de acción y en el que se puede identificar practicas anticompetitivas de colusión, exclusión y dominio
Dada la limitante de información referida en los párrafos anteriores, se opto por generar la demanda de harina en el mercado nacional y la oferta de cada una de las empresas, a partir de una muestra de precios de los distribuidores mayoristas efectuada en el periodo noviembre 2007 a marzo 2008.
El grado de concentración se mide en función de la participación en el mercado. Para estimar la participación en el mercado se ha examinado la capacidad de producción, volumen de producción y las ventas. Cuantitativamente, el nivel de concentración de las empresas se ha utilizado el índice de concentración de Herfindal-Hirshman (HHI)
5. Antecedentes del Mercado de Harinas en El Salvador
El mercado de harinas de trigo en El Salvador presenta una característica duopolica, donde los actores son: Molinos de El Salvador-MOLSA y Harinas de El Salvador—HARISA. Estas dos empresas controlan las actividades de importación de trigo, de producción de harina, además la distribución nacional con una clara segmentación geográfica.
La estructura de mercado ha sido favorecida por la existencia de barreras de entrada al mercado de harinas, un reglamento de importación de trigo que data de 1951 y que contienen disposiciones que refuerzan la concentración del mercado. No obstante, como parte de desgravación arancelaria y apertura regional, como parte de la negociación del DR-CAFTA[6], el Consejo de Ministros de la Integración Económica (COMIECO) acordó eliminar a partir de enero 2003 el pago de aranceles al comercio de harina de trigo en la región.
El efecto inmediato de la desgravación fue el aumento del comercio de harina con Guatemala, pero sin efectos positivos para los consumidores. Los precios se mantuvieron constantes e inclusive se elevaron después de la desgravación arancelaria
Los principales compradores de harina son las panaderías. De acuerdo a estimaciones de algunos empresarios que formaban parte de la Asociación Salvadoreña de la Industria de la Panificación (ASIP)[7], existen aproximadamente 22,000 panaderías en El Salvador, en su mayoría artesanales (90%), y difícilmente con capacidad para importar harina de trigo o poder negociar acuerdos preferenciales para el suministro de este producto.
En los primeros meses del presente año 2008, el sector panadero se ha visto con mayores dificultades en la producción con el incremento de los precios de la harina e insumos del mercado local.
En el mes de febrero 2008, los panaderos protestaron por el alto costo de la Harina y expresaron el peligro de no continuar trabajando, según lo expresaba uno de los dirigentes de los panificadores, quien lamentaba 4 aumentos de precios de la harina, antes del cierre 2007 y 5 aumentos en tan solo los primeros dos meses del año 2008, aumentos que reflejan un 311%[8].
Una de las empresas importadoras, MOLSA (Molinos de El Salvador) publicó un campo pagado en los principales diarios del país, en el que afirmaba que "los altos precios del trigo a nivel internacional, estaban impactando los costos de producción de la harina[9] y por ende el costo del pan a nivel nacional".
En el mes de marzo 2008, los panaderos han propuesto al gobierno les conceda un subsidio transitorio (por 90 días) para comprar Harina[10]. Concretamente solicitaron congelar los precios del quintal en $20.
El alza de los precios se presenta por la escasez de producto en el mercado internacional. Las áreas de siembra, especialmente en Estados Unidos, se redujeron por la creciente tendencia a dedicar tierras a maíz y otros productos destinados a obtener etanol y otros biocombustibles. Además, la demanda de China, India y otros países emergentes creció sin precedentes, lo cual contribuye a presionar el mercado[11].
Los panaderos aseguraron que no se puede descartar un aumento en los precios de las distintas variedades de pan y hacen referencia que los precios han sido tradicionalmente más altos en El Salvador que en Guatemala y Honduras[12]. Existen diferencias bien marcadas en los precios de la harina respecto los vecinos de Guatemala, Honduras y Costa Rica para el año 2008. En este último país, solamente ha habido un aumento del precio de la harina; mientras que en El Salvador, han sido cinco los aumentos.
Los propietarios de panaderías tienen la hipótesis que el aumento de precios obedece a un acuerdo entre las únicas empresas productoras de la materia prima (MOLSA y HARISA[13])
Los panaderos están agrupados en dos gremiales: 1) La Mesa Nacional de Panificadores[14] y la Cooperativa Nacional de Panificadores (ASCOPARSAL). Estas dos gremiales han intentado platicar con las dos empresas importadoras de trigo para determinar compras directas. La idea es hacer las compras directas, eliminar distribuidores y hacerlas por volumen en grandes cantidades.
Se tiene a la luz un problema de grandes dimensiones dado que se esta afectando la seguridad alimentaría de la población en general, específicamente de las grandes mayorías, un problema nacional donde son protagonistas las empresas encargadas de la importación, procesamiento y distribución: MOLSA y HARISA, las cuales son catalogadas, por algunos críticos, como un oligopolio.
El presente documento pretende medir el comportamiento del mercado de Harinas de el Salvador e indagara el parámetro de conducta de las empresas protagonistas para medir el grado de competencia del mercado.
6. Comportamiento de la Industria Panificadora
La industria panadera esta formada aproximadamente por 2,000 empresas de diferentes tamaños y generan ocupación para mas de 18,000 personas. De acuerdo al tamaño de la empresa, el personal ocupado se distribuye de la siguiente manera: el 90.8% de los establecimiento pertenecen a la Microempresa, el 7.3% a la Pequeña Empresa, el 1.4% a la Mediana Empresa y el 0.5% pertenece a la Gran Empresa. No obstante, la Microempresa absorbe el 37.2% del empleo generado en la industria; mientras que, la gran empresa, emplea al 33.6% lo cual refleja el poder que tiene la gran empresa en esta actividad productiva[15]
Según la DIGESTYC[16], el gasto familiar por consumo de pan francés y pan dulce es de $27.42 por mes, lo que representa el 10% de la canasta alimenticia[17] que consume la familia salvadoreña. Esta información nos da cuenta de la importancia de esta industria, no solo por los volúmenes de venta que realiza, sino también nos dice la importancia que este bien tienen en la dieta alimenticia de toda la población.
Existen diversas líneas de producto: pan francés, pan dulce, repostería con distintos patrones de consumo. A su vez, los consumidores tienen distinta sensibilidad al precio según su nivel socioeconómico; es decir, los panaderos atienden distintos segmentos de mercado.
6.1 La Cadena de Valor del Trigo
En la industria de la panificación, destaca el hecho que solamente existen dos molinos de harina de trigo en el país: Molinos de El Salvador -MOLSA y Harinas de El Salvador-HARISA. El primero domina la estructura de provisión de los insumos primarios. Se distribuye la harina a través de un sistema de distribución de grandes y pequeños intermediarios, salvo en el caso de sus grandes clientes quienes distribuyen directamente y a granel[18]
Hasta hace pocos años, estos molinos (MOLSA y HARISA) se repartían el mercado debido a la protección a estas empresas. Por un lado se beneficiaban de importar trigo con cero arancel y en algunos casos, en condiciones mas favorables a través de la Ley publica de EU (480). Por otro lado, el Consejo de Ministros de Económica de Centroamérica (COMIECO) garantizo durante muchos años la exclusividad del mercado para estos molinos, prohibiendo en todos los países de Centroamérica la exportación y/o importación de la harina.
En la cadena existe un buen número importante de microempresas dedicadas a la fabricación del pan, principalmente pan francés. El ingreso de nuevos distribuidores como los supermercados y/o cadenas de restaurantes, compite cada vez mas con las panaderías tradicionales.
En los eslabones de la cadena, hay una diferencia entre el bien que se provee y el tamaño de la empresa. Así, en el caso de empresas grandes y algunas medianas, se proveen directamente de los molinos de trigo[19]. En el caso de las demás panaderías, estas se proveen a través de distribuidores y subdistribuidores diseminados a lo largo del país, quienes compran directamente a las fábricas y lo distribuyen a las panaderías.
Los insumos primarios proceden mayoritariamente del país, salvo en el caso del trigo que se importa totalmente. Además, en la cadena de panadería, se tiene la participación de otros proveedores de servicios y bienes como son: proveedores de insumos básicos, agua, energía eléctrica, proveedores de servicios financieros, servicios de desarrollo empresarial, entre otros.
A lo largo de la cadena de valor se producen vinculaciones con instituciones del Estado con responsabilidades especificas en los diferentes eslabones de la cadena, por ejemplo: el consejo Interministerial que se encarga de realizar la venta del trigo recibido en donación a los molinos, Ministerio de Salud encargado junto a la OPS de verificar los contenidos proteícos y nutritivos de la harina, Ministerio de Agricultura (encargado de vigilar la producción y consumo del azúcar en el país, la producción y consumo de huevos), Ministerio de Economía y Agricultura, encargados de elaborar las políticas económicas hacia la producción de azúcar y huevos, entre otros.
Otras instituciones involucradas son el Ministerio de Hacienda, encargado de captar los impuestos al Valor Agregado y la Renta a lo largo de toda la cadena; el Ministerio de Trabajo (concilia en los conflictos laborales); el Ministerio de Salud (verifica condiciones de salubridad e higiene en los lugares de trabajo); Ministerio del Medio ambiente y Recursos Renovables (vigila tratamiento de los desechos); las instancias involucradas en el registro de las empresas, CONACYT (promueve la estandarización, normalización y certificación de productos)
Así mismo, las instancias del Estado encargadas de promover y facilitar el acceso al crédito; instituciones que promueven el desarrollo de la Micro y pequeña empresa (CONAMYPE); la Asamblea Legislativa (leyes y marco regulatorio), ISSS, Dirección General de Aduanas (que controla el ingreso de harinas)
Según investigación realizada a empresarios[20], la mayoría de entrevistados identifica problemas en la provisión de las harinas, dada la concentración del mercado de materias primas, la mayoría identifica una estructura de mercado duopolico, señalando a un poder económico y la influencia que tienen los núcleos familiares dueños de MOLSA.
El mercado es excluyente donde los productores pequeños y medianos están en un circulo vicioso, por su volumen de producción no pueden ordenar grandes cantidades de insumo, no obtienen descuento, no tienen crédito por mucho tiempo y tienen que comprar a mayoristas que agregan su margen de ganancia.
A partir del presente año (2008), el comercio de harina de trigo se ha liberalizado entre los países de Centroamérica, sin que ello haya significado disminución en el precio de la harina. Actualmente se encuentra harina procedente de Guatemala, Nicaragua, con una parte muy pequeña del mercado, en el que predomina MOLSA con más de la mitad
Las restricciones al crédito impide inversión en maquinarias, con lo cual se crea una brecha tecnológica, gracias a la cual los grandes productores pueden aprovechar economías de escala, mientras que los pequeños tienen mayores costos en la compra de insumos, además del método de producción artesanal que utilizan. Así, es bastante obvio que no existe una igualdad de condiciones para competir.
Los panaderos son tomadores de precios de los insumos primarios que compran a los distribuidores y/o subdistribuidores, precios que fijan las grandes empresas como MOLSA y HARISA, no pueden repercutir en el incremento de costos en el precio del pan que elaboran, ya que el segmento al cual se dirigen es de bajo poder adquisitivo, lo que impide cobrar un margen suficientemente grande como para dinamizar el sector[21].
Respecto a la distribución, los canales masivos no son accesibles a los pequeños panaderos y por el contrario son excluyentes, pues solamente quien logra cumplirlas coloca su producto. El supermercado traslada el riesgo al tomar en consignación la mercancía que vende y no la compra en el momento en que la recibe. Como efecto, muchos panaderos hacen su producto artesanalmente y lo distribuyen a precios más bajos.
