Dependencia y contagio financiero en los mercados
bursátiles durante la gran recesión*
Josep Lluís Carrion-i-Silvestre†
Universitat de Barcelona
Òscar Villar‡
Universitat de Barcelona
24 de marzo de 2011
Resumen
En este artículo se investiga si los mercados bursátiles de los principales países
industrializados han sufrido durante la gran recesión un contagio financiero o si, por el
contrario, su comportamiento ha surgido de la mera interdependencia que relaciona dichos
mercados. Mediante la aplicación del análisis de componentes principales se estudia qué
mercados han tenido una mayor sincronización y un mayor efecto común en el reciente
periodo turbulento. Los resultados apuntan hacia una modesta evidencia de significativa
inestabilidad en las relaciones internacionales después de la crisis internacional en relación
al periodo anterior.
Palabras clave: Contagio, crisis financiera, componentes principales, mercados bursátiles
Códigos JEL: C12. C22
* Los autores agradecen la financiación recibida del Ministerio de Ciencia y Tecnología en el entorno del proyecto ECO2008-06241/ECON. † AQR-IREA Research group. Departament d’Econometria, Estadística i Economia Espanyola. Universitat de Barcelona. E-mail: [email protected]. Tel: 934024598. Fax: 934021821. ‡ AQR-IREA Research group. Departament d’Econometria, Estadística i Economia Espanyola. Universitat de Barcelona. E-mail: [email protected]. Tel: 934021011. Fax: 934021821.
1. Introducción
La crisis financiera que se originó en USA en 2007 como consecuencia de la crisis de las
hipotecas subprime norte-americanas se ha transformado en crisis financiera global y en
una gran recesión para varias economías. El factor detonante de la crisis subprime fue el
incremento de la morosidad asociada a los préstamos hipotecarios en Estados Unidos.
Estos activos financieros no necesariamente estaban en posesión de los prestatarios, dada
la capacidad de las entidades americanas de titularizar el crédito o emitir bonos de estos
préstamos – i.e., las llamadas operaciones fuera del balance. Esta estrategia llevó a
diversos mercados y agentes a poseer dichos activos. La señal del incremento en la
morosidad obligó al consiguiente recalculo del riesgo de estos activos. No obstante, dada la
dificultad de análisis del riesgo de estos activos, la señal del incremento de la morosidad
acrecentó a su vez la incertidumbre en los mercados. Los movimientos del mercado
provocaron que varios Hedge Funds y bancos hipotecarios entraran en quiebra, lo que, a su
vez, conllevó a una crisis financiera americana que hizo necesaria la intervención de la
Reserva Federal.
La crisis que en un momento inicial afectó a Estados Unidos se ha trasmitido a otros
mercados y a la economía real. Las consecuencias son que un gran número de países
industrializados como Estados Unidos, Inglaterra, Irlanda o Grecia han sufrido rápidas y
repentinas caídas en sus principales mercados financieros, en sus índices bursátiles y en los
mercados de deuda. La situación ha llevado a que algunos países hayan requerido la
asistencia de instituciones internacionales como el Fondo Monetario Internacional o el
Banco Central Europeo para restablecer la estabilidad y la confianza en su sistema bancario
y financiero. Este entorno de inestabilidad financiera nos ha llevado a querer analizar las
principales causas de co-variación de los mercados bursátiles en los países más
industrializados durante la crisis financiera. Esta inestabilidad y movimiento conjunto de
varios mercados es lo que en la literatura de conoce como contagio financiero o
interdependencia financiera.
No obstante hay que tener presente que en el entorno actual de integración de las
economías desarrolladas y el proceso de globalización económica hace esperable el hecho
de que exista una clara interrelación entre las variables macroeconómicas y financieras de
dichas economías. Consecuentemente, cualquier análisis que persiga investigar la
1
presencia de contagio de las crisis financieras tiene que tener en cuenta dicha relación para
garantizar que las conclusiones del estudio son válidas.
En el presente trabajo se va a analizar la presencia de un contagio de la crisis financiera
ocurrida recientemente teniendo en cuenta la fuerte dependencia que cabe esperar que esté
presente entre las economías que se investigan. Las principales aportaciones del artículo
son dos