Como puede verse, la gran mayoría de panaderos, tienen dificultades en la provisión, producción y proceso de distribución y por el contrario, las grandes empresas que producen la harina, por la estructura de mercado que predomina en el país, tienen el poder y la capacidad de repercutir en el precio de la harina si hay un incremento en los precios del trigo.
7. Demanda de Trigo y Harina de Trigo
7.1 Precios del Trigo en el Mercado Internacional
Según la FAO, los precios internacionales de cereales continúan incrementándose en marzo 2008, mayormente dirigida por la estrechez de la oferta y por la imposición de restricciones de nuevas exportaciones. La tabla 1 muestra los precios de exportación de los principales cereales, según la FAO
En el caso del trigo, los precios de exportación se han aumentado agudamente en marzo 2008 elevándose a nuevos niveles de record máximo. El precio del trigo estadounidense (que es el mayor abastecedor del país) alcanzó un promedio de $481 por tonelada, arriba de $100 por tonelada desde el principio de año y casi 130% por encima del mismo periodo en el año pasado. Los precios continúan aprovechándose del dólar débil y de una demanda fuerte.
En los mercados de futuros los precios permanecen firmes pero volátiles, reaccionando rápidamente a cualquier noticia de más restricciones de exportación, los desarrollos en mercados de energía, la incertidumbre global macro-económica, entre otros, tal como lo muestra la siguiente grafica.
7.2 Precios de la Harina de Trigo en el Mercado Nacional
La grafica 3 muestra la tendencia de los precios de harina de Trigo en los últimos años. En dicho periodo se ha dado un incremento arriba del 187%
8. Producción y Demanda del Trigo a Nivel Mundial
8.1 Producción del Trigo a Nivel Mundial
Por milenios el trigo ha provisto diariamente sostenibiblidad a una proporción grande de la población mundial. Es producido en una gran variedad de ambientes climáticos y regiones geográficas (Tabla 2). Durante el periodo 2004-2006, la cosecha anual global promedió 217 millones de hectáreas (ha), produciendo 621 millones de toneladas (ton) de grano con un valor de aproximadamente US$ 150 billones. Cerca de 116 millones ha de trigo fue crecido en países en desarrollo, produciendo 308 millones ton de grano (FAO 2007) con un valor de $ aproximadamente US$ 75 billones.
8.2 La Demanda del Trigo a Nivel Mundial
El trigo ha dado una contribución significativa al incremento en la producción global de comida durante las últimas cuatro décadas, especialmente a los estratos mas necesitados. Si miramos hacia el futuro, la población global es proyectada a incrementarse alrededor de 9 billones en 2050[22] (ver Grafica 4). La comida y otras necesidades de la creciente población apuntalan una fuerte demanda de cereales.
La demanda para el trigo, basado en la producción y cambios en el stock, se espera se incremente de 621 millones ton durante 2004-2006 hasta 760 millones ton en 2020 (Rosegrant Et 11al. 2001), alrededor de 813 millones ton en 2030 y más de 900 millones ton en 2050 (FAO 2006, 2007, Rosegrant et al. 2007) implicando tasas de crecimiento de 1.6 % para 2005-2020, 1.2 % para 2005-2030, y 0.9 % para 2005-2050. Como puede visualizarse en la Grafica 4, las proyecciones sugieren que la demanda del maíz crecerá más rápido que el trigo[23]; la demanda del trigo crecerá más rápida respecto a la demanda del arroz y sigue muy de cerca el crecimiento en población global sobre este período.
9. Demanda Nacional de la Harina de Trigo
El gasto que una familia típica salvadoreña dedica al pan francés, que esparte de la dieta alimenticia diaria, denota un incremento (Grafica 5). En el periodo 2005-2008 dicho gasto se ha incrementado en un 42%.
10. Importaciones de Trigo y Harina de Trigo, Mercado Nacional
Las importaciones del trigo en los últimos 4 años se presentan en la Grafica 6, donde puede visualizarse que se depende directamente de Estados Unidos. La importación de los demás países (Canadá, Guatemala, Nicaragua y Ucrania) no es significativa. La grafica muestra que las importaciones se han venido disminuyendo en lo últimos 4 años, como producto de las coyuntura de la incertidumbre del mercado internacional, los problemas climáticos en las cosechas y el surgimiento de los biocombustibles.
En el ultimo año 2007, la importación se restringe a 4 países, donde la dependencia del trigo de Estados Unidos se mantiene en un 99.95%
Respecto a la importación de Harina de Trigo, los dos países de mayor dependencia son Guatemala y Nicaragua. La importación de harina desde Guatemala creció en el periodo 2004-2006, y es a partir del año 2007 que se tiene una baja significativa. En el caso de Nicaragua, las importaciones han estado en disminución desde 2004 (aunque la importación no es significativa), acentuándose en los últimos dos años.
Las importaciones de harina de trigo registradas por el Banco Central de Reserva de El Salvador, en el ultimo año 2007, muestra una dependencia de Guatemala y Nicaragua, con un 85% y 13% respectivamente.
Analizando el total de importaciones en cada año, en el periodo 2000-2007, se observa una baja significativa en las importaciones a partir del año 2004, lo que explica el comportamiento de los precios a nivel local.
11. Costos de Producción y Precios de la Harina de Trigo
Según datos disponibles (año 2008), el costo de producción de un quintal de harina se sitúa alrededor de $24.30 /qq. De este monto, si consideramos que el costo de materia prima representa aproximadamente el 80%, el 10% corresponden a gastos de administración y 10% a costo financiero.
Actualmente, el precio de venta de un quintal de harina de trigo (venta al consumidor directo) oscila los $45.00 (marzo 2008). Si se considera un costo de producción de $24.30 y un precio de venta de $45.00, se tendría un beneficio a favor de $20.70, lo que representaría una rentabilidad del 85.22%, estimación que muestra que la industria molinera esta con márgenes de ganancias positivos bastante significativos.
12. Oferta de la Harina de Trigo y Distribución del Mercado, año 2007
Analizando el año 2007, y considerando el nivel de importaciones de trigo y harina de trigo, la oferta de trigo fue de 220,585 toneladas, lo que una vez transformado en harina, alcanzo 169,681 toneladas de harina de trigo[24]. Además, otros distribuidores mayoristas realizaron importaciones de harina por la cantidad de 3,793 toneladas, haciendo un total de oferta de 173,474 toneladas.
Las dos molineras de El Salvador, MOLSA y HARISA tienen dos molinos en El Salvador y la distribución del mercado es 60% y 40% respectivamente. La tabla 3 muestra la oferta de ambas empresas, las ventas y las utilidades aproximadas, considerando un costo de producción de $24.30 por quintal y un costo de venta de $45.00 por quintal. Los datos han sido elaborados tomando como fuente las tablas 4 y 5, importaciones registradas por el Banco Central de Reserva de El Salvador.
13. Determinación del grado de concentración del Mercado
La concentración de mercado es el resultado de operaciones que implican una modificación permanente de la estructura de uno o más operadores independientes como consecuencia de un proceso o fusión. Se deriva de concentraciones resultantes de la disminución de operadores económicos dentro de un mercado determinado. En efecto, en ciertas economías, algunos operadores económicos se ven obligados a cesar actividades, en situaciones de demanda estable, como consecuencia de problemas relacionados con la competencia
En términos generales, las operaciones de concentración pueden conducir hacia un aumento del poder de mercado y por tanto hacia una restricción de libre competencia, en la medida en que se produzcan modificaciones en la estructura del mercado en cuestión.
En el mercado de harinas de trigo en El Salvador, a simple vista se observa que se ha generado un proceso de concentración por efecto de las barreras de entrada e influencia que han mantenido las dos únicas empresas bajo estudio, inclusive, esta concentración van mas allá de nuestras fronteras, dado que ambas empresas tienen intereses económicos en Guatemala y la región centroamericana.
El índice de concentración de un mercado muestra el número de participantes y su posición en el mismo y será mayor cuanto menor sea el número de participantes en dicho mercado y cuanto mas desiguales sean sus participantes. En nuestro caso, utilizaremos el índice de concentración de Herfindal y Hirschman, el cual pondera de manera muy simple el poder de mercado de los participantes. El modelo es el siguiente:
El índice tiene dos valores extremos que determinan la posición en la que se encuentra el mercado: a) concentración máxima, cuando uno de los participantes percibe el total del valor del mercado, existiendo un reparto no equitativo o concentrado; b) concentración mínima, cuando el valor del mercado esta repartido equitativamente entre todos los participantes
Se ha creado una versión estandarizada del índice de Herfindal con el objetivo de poder acotar los valores que puede asumir, lo que da origen al llamado Índice de Herfindal Normalizado (HN)
La concentración de mercado es función del numero de empresas participantes en el mercado y sus respectivas cuotas de mercado, lo que implica, es un indicador de cuanto poder de mercado podría ostentar una determinada firma dentro del mercado relevante objeto de análisis.
Las participaciones de mercado de las diferentes empresas identificadas como participantes del mercado, se basan en las ventas totales y pueden ser expresadas tanto en unidades monetarias (ventas, producción) o en unidades físicas (ventas, producción, capacidad)
El índice de Herfindal-Hirshman (HHI) se calcula como la sumatoria de los cuadrados de las participaciones de mercado individuales de todos los participantes. Este índice refleja la estructura de mercado en la medida que le da un peso proporcionalmente mayor a las participaciones de mercado de las empresas mas grandes de acuerdo con su importancia relativa. Puede adoptar valores entre cero (0) y diez mil (10,000), donde el valor mínimo corresponde a una situación de completa atomización del mercado, mientras que el valor máximo implica un monopolio puro.
La interpretación del índice es como sigue:
HHI menor a 1000 implica una baja concentración
HHI entre 1000 y 1800 implica una concentración media
HHI mayor a 1800 implica una alta concentración
Dado que fue imposible obtener datos del precio de venta, estructura de costos y participación en el mercado de los años anteriores al 2006, únicamente se construyeron datos para los años 2006 y 2007
Los calculos dan como resultado que el índice de concentración ha sido de 5,098 para el año 2006 y 5,200 para el año 2007, lo cual refleja una alta concentración en el mercado de harinas de El Salvador, tal y como se ha advertido en los apartados anteriores.
Respecto a la capacidad para fijar y/o elevar precios por parte de ambas empresas, la ausencia de información no permite identificar prácticas de colusión y/o practicas restrictivas o anticompetitivas.
14. Barreras de Entrada
La principal barrera de entrada de nuevos competidores al mercado de la harina de trigo es la maquinaria la cual requiere de grandes inversiones que permita desarrollar un proceso industrial eficiente.
Desde el punto de vista legal, ha existido una normativa que ha facilitado la supremacía de las empresas MOLSA y HARISA en detrimento de los panaderos y consumidores.
15. Conclusiones
La situación del mercado de harinas de trigo en El Salvador presenta situaciones de dominio, una alta concentración de mercado por parte de la empresa MOLSA, como lo expresa el Índice de Herfindal.
No se ha podido constatar el establecimiento de acuerdos para fijar o elevar el precio de la harina, debido a la falta de información en el sector. Esto no excluye que en un futuro no puedan producirse acuerdos que atenten contra la libre competencia y que afecten a los consumidores
La principal barrera de entrada de nuevos competidores al mercado de la harina de trigo son las grandes inversiones requeridas en maquinaria y equipo que permita desarrollar un proceso industrial eficiente.
Según análisis de las importaciones registradas por el Banco Central de Reserva de El Salvador y los precios obtenidos en el mercado de harinas (en los últimos meses), el beneficio por un quintal (qq) de harina de trigo es de $20.74, lo que representaría una rentabilidad del 85.22%, lo que muestra que la industria molinera esta con márgenes de ganancias bastante significativos
El principal proveedor de trigo es Estados Unidos (99.9%), de hecho se depende completamente de dicho país y las importaciones han disminuido en los últimos 4 años. El gobierno de El Salvador debería implementar mas competencia en el mercado de harinas en beneficio de los panificadores y consumidores, buscar alternativas para apoyar a los sectores mas pobres que no podrán pagar la alza en los precios.
El desafío consiste en permitir una mayor competencia en el mercado, específicamente a nivel de elaboración de harina, lo cual determinara una mejora en el precio para los panaderos y garantizará la seguridad alimentaria de la población, específicamente de los más necesitados.
16. Bibliografía
CEPAL-—Serie Estudio y perspectivas-México. Condiciones generales de competencia en países centroamericanos: el caso de El Salvador
CEPAL—Serie Estudio y perspectivas-México. Principales problemas de competencia en la economía salvadoreña: Una evaluación desde los principales sectores económicos
Colin A. Carter, Future Trends in the Global Wheat Market- 2001-CIMMYT World Wheat Overview and Outlook
Hugo Lopez, Programa Fortalece MINEC/GTZ, Impacto de la actividad económica de la MYPYME, www.gtz.de
Modelo Estacional de Demanda Molinera de Trigo Blando en Chile
Pedro Aquino, Federico Carrion, Ricardo Calvo, Wheat Statistics, 2001-CIMMYT World Wheat Overview and Outlook, www.cimmyt.org
Sitio Web, Centro Internacional para el desarrollo del Maíz y Trigo, www.cimmyt.org
Sitio Web, Banco Central de Reserva de El Salvador, www.bcr.gob.sv
Sitio Web, Centro para la Defensa del Consumidor, www.cdc.org
Sitio Web, Food and Agriculture Organization of the United Nations (FAO). www.fao.org
Sitio Web, Molinos de El Salvador-MOLSA, www.molsa.com.sv
Sitio Web, US Wheat Associates. www.uswheat.org
Superintendencia de Empresas. Estudio del Mercado de la harina de trigo en Bolivia, www.superempresas.gov.bo
[1] La primera institución regulatoria creada fue la Superintendencia de Electricidad y Telecomunicaciones, la cual en su desempeño no se observó ninguna estrategia sistemática para prevenir conductas anticompetitivas.
[2] Se desarrollaron consultorías diversas, debates en la Asamblea Legislativa, se presentaron anteproyectos de ley
[3] El objetivo es promover el funcionamiento del mercado y la disminución de las situaciones de abuso de poder de mercado por parte de empresas en el mercado local para contribuir a la eficiencia de la economía en su conjunto
[4] Estos resultados con congruentes con un memorando del Banco mundial para El salvador (2003) el cual refleja ausencia de condiciones adecuadas de competencia como uno de los determinantes del modesto crecimiento económico del país a partir de 1996.
[5] Una de las debilidades es el proceso de nombramiento y/o remoción de la autoridad de competencia, lo cual esta sujeto a la decisión del órgano ejecutivo. En la medida que la ley deja esa decisión al Presidente de la Republica, los grupos parlamentarios ajenos al partido de gobierno consideran que tales funcionarios actuaran como “funcionarios de confianza” del Presidente y de los sectores empresariales ligados estrechamente al partido de gobierno de turno.
[6] Tratado de Libre Comercio entre Estados Unidos y Centroamérica-Republica Dominicana
[7] La ASIP ha dejado de operar, algunos ex miembros afirman que antes tenían poder de negociación con MOLSA y HARISA y podía lograr mejores precios, individualmente no lo pueden hacer
[8] En el último año, el aumento del precio de la tonelada de harina ha sido del 163%, pasando de $260 a $675, y tiende a incrementarse más.
[9] El trigo ha alcanzado cotizaciones récord en el mercado de Chicago, Estados Unidos, con precios que oscilan los $700 por tonelada.
[10] El Estado pagaría $25 por qq, que cuesta $45.
[11] Otros países productores, como Rusia, prohibieron las exportaciones, algunos para garantizar el abastecimiento interno. Los aspectos climáticos también golpearon la cosecha de los años 2006 y 2007.
[12] La harina era uno de los pocos productos que estaban gravados con aranceles en el comercio entre los países de Centroamérica hasta el cierre del año 2007.
[13] HARISA fue adquirida por empresarios chapines recientemente. Los propietarios de los molinos han movido influencias políticas y comerciales, primero para mantener la harina gravada con aranceles, y ahora para fijar precios altos
[14] Quienes ya han impulsado medidas de hecho con un paro de labores de dos días en el mes de marzo 2008
[15] Hugo Lopez, Programa Fortalece MINEC/GTZ, Impacto de la actividad económica de la MYPYME
[16] Dirección General de Estadística y Censo
[17] Conjunto de elamentos básicos que conforman la dieta usual de una población en cantidades suficientes para cubrir adecuadamente, por lo menos, las necesidades energéticas de la todo individuo. Este concepto ha sido definido por el Instituto de Nutrición de Centroamérica y Panamá (INCAP)
[18] Pizza Hut, Mr Donut, Pan Lido, entre otros
[19] También se proveen directamente de los productores de otros insumos: azúcar, huevos, manteca,…
[20] Hugo Lopez, Programa Fortalece MINEC/GTZ, Impacto de la actividad económica de la MYPYME
[21] Lo que hacen los panaderos es sacrificar la calidad y disminuir el tamaño del pan
[22] CIMMYT, 2008 Science Week
[23] Pparticularmente por la demanda fuerte para el alimento maíz como parte de la dieta alimentaria y como semilla para alimento de aves de corral, además de la demanda creciente de maíz para biocombustibles
[24] La relación de transformación normal entre el trigo y la harina de trigo es de 1.3, lo que significa que con 130 kilogramos de trigo se elaboran 100 kilogramos de harina
viernes, 25 de abril de 2008
CONTAMINACION DE NUESTROS RIOS.... RAZON PARA CELEBRAR EL DIA DE LA TIERRA!!
Con profundo dolor he visto esta seamana el fotoreportaje del periodico digital "El Faro", donde muestra la triste realidad de nuesto país El Salvador, problematica que compartimos a nivel Centroamericano ypodría decirse que a nivel de America Latina.
Hasta cuando sobrepondremos los intereses capitalistas sobre el derecho a la vida… Despues de ver dicho fotoreportaje no les parece que vale la pena hacer algo por nuestro planeta? Donde estan los politicos que trabajan en esto? donde esta el Ministerio del Medio Ambiente? Donde esta el Ministerio de Educacion? Donde esta el poder Judicial? Donde estan los otros medios de comunicacion escrita? Donde estan las ONG? Porque no le dan la importancia a esta problematica?
En este semana dedicada a la tierra, en El Salvador, ningún político toma estos temas en serio….
Favor hacer click sobre el titulo “Réquiem por un río”, palabra que viene del latín “descanso”, un servicio litúrgico de la iglesia romana, lo que equivaldría a Misa por un Rio?, diría por todos los rios de El SAlvador!!!!!
http://www.elfaro.net/secciones/Noticias/20080421/Noticias.asp#galeria
Que pasara en los proximos 10 años? ¿Cual es el destino de nuestros paises?...Esta es la herencia que dejaremos a nuestros hijos!!!
Hagamos Algo por nuestro PLaneta!
Con profundo dolor he visto esta seamana el fotoreportaje del periodico digital "El Faro", donde muestra la triste realidad de nuesto país El Salvador, problematica que compartimos a nivel Centroamericano ypodría decirse que a nivel de America Latina.
Hasta cuando sobrepondremos los intereses capitalistas sobre el derecho a la vida… Despues de ver dicho fotoreportaje no les parece que vale la pena hacer algo por nuestro planeta? Donde estan los politicos que trabajan en esto? donde esta el Ministerio del Medio Ambiente? Donde esta el Ministerio de Educacion? Donde esta el poder Judicial? Donde estan los otros medios de comunicacion escrita? Donde estan las ONG? Porque no le dan la importancia a esta problematica?
En este semana dedicada a la tierra, en El Salvador, ningún político toma estos temas en serio….
Favor hacer click sobre el titulo “Réquiem por un río”, palabra que viene del latín “descanso”, un servicio litúrgico de la iglesia romana, lo que equivaldría a Misa por un Rio?, diría por todos los rios de El SAlvador!!!!!
http://www.elfaro.net/secciones/Noticias/20080421/Noticias.asp#galeria
Que pasara en los proximos 10 años? ¿Cual es el destino de nuestros paises?...Esta es la herencia que dejaremos a nuestros hijos!!!
Hagamos Algo por nuestro PLaneta!
viernes, 11 de abril de 2008
Una Aproximación al Pronostico del tipo de cambio dóolar/euro con Series de Tiempo
Una Aproximación al Pronóstico del tipo de cambio dólar/euro aplicando Series de Tiempo-Modelos Autorregresivos de Media Movil-Modelos ARIMA.
1. Introducción.
Un aspecto clave en los entornos de los mercados de capitales, así como en la mayoría de las ciencias, específicamente en las ciencias económicas es la realización de pronósticos con cierto grado de precisión para la toma de decisiones.
El ser humano siempre ha estado interesado en predecir el futuro, para ello, ejerce su mejor posición e interactúa con su entorno tratando de realizar e interactuar su mejor juego
La información existente, a partir de las cuales se pueden realizar pronósticos o proyecciones, esta dada en forma cualitativa y cuantitativa. A esta ultima categoría pertenecen las series de tiempo, las cuales se pueden definir como un conjunto de observaciones ocurridas y registradas secuencialmente en el tiempo, que mediante modelos estadísticos apropiados, se puede prever con cierto grado de incertidumbre valores futuros.
El advenimiento y desarrollo de sistemas informáticos en las instituciones estatales y privadas han permitido el procesamiento y almacenamiento de grandes volúmenes de información, los cuales pueden utilizarse para la investigación econometrita.
El presente trabajo, consiste en una aproximación al pronóstico del tipo de cambio del dólar/euro utilizando modelos autorregresivos de media móvil, los denominados modelos ARIMA. Para ello, se visito el sitio Web del Banco Central Europeo y se recupero información del tipo de cambio referido, en el periodo 1999-2007[1] en forma mensual.
Se pretende hacer un ensayo, una aplicación de los modelo ARIMA a la serie del tipo de cambio y analizar las diferentes propiedades de este tipo de modelos.
2. Marco teórico.
Una serie es un conjunto de observaciones tomadas en periodos específicos, usualmente en intervalos de tiempos iguales.
Las variaciones que se presentan en el comportamiento de las series de tiempo pueden ser de 4 tipos:
Tendencia. Es el movimiento que presenta la serie durante un largo periodo de tiempo y que describe mediante la curva de tendencia
Estacionalidad. Son movimientos idénticos que parece seguir una serie durante meses consecutivos de años sucesivos
Cíclico. Son oscilaciones de la serie alrededor de una curva de tendencia y que pueden o no presentar modelos exactamente iguales en diferentes periodos
Aleatoriedad. Se refiere a las variaciones esporádicas de las series de tiempo debido a ciertos acontecimientos fortuitos o al azar.
Formalmente, una serie de tiempo puede tener la forma siguiente:
Donde la variable Y en el tiempo t se expresa como una función de términos autorregresivos (valores pasados de la variable) y en términos de promedios móviles (errores contemporáneos y pasados)
La mayoría de variables económicas pueden ser asociadas a series de tiempo, como por ejemplo, el PIB, las tasas de cambio, la inflación, los precios de las acciones, entre otras.
Existen dos métodos de predicción muy comunes en el ámbito académico: 1) el modelo autorregresivo integrado de media móvil (ARIMA), comúnmente conocido como la metodología Box-Jenkins[2] (BJ) y 2) el de autrregresion vectorial (VAR). En el presente documento se intenta aplicar el modelo ARIMA a la serie de tiempo del tipo de cambio dólar/euro.
La predicción de tasas de cambio se caracteriza por un fenómeno conocido como acumulación de volatilidad, lo que significa que existen periodos en los que muestran amplias variaciones durante prolongados periodos que son seguidos por un intervalo de tiempo de una tranquilidad relativa.
Un método de predicción presupone que las series de tiempo subyacentes son estacionarias[3] o que pueden convertirse en estacionarias mediante transformaciones adecuadas.
Hay cinco enfoques para la predicción económica basada en series de tiempo: 1) métodos de alisamiento exponencial, 2) modelos de regresión uniecuacionales, 3) modelos de regresión de ecuaciones simultaneas, 4) los modelos de vectores autorregresivos (VAR) y 5) modelos autorregresivos de media móvil (ARIMA)
Los primeros cuatro modelos han sido utilizados ampliamente hasta antes de la década del 80, mientras que a partir de la década del 90, se ha realizado mucha investigación en el tema de los modelo ARIMA, siendo estos los mas utilizados.
Los modelos autorregresivos de media móvil-ARIMA establecieron una nueva generación de herramientas de predicción, y se popularizo como metodología Box-Jenkins, el cual hace énfasis en el análisis de propiedades probabilísticas o estocásticas, de las series de tiempo económicas[4]. Por simplicidad en el presente estudio, se aplicará modelos ARIMA univariantes (modelos que pertenecen a una sola serie de tiempo)
El modelo ARIMA se basa en el supuesto de que las series de tiempo consideradas son estacionarias. Sin embargo se sabe que muchas series económicas son no estacionarias, a este tipo de series se le denomina serie integradas[5]. Para la mayoría de series económicas, la experiencia muestra que la estacionalidad se logra después de una diferencia o de una diferencia de logaritmos.
Si se debe diferenciar una serie de tiempo d veces para hacerla estacionaria y luego aplicar a ésta un modelo ARMA(p,q)[6], se dice que la serie de tiempo original es ARIMA(p,d,q), donde p es el numero de términos autorregresivos, d es el numero de veces que la serie debe se diferenciada para hacerse estacionaria y q es el numero de términos de media móvil. La metodología BJ exige una serie de tiempo estacionaria o una serie de tiempo que sea estacionaria después de una o mas diferencias
La metodología BJ considera 4 pasos:
Identificación. Encontrar los valores apropiados de p, d y q
Estimación. Se estiman los parámetros de los términos autorregresivos y de media móvil incluido en el modelo
Verificación de diagnóstico. Se verifica si el modelo se ajusta a los datos. Una simple prueba es ver si los residuales estimados son de ruido blanco, de lo contrario debe buscarse otro modelo (la metodología BJ es un proceso iterativo)
Predicción. Se procede a predecir con el modelo.
El objetivo es identificar el proceso estocástico que ha generado la serie de datos Yt, estimar los parámetros que caracterizan a dicho proceso y verificar que se cumplan las hipótesis que han permitido la estimación de dichos parámetros. Si dichos supuestos no se cumplen, la fase de verificación sirve como retroalimentación para una nueva fase de identificación. Cuando ya se satisfagan las condiciones de partida, se puede utilizar el modelo para pronosticar.
3. El Problema y Objeto de Estudio.
Los cambios en los mercados mundiales están marcados por diferentes variables endógenas y exógenas que generan volatilidad en los tipos de cambio. Esto a su vez implica pérdidas o ganancias para importadores y exportadores. En el caso que nos ocupa, la Unión europea incorporó el proceso de integración monetaria a partir del año 1999, lo cual desde sus inicios se ha caracterizado en la común volatilidad respecto a otras monedas, específicamente respecto al dólar ha jugado un papel decisivo en las políticas macroeconómicas de Estados Unidos, a tal grado que en los últimos años ha ganado terreno y se ha logrado apreciar respecto a la moneda de la primera economia desarrollada.
El presente trabajo intenta explorar las características del tipo de cambio dólar/euro y aplicar un modelo econométrico autorregresivo de promedios móviles, modelo ARIMA, de manera que se pueda pronosticar el tipo de cambio futuro
4. La Hipótesis
El tema de tipos de cambio es complicado precisamente por las variables del entorno económico que influencian las decisiones y/o acciones de los diferentes agentes del mercado.
Al respecto podemos preguntarnos ¿realmente podemos pronosticar los tipos de cambio futuros, dadas las innumerables variables que afectan el mercado de divisas?
Los expertos han desarrollado en los últimos años modelos econométricos sofisticados que exploran exhaustivamente las diferentes propiedades y características de las variables económicas que utilizan los actores de los mercados. Es por ello, que en el presente documento se da una primera aproximación al relevante tema de los modelos ARIMA aplicados a una serie cronológica de tipo de cambio del dólar respeto a euro
5. Desarrollo del problema Vrs Hipótesis.
En el marco teórico hemos definido la metodología Box-Jenkins (BJ), equivalente a los modelos autorregresivos de promedio móviles ARIMA, el cual consiste en ejecutar 4 pasos: 1) Identificación del modelo, 2) estimación de parámetros, 3) verificación del diagnostico y 4) el pronostico
A continuación intentaremos aplicar la metodología BJ a la serie Yt referida a los tipos de cambio del dólar frente al Euro.
Paso 1. Identificación.
Como primer paso se requiere que la serie de interés sea estacionaria. Una de las herramientas para probar la estacionalidad[7] es la función de autocorrelación (ACF)[8] y la función de autocorrelación parcial (PACP); donde la primera genera una grafica denominada correlograma poblacional, sin embargo, en la vida real, lo que se conoce es una muestra, es decir solamente se puede calcular la función de autocorrelación muestral al rezago k y la grafica se denomina correlograma muestral[9]. La segunda función, PACF, es análoga al concepto de coeficiente de regresión parcial en la regresión múltiple con k variables[10]. De manera similar, la autocorrelación parcial ρkk mide la correlación entre observaciones (en una serie de tiempo) que está separadas k periodos de tiempo, manteniendo constantes las correlaciones en los rezagos intermedios
La figura 1 a) muestra la serie del tipo de cambio dólar/euro, la cual tiene una tendencia creciente a partir del año que inicio la circulación del euro, en algunas partes de la grafica se observan picos lo cual sugieren un componente periódico; sin embargo es no estacionaria, para ello, se aplica una primera diferencia para transformarla en una serie estacionaria (ver figura 1 b)).
Figura 1: a) Tasa de cambio dólar/euro (Fuente banco Central Europeo)[11], periodo 1999-2007; b) tasa de cambio en primera diferencia
Para determinar los parámetros p y q se utilizan los gráficos de la función de autocorrelación simple ACF y la función de autocorrelación parcial PACF (correlogramas). En la figura 2 se presenta el correlograma y correlograma parcial de la serie de la tasa de cambio dólar/euro. Se puede observar que la ACF decrece muy lentamente y todos los rezagos están por fuera de los limites del 95% de confianza. En el caso de las PACF decrece en forma considerable y todas, después del primer rezago son estadísticamente no significativas.
a)
b)
Figura 2: a) Correlograma y b) Correlograma Parcial de la tasa de cambio dolar/Euro, periodo 1999-2007
La figura 3 presenta el correlograma de la serie de tipo de cambio, pero en primeras diferencias, donde se puede observar un patrón muy diferente. Las PACF en los rezagos 1, 10 y 13 son estadísticamente diferentes de cero, sin embargo en los demás rezagos, no son estadísticamente diferentes de cero.
a)
b)
Figura 3: a) Correlograma y b)correlograma parcial, Tasa de cambio dólar/Euro, periodo 1999-2007 (ambos en primeras diferencias)
Lo medular a esta altura, es encontrar los parámetros p, q del modelo ARMA. Recordemos que si una serie de tiempo Yt es estacionaria, se puede modelar o generar de diferentes formas: a través de procesos autorregresivos AR de primer orden AR(1) o de segundo orden AR(2) o de orden p AR(p); a través de procesos de media móvil MA de primer orden MA(1), de segundo orden MA(2) o de orden q MA(q); sin embargo, también es probable que la serie Yt tenga características AR y MA simultáneamente y por consiguiente sea ARMA [ARMA(1,1),…., ARMA(p,q)]
En nuestro caso, es necesario determinar el algoritmo o combinación de los parámetros del modelo ARIMA; para ello, no existe un modelo que pueda determinar el algoritmo correcto, una alternativa es utilizar un procedimiento que permite construir el mejor modelo posible para nuestra serie de tipo de cambio. En nuestro caso, ya conocemos el termino d, referido a la primera diferencia obtenida para convertir la serie en estacionaria [d=1, equivalente a ARIMA(0,1,0)]
Una vez observados las formas de los correlogramas simple y parcial de la figura 3[12] podemos afirmar que los valores de los parámetros p y q corresponden a 1; es decir se tiene un modelo ARIMA(1,1,1)
Paso 2. Estimación.
El procedimiento de la tendencia ARIMA estima los coeficientes del modelo que tentativamente se ha identificado, ahora debemos suministrar los parámetros p, d y q y ejecutar cálculos iterativos necesarios para determinar coeficientes de máxima probabilidad para el modelo ARIMA, el error (el residuo[13]), y los límites de confianza para el ajuste.
El análisis de los residuos es importante, para ello examinamos los residuales, a través de la prueba estadística de Box-Ljung[14],
Para crear el modelo, hacemos uso de los procedimientos estadísticos del programa SPSS. Esta parte es crucial en la construcción del modelo ya que requiere verificar que los residuos sean aleatorios, y en nuestro caso ésta evidencia no existe, según el estadistico Box-Ljung, lo cual se presume por factor “volatilidad” de la tasa de cambio.
A continuación se presenta un analisis de los residuos del modelo junto al estadistico Box-Ljung (Ver figura 4)
Figura 4: a) correlograma, b) correlograma parcial, análisis de residuos del modelo en ambos casos
De la figura 4, lo que tenemos es que el error u en el tiempo t esta correlacionado con el termino de error en el tiempo anterior[15] (t-1), esta autocorrelación[16] es llamada heteroscedasticidad condicional autorregresiva (ARCH)[17], debido al fenómeno de acumulación de la volatilidad de los tipos de cambio, lo cual implica que existen segmentos en los que los precios muestran grandes variaciones durante prolongados periodos y luego se dan intervalos de tiempo en los que se tiene una calma relativa. Como sabemos, este tipo de series de tiempo reflejan el resultado del comercio entre compradores y vendedores a precios de mercado, lo cual se afecta sobre el patrón de las series de tiempo de este tipo, precisamente por las expectativas y otras variables u acontecimientos exógenos de los mercados de capital.
En el mercado de divisas, esta variabilidad implica pérdidas o ganancias para importadores, exportadores y comerciantes. Entonces, ante los resultados obtenidos al momento, se opta por un diseño especial de modelo que tome en cuenta el alto componente aleatorio de los tipos de cambio del dólar/euro, que como hemos visto, por lo general, en la forma de primera diferencia resulta ser estacionarias.
Figura 5: a) serie de tiempo tipo de cambio dólar/euro, periodo 1999-2007; b)transformación de la serie de tiempo utilizando logaritmo natural, primera diferencia
Las figura 5 a) presenta considerables altibajos en la tasa de cambio a lo largo del periodo muestral 1999-2007 (fue presentada en la figura 1 a)). La figura 5 b) presenta las variaciones en los logaritmos de la tasa de cambio[18] lo cual muestra una amplia variación durante el periodo, lo cual ejemplifica el fenómeno de la acumulación de volatilidad. Ahora podemos preguntarnos ¿podemos medir la volatilidad del tipo de cambio dólar/euro?
La volatilidad se puede medir estadísticamente a través de transformaciones de la serie de tiempo. Consideremos las siguientes ecuaciones.
Ecuaciones [1]
Xt es el cambio relativo ajustado por la media en la tasa de cambio, a partir del cual podemos utilizar como una medida de la volatilidad. Al ser una cantidad al cuadrado, su valor será alto en periodos en los que se experimenten grandes cambios en los precios de los bienes financieros, y su valor será comparativamente pequeño cuando se den variaciones modestas en los precios de dichos bienes[19].
Si aceptamos a como una medida de la volatilidad, supongamos ahora que se considera el modelo AR(1)=ARIMA(1,0,0) siguiente:
Ecuación [2]
Dado que tenemos presencia de autocorrelación, resulta significativo aplicar el modelo ARCH(1) con los datos de nuestra serie de tiempo del tipo de cambio del dólar frente al euro. El modelo significa que la volatilidad en el periodo actual esta relacionada con su valor del periodo anterior mas un termino de error con ruido blanco, donde, si resultare positiva, sugerirá que si la volatilidad era alta en el periodo anterior, seguirá siendo alta en el periodo actual[20], en cambio de es cero, entonces no se presenta una acumulación de volatilidad[21]
Para calcular los coeficientes del modelo de la Ecuación [2] utilizaremos el método de Mínimos Cuadrado Generalizados [22] (MCG), precisamente este método lo utilizamos para corregir la autocorrelación de los residuos, a través del popular método iterativo denominado Chochrane-Orcutt[23]
La tabla 1 muestra los coeficientes del modelo de regresión lineal transformado con sus niveles de significancia y puede observarse que el predictor Xt-1 (Ecuación [2]) es estadísticamente significativo
Tabla 1: Resultados del modelo de regresión transformado ARCH(1) .
El estadístico Durban-Watson (D-W)[24]es una medida de la autocorrelación de primer orden de los residuos estimados. El valor generado del estadístico D-W es 0.142 y denota autocorrelación positiva de primer orden
Así, el resultado del modelo es el siguiente:
Puesto que el coeficiente del término rezagado es estadísticamente significativo (el valor p[25] es menor a 0.05), se tiene evidencia de la presencia de la acumulación de la volatilidad en la serie de tiempo del tipo de cambio del dólar frente al euro.
CONCLUSIONES
· El periodo en estudio del tipo de cambio del dólar/euro analizado en el presente estudio, ha reflejado una alta acumulación de volatilidad ascendente en los últimos años, lo cual ha estado caracterizada por las variables del entorno económico mundial, por las tensiones políticas, por las expectativas de la oferta/demanda de activos o recursos necesarios para la productividad económica y por las alzas del precio de petróleo.
· La aplicación de técnicas estadísticas y modelos econométricos, específicamente el modelo ARIMA, pueden explicar la volatilidad de los tipos de cambio y predecir los valores de los parámetros de dichos modelos.
· En el presente estudio, no se alcanzo a obtener una predicción específica para un año en particular, precisamente por la presencia de un modelo ARIMA que no fue significativo en sus parámetros y por la presencia de acumulación de volatilidad en la serie de tiempo utilizada. Sin embargo, queda abierta la posibilidad de incluir otros predictores al modelo ARIMA, lo que podría generar un modelo con parámetros significativos.
· Los resultados del modelo de heteroscedasticidad condicional autorregresivo (ARCH de primer orden, ARCH(1)) confirman el hecho de la acumulación de volatilidad del tipo de cambio del dólar frente al euro, lo cual es evidente con las distintas variables exógenas que se dan en el mercado de capitales, como por ejemplo, los altos precios del petróleo y los cambio de política en algunos gobierno. La incertidumbre de los agentes del mercado es clave
· En lugar del modelo ARCH(1) se puede tener el modelo de ordenes superiores ARCH(p) de volatilidad de p variables el cual afirma que la volatilidad en el periodo actual esta relacionada con los p periodos anteriores, donde se aplicaría el diseño de un modelo econométrico utilizando criterios de selección de modelos. Esta tarea puede desarrollarse en un segundo momento.
· Hablar de las tasas de cambio en un escenario de globalización donde se encuentran la gran mayoría de economías a nivel regional y mundial, es hablar de la presencia de volatilidad, lo cual significa que con una gran probabilidad, nos encontraremos con la situación que las varianzas de los residuos de los modelos ARIMA (que estimemos) estarán correlacionadas, lo que significa que tendremos el efecto ARCH de 1 o mayor orden.
Anexos
Datos recuperados desde sitio Web Banco Central Euoropeo (www.ecb.int/ecb/html/index.es.html)
Base de Datos trabajada en el software estadístico SPSS, Versión 13.0
Bibliografía
DR. EZEQUIEL AVILÉS, Apuntes de Clase, curso doctoral, Economía Financiera
EUROPEAN CENTRAL BANK, Sitio Web, ECB reference exchange rate, US dollar/Euro, 2:15 pm (C.E.T.). Time Series. www.ecb.int/ecb/html/index.es.html
GUJARATI: Basic Econometrics, fourth Edition, año 2004
ANTONIO PARDO, MIGUEL RUIZ, SPSS 13, Guía para el análisis de Datos
HAIR-ANDERSON, Prentice Hall, Análisis Multivariante, 5ª Edición 1999
P.R. KRUGMAN, Economía Internacional, Pearson Addison Wesley, teoría y Política, 2006
MUNIR A. JALIL B. Y MARTHA MISAS, Evaluación de pronósticos del tipo de cambio utilizando redes neuronales y funciones de perdida asimétricas, febrero 2006
JAIME ARANIBAR DEL ALCÁZAR, JULIO HUMÉREZ QUIRÓZ, Modelos de Series de tiempo para el pronostico de precios de minerales
ANA CECILIA KIKUT, EVELYN MUÑOZ, JUAN QUIROS, 2002, Aspectos Conceptuales sobre Series de Tiempo, Banco Central de Costa Rica
[1] El ECU (European Currency Unit) fue la primera moneda introducida en el proceso de integración económica europea y constituyó el elemento central del Sistema Monetario Europeo, desde su entrada en vigor en 1979. el ECU desapareció en diciembre de 1998 y fue sustituido por el Euro (fase 3, a partir de enero de 1999, cuando se creó el Banco Central Europeo, fecha en la cual se fijaron los tipos de cambio y se introdujo la moneda única en sus primeros 25 estados miembros). Los billetes Euro comenzaron a circular el primero de enero del año 2002. Actualmente la Unión europea lo conforman 27 estados y su constitución esta abierta a la ampliación con criterios o requerimientos definidos.
[2] G.P.E. Box y G.M. Jenkins, Time Series Analisys: Forescasting and control, San Francisco 1978
[3] Una serie es estacionaria cuando la media, la varianza son y su covarianza son invariantes en el tiempo
[4] A diferencia de los modelos de regresión, en los cuales Yt esta explicada por k regresoras, en los modelos de series de tiempo tipo BJ, Yt puede ser explicada por valores pasados o rezagados de si misma y por las perturbaciones del error
[5] El orden de integración (o grado de diferenciación) denotado por I(d) se refiere al numero de veces que una serie debe ser diferenciada para obtener una serie estacionaria. Si una serie es integrada de orden 1, I(1), sus primeras diferencias son I(0), es decir es estacionaria, lo cual se generaliza si se tiene una serie de tiempo I(d) después de diferenciarla d veces se obtiene una serie I(0). Muchas series económicas son integradas, por ejemplo el PIB, la tasa de cambio,.
[6] Un modelo ARMA(p,q) es una combinación de los modelos AR y MA. Una serie económica Yt puede modelarse de la siguiente forma , donde es la media de Y y es un termino de error aleatorio de ruido blanco ( es no correlacionado con media cero y varianza constante ), entonces se dice que la serie Yt sigue un proceso estocástico autorregresivo de primer orden AR(1). La serie Yt depende de su valor en el periodo anterior y de un término aleatorio. Se puede demostrar que la serie Yt sigue un proceso autorregresivo de orden p, AR(p) de la siguiente forma:
Supongamos un modelo para la serie Yt , , donde es una constante y es el termino de error estocástico con ruido blanco, se dice que Yt sigue un proceso de media móvil de primer orden MA(1), lo cual puede generalizarse a un proceso MA(q) (un proceso de media móvil es sencillamente una combinación lineal de términos de error con ruido blanco)
Así mismo, es muy probable que la serie Y tenga características de AR y MA simultáneamente. Un proceso es ARMA(1,1) sí se puede escribir de la forma . En general, en un proceso ARMA(p,q) habrá p términos autorregresivos y q términos de media móvil
[7] En el presente documento, la palabra estacionaria es considerada sinónimo de estacionalidad
[8] La ACF al rezago k, se define como
[9] El valor estimado viene dado por
[10] En la regresión múltiple de k variables, el k-ésimo coeficiente de regresión, mide la tasa de cambio en el valor medio de la variable regresada ante un cambio unitario en la k-ésima regresora Xk, manteniendo constante la influencia de todas las demás regresoras.
[11]Ver www.ecb.int/ecb/html/index.es.html
[12]En los modelos ARIMA, ya existen patrones definidos para evaluar el comportamiento de las funciones ACF y PACF. Los modelos AR(p) tienen valores exponenciales declinantes en la función ACF (posiblemente con valores alternantes positivos y negativos) y tienen p puntas en los primeros valores p de la función ACFP . Los modelos MA(q) tienen q puntas en los valores iniciales de la función ACF y valores exponenciales declinantes en la función ACFP
[13] Un residuo (o error) es la diferencia entre el valor observado y el valor ajustado en el modelo
[14] También llamado Estadístico Q
[15] La varianza del error esta relacionada con el termino de error al cuadrado en termino anterior
[16] La autocorrelación se puede definir como la correlación entre miembros de series de observaciones ordenadas en el tiempo, es decir
[17] Recibe este nombre si la varianza del error esta relacionada con otro termino de error al cuadrado en el termino anterior
[18] Recordemos que las variaciones en los logaritmos de una variable denotan cambios relativos, los cuales si se multiplican por 100, proporcionan los cambios porcentuales
[19] Las transformaciones de las Ecuaciones [1] se han efectuado utilizando el software estadístico SPSS, versión 13.0
[20] Lo cual significa que estamos frente a un fenómeno de acumulación de volatilidad
[21] La significancia estadística de se puede juzgar mediante la prueba t student
[22] El método de Mínimos Cuadrado Generalizado, es un procedimiento que consiste en transformar las variables originales de tal forma que las variables transformadas satisfagan los supuestos del modelo clásico de regresión y luego se plica Mínimos Cuadrados Ordinarios (MCO). Los estimadores así obtenidos son MELI (mejores estimadores linealmente independientes)
[23] El estadístico de chochrane-Orcutt tiene como objetivo proporcionar un estimador de (coeficiente de autocorrelación de primer orden) que pueda utilizarse para obtener los estimadores MCG de los parámetros. Se ha supuesto que los residuos del modelo siguen un esquema AR(1), es decir
[24] Los valores del estadístico Durbin-Watson estan en el rango de 0 a 4. los valores menores que 2 indican residuales correlacionados positivos, mientras que, valores mayores que 2 indican residuales correlacionados negativos
[25] P-Value. Criterio del nivel de significancia que utilizan la mayoría de programas estadísticos
1. Introducción.
Un aspecto clave en los entornos de los mercados de capitales, así como en la mayoría de las ciencias, específicamente en las ciencias económicas es la realización de pronósticos con cierto grado de precisión para la toma de decisiones.
El ser humano siempre ha estado interesado en predecir el futuro, para ello, ejerce su mejor posición e interactúa con su entorno tratando de realizar e interactuar su mejor juego
La información existente, a partir de las cuales se pueden realizar pronósticos o proyecciones, esta dada en forma cualitativa y cuantitativa. A esta ultima categoría pertenecen las series de tiempo, las cuales se pueden definir como un conjunto de observaciones ocurridas y registradas secuencialmente en el tiempo, que mediante modelos estadísticos apropiados, se puede prever con cierto grado de incertidumbre valores futuros.
El advenimiento y desarrollo de sistemas informáticos en las instituciones estatales y privadas han permitido el procesamiento y almacenamiento de grandes volúmenes de información, los cuales pueden utilizarse para la investigación econometrita.
El presente trabajo, consiste en una aproximación al pronóstico del tipo de cambio del dólar/euro utilizando modelos autorregresivos de media móvil, los denominados modelos ARIMA. Para ello, se visito el sitio Web del Banco Central Europeo y se recupero información del tipo de cambio referido, en el periodo 1999-2007[1] en forma mensual.
Se pretende hacer un ensayo, una aplicación de los modelo ARIMA a la serie del tipo de cambio y analizar las diferentes propiedades de este tipo de modelos.
2. Marco teórico.
Una serie es un conjunto de observaciones tomadas en periodos específicos, usualmente en intervalos de tiempos iguales.
Las variaciones que se presentan en el comportamiento de las series de tiempo pueden ser de 4 tipos:
Tendencia. Es el movimiento que presenta la serie durante un largo periodo de tiempo y que describe mediante la curva de tendencia
Estacionalidad. Son movimientos idénticos que parece seguir una serie durante meses consecutivos de años sucesivos
Cíclico. Son oscilaciones de la serie alrededor de una curva de tendencia y que pueden o no presentar modelos exactamente iguales en diferentes periodos
Aleatoriedad. Se refiere a las variaciones esporádicas de las series de tiempo debido a ciertos acontecimientos fortuitos o al azar.
Formalmente, una serie de tiempo puede tener la forma siguiente:
Donde la variable Y en el tiempo t se expresa como una función de términos autorregresivos (valores pasados de la variable) y en términos de promedios móviles (errores contemporáneos y pasados)
La mayoría de variables económicas pueden ser asociadas a series de tiempo, como por ejemplo, el PIB, las tasas de cambio, la inflación, los precios de las acciones, entre otras.
Existen dos métodos de predicción muy comunes en el ámbito académico: 1) el modelo autorregresivo integrado de media móvil (ARIMA), comúnmente conocido como la metodología Box-Jenkins[2] (BJ) y 2) el de autrregresion vectorial (VAR). En el presente documento se intenta aplicar el modelo ARIMA a la serie de tiempo del tipo de cambio dólar/euro.
La predicción de tasas de cambio se caracteriza por un fenómeno conocido como acumulación de volatilidad, lo que significa que existen periodos en los que muestran amplias variaciones durante prolongados periodos que son seguidos por un intervalo de tiempo de una tranquilidad relativa.
Un método de predicción presupone que las series de tiempo subyacentes son estacionarias[3] o que pueden convertirse en estacionarias mediante transformaciones adecuadas.
Hay cinco enfoques para la predicción económica basada en series de tiempo: 1) métodos de alisamiento exponencial, 2) modelos de regresión uniecuacionales, 3) modelos de regresión de ecuaciones simultaneas, 4) los modelos de vectores autorregresivos (VAR) y 5) modelos autorregresivos de media móvil (ARIMA)
Los primeros cuatro modelos han sido utilizados ampliamente hasta antes de la década del 80, mientras que a partir de la década del 90, se ha realizado mucha investigación en el tema de los modelo ARIMA, siendo estos los mas utilizados.
Los modelos autorregresivos de media móvil-ARIMA establecieron una nueva generación de herramientas de predicción, y se popularizo como metodología Box-Jenkins, el cual hace énfasis en el análisis de propiedades probabilísticas o estocásticas, de las series de tiempo económicas[4]. Por simplicidad en el presente estudio, se aplicará modelos ARIMA univariantes (modelos que pertenecen a una sola serie de tiempo)
El modelo ARIMA se basa en el supuesto de que las series de tiempo consideradas son estacionarias. Sin embargo se sabe que muchas series económicas son no estacionarias, a este tipo de series se le denomina serie integradas[5]. Para la mayoría de series económicas, la experiencia muestra que la estacionalidad se logra después de una diferencia o de una diferencia de logaritmos.
Si se debe diferenciar una serie de tiempo d veces para hacerla estacionaria y luego aplicar a ésta un modelo ARMA(p,q)[6], se dice que la serie de tiempo original es ARIMA(p,d,q), donde p es el numero de términos autorregresivos, d es el numero de veces que la serie debe se diferenciada para hacerse estacionaria y q es el numero de términos de media móvil. La metodología BJ exige una serie de tiempo estacionaria o una serie de tiempo que sea estacionaria después de una o mas diferencias
La metodología BJ considera 4 pasos:
Identificación. Encontrar los valores apropiados de p, d y q
Estimación. Se estiman los parámetros de los términos autorregresivos y de media móvil incluido en el modelo
Verificación de diagnóstico. Se verifica si el modelo se ajusta a los datos. Una simple prueba es ver si los residuales estimados son de ruido blanco, de lo contrario debe buscarse otro modelo (la metodología BJ es un proceso iterativo)
Predicción. Se procede a predecir con el modelo.
El objetivo es identificar el proceso estocástico que ha generado la serie de datos Yt, estimar los parámetros que caracterizan a dicho proceso y verificar que se cumplan las hipótesis que han permitido la estimación de dichos parámetros. Si dichos supuestos no se cumplen, la fase de verificación sirve como retroalimentación para una nueva fase de identificación. Cuando ya se satisfagan las condiciones de partida, se puede utilizar el modelo para pronosticar.
3. El Problema y Objeto de Estudio.
Los cambios en los mercados mundiales están marcados por diferentes variables endógenas y exógenas que generan volatilidad en los tipos de cambio. Esto a su vez implica pérdidas o ganancias para importadores y exportadores. En el caso que nos ocupa, la Unión europea incorporó el proceso de integración monetaria a partir del año 1999, lo cual desde sus inicios se ha caracterizado en la común volatilidad respecto a otras monedas, específicamente respecto al dólar ha jugado un papel decisivo en las políticas macroeconómicas de Estados Unidos, a tal grado que en los últimos años ha ganado terreno y se ha logrado apreciar respecto a la moneda de la primera economia desarrollada.
El presente trabajo intenta explorar las características del tipo de cambio dólar/euro y aplicar un modelo econométrico autorregresivo de promedios móviles, modelo ARIMA, de manera que se pueda pronosticar el tipo de cambio futuro
4. La Hipótesis
El tema de tipos de cambio es complicado precisamente por las variables del entorno económico que influencian las decisiones y/o acciones de los diferentes agentes del mercado.
Al respecto podemos preguntarnos ¿realmente podemos pronosticar los tipos de cambio futuros, dadas las innumerables variables que afectan el mercado de divisas?
Los expertos han desarrollado en los últimos años modelos econométricos sofisticados que exploran exhaustivamente las diferentes propiedades y características de las variables económicas que utilizan los actores de los mercados. Es por ello, que en el presente documento se da una primera aproximación al relevante tema de los modelos ARIMA aplicados a una serie cronológica de tipo de cambio del dólar respeto a euro
5. Desarrollo del problema Vrs Hipótesis.
En el marco teórico hemos definido la metodología Box-Jenkins (BJ), equivalente a los modelos autorregresivos de promedio móviles ARIMA, el cual consiste en ejecutar 4 pasos: 1) Identificación del modelo, 2) estimación de parámetros, 3) verificación del diagnostico y 4) el pronostico
A continuación intentaremos aplicar la metodología BJ a la serie Yt referida a los tipos de cambio del dólar frente al Euro.
Paso 1. Identificación.
Como primer paso se requiere que la serie de interés sea estacionaria. Una de las herramientas para probar la estacionalidad[7] es la función de autocorrelación (ACF)[8] y la función de autocorrelación parcial (PACP); donde la primera genera una grafica denominada correlograma poblacional, sin embargo, en la vida real, lo que se conoce es una muestra, es decir solamente se puede calcular la función de autocorrelación muestral al rezago k y la grafica se denomina correlograma muestral[9]. La segunda función, PACF, es análoga al concepto de coeficiente de regresión parcial en la regresión múltiple con k variables[10]. De manera similar, la autocorrelación parcial ρkk mide la correlación entre observaciones (en una serie de tiempo) que está separadas k periodos de tiempo, manteniendo constantes las correlaciones en los rezagos intermedios
La figura 1 a) muestra la serie del tipo de cambio dólar/euro, la cual tiene una tendencia creciente a partir del año que inicio la circulación del euro, en algunas partes de la grafica se observan picos lo cual sugieren un componente periódico; sin embargo es no estacionaria, para ello, se aplica una primera diferencia para transformarla en una serie estacionaria (ver figura 1 b)).
Figura 1: a) Tasa de cambio dólar/euro (Fuente banco Central Europeo)[11], periodo 1999-2007; b) tasa de cambio en primera diferencia
Para determinar los parámetros p y q se utilizan los gráficos de la función de autocorrelación simple ACF y la función de autocorrelación parcial PACF (correlogramas). En la figura 2 se presenta el correlograma y correlograma parcial de la serie de la tasa de cambio dólar/euro. Se puede observar que la ACF decrece muy lentamente y todos los rezagos están por fuera de los limites del 95% de confianza. En el caso de las PACF decrece en forma considerable y todas, después del primer rezago son estadísticamente no significativas.
a)
b)
Figura 2: a) Correlograma y b) Correlograma Parcial de la tasa de cambio dolar/Euro, periodo 1999-2007
La figura 3 presenta el correlograma de la serie de tipo de cambio, pero en primeras diferencias, donde se puede observar un patrón muy diferente. Las PACF en los rezagos 1, 10 y 13 son estadísticamente diferentes de cero, sin embargo en los demás rezagos, no son estadísticamente diferentes de cero.
a)
b)
Figura 3: a) Correlograma y b)correlograma parcial, Tasa de cambio dólar/Euro, periodo 1999-2007 (ambos en primeras diferencias)
Lo medular a esta altura, es encontrar los parámetros p, q del modelo ARMA. Recordemos que si una serie de tiempo Yt es estacionaria, se puede modelar o generar de diferentes formas: a través de procesos autorregresivos AR de primer orden AR(1) o de segundo orden AR(2) o de orden p AR(p); a través de procesos de media móvil MA de primer orden MA(1), de segundo orden MA(2) o de orden q MA(q); sin embargo, también es probable que la serie Yt tenga características AR y MA simultáneamente y por consiguiente sea ARMA [ARMA(1,1),…., ARMA(p,q)]
En nuestro caso, es necesario determinar el algoritmo o combinación de los parámetros del modelo ARIMA; para ello, no existe un modelo que pueda determinar el algoritmo correcto, una alternativa es utilizar un procedimiento que permite construir el mejor modelo posible para nuestra serie de tipo de cambio. En nuestro caso, ya conocemos el termino d, referido a la primera diferencia obtenida para convertir la serie en estacionaria [d=1, equivalente a ARIMA(0,1,0)]
Una vez observados las formas de los correlogramas simple y parcial de la figura 3[12] podemos afirmar que los valores de los parámetros p y q corresponden a 1; es decir se tiene un modelo ARIMA(1,1,1)
Paso 2. Estimación.
El procedimiento de la tendencia ARIMA estima los coeficientes del modelo que tentativamente se ha identificado, ahora debemos suministrar los parámetros p, d y q y ejecutar cálculos iterativos necesarios para determinar coeficientes de máxima probabilidad para el modelo ARIMA, el error (el residuo[13]), y los límites de confianza para el ajuste.
El análisis de los residuos es importante, para ello examinamos los residuales, a través de la prueba estadística de Box-Ljung[14],
Para crear el modelo, hacemos uso de los procedimientos estadísticos del programa SPSS. Esta parte es crucial en la construcción del modelo ya que requiere verificar que los residuos sean aleatorios, y en nuestro caso ésta evidencia no existe, según el estadistico Box-Ljung, lo cual se presume por factor “volatilidad” de la tasa de cambio.
A continuación se presenta un analisis de los residuos del modelo junto al estadistico Box-Ljung (Ver figura 4)
Figura 4: a) correlograma, b) correlograma parcial, análisis de residuos del modelo en ambos casos
De la figura 4, lo que tenemos es que el error u en el tiempo t esta correlacionado con el termino de error en el tiempo anterior[15] (t-1), esta autocorrelación[16] es llamada heteroscedasticidad condicional autorregresiva (ARCH)[17], debido al fenómeno de acumulación de la volatilidad de los tipos de cambio, lo cual implica que existen segmentos en los que los precios muestran grandes variaciones durante prolongados periodos y luego se dan intervalos de tiempo en los que se tiene una calma relativa. Como sabemos, este tipo de series de tiempo reflejan el resultado del comercio entre compradores y vendedores a precios de mercado, lo cual se afecta sobre el patrón de las series de tiempo de este tipo, precisamente por las expectativas y otras variables u acontecimientos exógenos de los mercados de capital.
En el mercado de divisas, esta variabilidad implica pérdidas o ganancias para importadores, exportadores y comerciantes. Entonces, ante los resultados obtenidos al momento, se opta por un diseño especial de modelo que tome en cuenta el alto componente aleatorio de los tipos de cambio del dólar/euro, que como hemos visto, por lo general, en la forma de primera diferencia resulta ser estacionarias.
Figura 5: a) serie de tiempo tipo de cambio dólar/euro, periodo 1999-2007; b)transformación de la serie de tiempo utilizando logaritmo natural, primera diferencia
Las figura 5 a) presenta considerables altibajos en la tasa de cambio a lo largo del periodo muestral 1999-2007 (fue presentada en la figura 1 a)). La figura 5 b) presenta las variaciones en los logaritmos de la tasa de cambio[18] lo cual muestra una amplia variación durante el periodo, lo cual ejemplifica el fenómeno de la acumulación de volatilidad. Ahora podemos preguntarnos ¿podemos medir la volatilidad del tipo de cambio dólar/euro?
La volatilidad se puede medir estadísticamente a través de transformaciones de la serie de tiempo. Consideremos las siguientes ecuaciones.
Ecuaciones [1]
Xt es el cambio relativo ajustado por la media en la tasa de cambio, a partir del cual podemos utilizar como una medida de la volatilidad. Al ser una cantidad al cuadrado, su valor será alto en periodos en los que se experimenten grandes cambios en los precios de los bienes financieros, y su valor será comparativamente pequeño cuando se den variaciones modestas en los precios de dichos bienes[19].
Si aceptamos a como una medida de la volatilidad, supongamos ahora que se considera el modelo AR(1)=ARIMA(1,0,0) siguiente:
Ecuación [2]
Dado que tenemos presencia de autocorrelación, resulta significativo aplicar el modelo ARCH(1) con los datos de nuestra serie de tiempo del tipo de cambio del dólar frente al euro. El modelo significa que la volatilidad en el periodo actual esta relacionada con su valor del periodo anterior mas un termino de error con ruido blanco, donde, si resultare positiva, sugerirá que si la volatilidad era alta en el periodo anterior, seguirá siendo alta en el periodo actual[20], en cambio de es cero, entonces no se presenta una acumulación de volatilidad[21]
Para calcular los coeficientes del modelo de la Ecuación [2] utilizaremos el método de Mínimos Cuadrado Generalizados [22] (MCG), precisamente este método lo utilizamos para corregir la autocorrelación de los residuos, a través del popular método iterativo denominado Chochrane-Orcutt[23]
La tabla 1 muestra los coeficientes del modelo de regresión lineal transformado con sus niveles de significancia y puede observarse que el predictor Xt-1 (Ecuación [2]) es estadísticamente significativo
Tabla 1: Resultados del modelo de regresión transformado ARCH(1) .
El estadístico Durban-Watson (D-W)[24]es una medida de la autocorrelación de primer orden de los residuos estimados. El valor generado del estadístico D-W es 0.142 y denota autocorrelación positiva de primer orden
Así, el resultado del modelo es el siguiente:
Puesto que el coeficiente del término rezagado es estadísticamente significativo (el valor p[25] es menor a 0.05), se tiene evidencia de la presencia de la acumulación de la volatilidad en la serie de tiempo del tipo de cambio del dólar frente al euro.
CONCLUSIONES
· El periodo en estudio del tipo de cambio del dólar/euro analizado en el presente estudio, ha reflejado una alta acumulación de volatilidad ascendente en los últimos años, lo cual ha estado caracterizada por las variables del entorno económico mundial, por las tensiones políticas, por las expectativas de la oferta/demanda de activos o recursos necesarios para la productividad económica y por las alzas del precio de petróleo.
· La aplicación de técnicas estadísticas y modelos econométricos, específicamente el modelo ARIMA, pueden explicar la volatilidad de los tipos de cambio y predecir los valores de los parámetros de dichos modelos.
· En el presente estudio, no se alcanzo a obtener una predicción específica para un año en particular, precisamente por la presencia de un modelo ARIMA que no fue significativo en sus parámetros y por la presencia de acumulación de volatilidad en la serie de tiempo utilizada. Sin embargo, queda abierta la posibilidad de incluir otros predictores al modelo ARIMA, lo que podría generar un modelo con parámetros significativos.
· Los resultados del modelo de heteroscedasticidad condicional autorregresivo (ARCH de primer orden, ARCH(1)) confirman el hecho de la acumulación de volatilidad del tipo de cambio del dólar frente al euro, lo cual es evidente con las distintas variables exógenas que se dan en el mercado de capitales, como por ejemplo, los altos precios del petróleo y los cambio de política en algunos gobierno. La incertidumbre de los agentes del mercado es clave
· En lugar del modelo ARCH(1) se puede tener el modelo de ordenes superiores ARCH(p) de volatilidad de p variables el cual afirma que la volatilidad en el periodo actual esta relacionada con los p periodos anteriores, donde se aplicaría el diseño de un modelo econométrico utilizando criterios de selección de modelos. Esta tarea puede desarrollarse en un segundo momento.
· Hablar de las tasas de cambio en un escenario de globalización donde se encuentran la gran mayoría de economías a nivel regional y mundial, es hablar de la presencia de volatilidad, lo cual significa que con una gran probabilidad, nos encontraremos con la situación que las varianzas de los residuos de los modelos ARIMA (que estimemos) estarán correlacionadas, lo que significa que tendremos el efecto ARCH de 1 o mayor orden.
Anexos
Datos recuperados desde sitio Web Banco Central Euoropeo (www.ecb.int/ecb/html/index.es.html)
Base de Datos trabajada en el software estadístico SPSS, Versión 13.0
Bibliografía
DR. EZEQUIEL AVILÉS, Apuntes de Clase, curso doctoral, Economía Financiera
EUROPEAN CENTRAL BANK, Sitio Web, ECB reference exchange rate, US dollar/Euro, 2:15 pm (C.E.T.). Time Series. www.ecb.int/ecb/html/index.es.html
GUJARATI: Basic Econometrics, fourth Edition, año 2004
ANTONIO PARDO, MIGUEL RUIZ, SPSS 13, Guía para el análisis de Datos
HAIR-ANDERSON, Prentice Hall, Análisis Multivariante, 5ª Edición 1999
P.R. KRUGMAN, Economía Internacional, Pearson Addison Wesley, teoría y Política, 2006
MUNIR A. JALIL B. Y MARTHA MISAS, Evaluación de pronósticos del tipo de cambio utilizando redes neuronales y funciones de perdida asimétricas, febrero 2006
JAIME ARANIBAR DEL ALCÁZAR, JULIO HUMÉREZ QUIRÓZ, Modelos de Series de tiempo para el pronostico de precios de minerales
ANA CECILIA KIKUT, EVELYN MUÑOZ, JUAN QUIROS, 2002, Aspectos Conceptuales sobre Series de Tiempo, Banco Central de Costa Rica
[1] El ECU (European Currency Unit) fue la primera moneda introducida en el proceso de integración económica europea y constituyó el elemento central del Sistema Monetario Europeo, desde su entrada en vigor en 1979. el ECU desapareció en diciembre de 1998 y fue sustituido por el Euro (fase 3, a partir de enero de 1999, cuando se creó el Banco Central Europeo, fecha en la cual se fijaron los tipos de cambio y se introdujo la moneda única en sus primeros 25 estados miembros). Los billetes Euro comenzaron a circular el primero de enero del año 2002. Actualmente la Unión europea lo conforman 27 estados y su constitución esta abierta a la ampliación con criterios o requerimientos definidos.
[2] G.P.E. Box y G.M. Jenkins, Time Series Analisys: Forescasting and control, San Francisco 1978
[3] Una serie es estacionaria cuando la media, la varianza son y su covarianza son invariantes en el tiempo
[4] A diferencia de los modelos de regresión, en los cuales Yt esta explicada por k regresoras, en los modelos de series de tiempo tipo BJ, Yt puede ser explicada por valores pasados o rezagados de si misma y por las perturbaciones del error
[5] El orden de integración (o grado de diferenciación) denotado por I(d) se refiere al numero de veces que una serie debe ser diferenciada para obtener una serie estacionaria. Si una serie es integrada de orden 1, I(1), sus primeras diferencias son I(0), es decir es estacionaria, lo cual se generaliza si se tiene una serie de tiempo I(d) después de diferenciarla d veces se obtiene una serie I(0). Muchas series económicas son integradas, por ejemplo el PIB, la tasa de cambio,.
[6] Un modelo ARMA(p,q) es una combinación de los modelos AR y MA. Una serie económica Yt puede modelarse de la siguiente forma , donde es la media de Y y es un termino de error aleatorio de ruido blanco ( es no correlacionado con media cero y varianza constante ), entonces se dice que la serie Yt sigue un proceso estocástico autorregresivo de primer orden AR(1). La serie Yt depende de su valor en el periodo anterior y de un término aleatorio. Se puede demostrar que la serie Yt sigue un proceso autorregresivo de orden p, AR(p) de la siguiente forma:
Supongamos un modelo para la serie Yt , , donde es una constante y es el termino de error estocástico con ruido blanco, se dice que Yt sigue un proceso de media móvil de primer orden MA(1), lo cual puede generalizarse a un proceso MA(q) (un proceso de media móvil es sencillamente una combinación lineal de términos de error con ruido blanco)
Así mismo, es muy probable que la serie Y tenga características de AR y MA simultáneamente. Un proceso es ARMA(1,1) sí se puede escribir de la forma . En general, en un proceso ARMA(p,q) habrá p términos autorregresivos y q términos de media móvil
[7] En el presente documento, la palabra estacionaria es considerada sinónimo de estacionalidad
[8] La ACF al rezago k, se define como
[9] El valor estimado viene dado por
[10] En la regresión múltiple de k variables, el k-ésimo coeficiente de regresión, mide la tasa de cambio en el valor medio de la variable regresada ante un cambio unitario en la k-ésima regresora Xk, manteniendo constante la influencia de todas las demás regresoras.
[11]Ver www.ecb.int/ecb/html/index.es.html
[12]En los modelos ARIMA, ya existen patrones definidos para evaluar el comportamiento de las funciones ACF y PACF. Los modelos AR(p) tienen valores exponenciales declinantes en la función ACF (posiblemente con valores alternantes positivos y negativos) y tienen p puntas en los primeros valores p de la función ACFP . Los modelos MA(q) tienen q puntas en los valores iniciales de la función ACF y valores exponenciales declinantes en la función ACFP
[13] Un residuo (o error) es la diferencia entre el valor observado y el valor ajustado en el modelo
[14] También llamado Estadístico Q
[15] La varianza del error esta relacionada con el termino de error al cuadrado en termino anterior
[16] La autocorrelación se puede definir como la correlación entre miembros de series de observaciones ordenadas en el tiempo, es decir
[17] Recibe este nombre si la varianza del error esta relacionada con otro termino de error al cuadrado en el termino anterior
[18] Recordemos que las variaciones en los logaritmos de una variable denotan cambios relativos, los cuales si se multiplican por 100, proporcionan los cambios porcentuales
[19] Las transformaciones de las Ecuaciones [1] se han efectuado utilizando el software estadístico SPSS, versión 13.0
[20] Lo cual significa que estamos frente a un fenómeno de acumulación de volatilidad
[21] La significancia estadística de se puede juzgar mediante la prueba t student
[22] El método de Mínimos Cuadrado Generalizado, es un procedimiento que consiste en transformar las variables originales de tal forma que las variables transformadas satisfagan los supuestos del modelo clásico de regresión y luego se plica Mínimos Cuadrados Ordinarios (MCO). Los estimadores así obtenidos son MELI (mejores estimadores linealmente independientes)
[23] El estadístico de chochrane-Orcutt tiene como objetivo proporcionar un estimador de (coeficiente de autocorrelación de primer orden) que pueda utilizarse para obtener los estimadores MCG de los parámetros. Se ha supuesto que los residuos del modelo siguen un esquema AR(1), es decir
[24] Los valores del estadístico Durbin-Watson estan en el rango de 0 a 4. los valores menores que 2 indican residuales correlacionados positivos, mientras que, valores mayores que 2 indican residuales correlacionados negativos
[25] P-Value. Criterio del nivel de significancia que utilizan la mayoría de programas estadísticos
Necesidad de cambio en la Asamblea Legislativa
Violación a la ley desde los hacedores de Ley… ¿Hasta cuando tendremos diputados de este categoría?
Consternación ha generado la noticia de este sábado 19 de enero donde se ha conocido un aumento de $1,8000 para los Diputados, equivalente al 44% del salario…
Según definición de nuestra constitución, un Diputado es un representante del pueblo salvadoreño y como tal, su voz y voluntad es legítima en la actividad de crear las leyes y ejercer las demás funciones establecidas por la Constitución; el articulo 126 establece ... " Para ser elegido Diputado se requiere ser mayor de veinticinco años, salvadoreño por nacimiento, hijo de padre o madre salvadoreña, de notoria honradez e instrucción y no haber perdido los derechos de ciudadano en los cincos años anteriores a la elección."
Lo anterior significa que para ser Diputado no es necesario ostentar una profesión o especialización determinada, con lo cual se posibilita el acceso del ciudadano común a este foro democrático y representativo del pueblo salvadoreño.
¿Como es posible que un primer órgano del estado este constituido en su mayoría por personas que no tienen ninguna preparación académica? Al hacer una visita al sitio Web de la Asamblea Legislativa encontramos que un 61%, de los diputados no tienen un titulo academico, asi encontramos buseros, comerciantes, estudiantes, empresarios y contadores, agricultores, entre otros… ¿Cómo es posible que estos diputados se hayan recetado un jugoso aumento del 44% del salario actual?. No significa que dichas personas no tienen la experiencia política para poder debatir, pero la práctica dice que sin una preparación académica, como es posible debatir temas de gran interés, temas complejos que requieren conocimiento y/o especialización, ¿como es posible crear leyes acorde con la actualidad, temas de gran interés que otras países han retomado?.
Por supuesto que tienen asesores, quienes son los que realizan el trabajo, y por cierto ¿Cuál es el grado academico de dichos asesores? ¿tienen las competencias adecuadas? ¿Qué asesoría se obtiene de parte de un comerciante para una comisión de un partido político?
Es por ello que hacemos el ridículo en los programas de televisión, cuando les hacen entrevistas sobre temas de interés, y muchos de estos diputados (61%) no tienen la profesionalidad para expresarse y opinar en dichos temas. Por ejemplo, en el tema de educación, un diputado del PCN dio declaraciones, quien se inclinaba por que las escuelas mantengan a los profesores idóneos, propiciando un menoscabo a la calidad académica de la educación básica y media.
Continuando con la profesionalidad de nuestros diputados, los grados académicos que encontramos son bien limitados: Master (2%), Doctores (6%), Licenciados (27%), Ingenieros (2%) y Profesor (2%). Con este nivel educativo, que podemos esperar de este órgano del Estado, la pobre producción de leyes eficientes para combatir muchos males de nuestra sociedad.
El aumento de salario recetado últimamente, es un golpe a la escala salarial que se tiene en el sector público y privado, donde la gran mayoría vive con salarios mínimos y carece de condiciones básicas de salud y educación. ¿Cómo un profesor que lo han puesto como presidente de la Asamblea Legislativa ganara $8,681.72? comparado con los salarios de los profesores que ejercen la docencia, que tienen que hacer doble turno para obtener un ingreso que solvente las necesidades básicas..Hasta cuando, El Salvador hará las reformas electorales para evitar este tipo de situaciones; hasta cuando tendremos una asamblea legislativa profesional que haga su trabajo de acuerdo al mandato que le otorga el pueblo salvadoreño; hasta cuando dejaran de violar la ley los señores diputados auto recetándose incrementos salariales sin el debido proceso; hasta cuando tendremos diputados profesionales, con títulos académicos otorgados por universidades de prestigio que hagan cambios sustanciales a las leyes de nuestro país,…..
Demandemos cambios significativos para la Asamblea Legislativa, por el bien de nuestro País
Consternación ha generado la noticia de este sábado 19 de enero donde se ha conocido un aumento de $1,8000 para los Diputados, equivalente al 44% del salario…
Según definición de nuestra constitución, un Diputado es un representante del pueblo salvadoreño y como tal, su voz y voluntad es legítima en la actividad de crear las leyes y ejercer las demás funciones establecidas por la Constitución; el articulo 126 establece ... " Para ser elegido Diputado se requiere ser mayor de veinticinco años, salvadoreño por nacimiento, hijo de padre o madre salvadoreña, de notoria honradez e instrucción y no haber perdido los derechos de ciudadano en los cincos años anteriores a la elección."
Lo anterior significa que para ser Diputado no es necesario ostentar una profesión o especialización determinada, con lo cual se posibilita el acceso del ciudadano común a este foro democrático y representativo del pueblo salvadoreño.
¿Como es posible que un primer órgano del estado este constituido en su mayoría por personas que no tienen ninguna preparación académica? Al hacer una visita al sitio Web de la Asamblea Legislativa encontramos que un 61%, de los diputados no tienen un titulo academico, asi encontramos buseros, comerciantes, estudiantes, empresarios y contadores, agricultores, entre otros… ¿Cómo es posible que estos diputados se hayan recetado un jugoso aumento del 44% del salario actual?. No significa que dichas personas no tienen la experiencia política para poder debatir, pero la práctica dice que sin una preparación académica, como es posible debatir temas de gran interés, temas complejos que requieren conocimiento y/o especialización, ¿como es posible crear leyes acorde con la actualidad, temas de gran interés que otras países han retomado?.
Por supuesto que tienen asesores, quienes son los que realizan el trabajo, y por cierto ¿Cuál es el grado academico de dichos asesores? ¿tienen las competencias adecuadas? ¿Qué asesoría se obtiene de parte de un comerciante para una comisión de un partido político?
Es por ello que hacemos el ridículo en los programas de televisión, cuando les hacen entrevistas sobre temas de interés, y muchos de estos diputados (61%) no tienen la profesionalidad para expresarse y opinar en dichos temas. Por ejemplo, en el tema de educación, un diputado del PCN dio declaraciones, quien se inclinaba por que las escuelas mantengan a los profesores idóneos, propiciando un menoscabo a la calidad académica de la educación básica y media.
Continuando con la profesionalidad de nuestros diputados, los grados académicos que encontramos son bien limitados: Master (2%), Doctores (6%), Licenciados (27%), Ingenieros (2%) y Profesor (2%). Con este nivel educativo, que podemos esperar de este órgano del Estado, la pobre producción de leyes eficientes para combatir muchos males de nuestra sociedad.
El aumento de salario recetado últimamente, es un golpe a la escala salarial que se tiene en el sector público y privado, donde la gran mayoría vive con salarios mínimos y carece de condiciones básicas de salud y educación. ¿Cómo un profesor que lo han puesto como presidente de la Asamblea Legislativa ganara $8,681.72? comparado con los salarios de los profesores que ejercen la docencia, que tienen que hacer doble turno para obtener un ingreso que solvente las necesidades básicas..Hasta cuando, El Salvador hará las reformas electorales para evitar este tipo de situaciones; hasta cuando tendremos una asamblea legislativa profesional que haga su trabajo de acuerdo al mandato que le otorga el pueblo salvadoreño; hasta cuando dejaran de violar la ley los señores diputados auto recetándose incrementos salariales sin el debido proceso; hasta cuando tendremos diputados profesionales, con títulos académicos otorgados por universidades de prestigio que hagan cambios sustanciales a las leyes de nuestro país,…..
Demandemos cambios significativos para la Asamblea Legislativa, por el bien de nuestro País
Suscribirse a:
Entradas (Atom)
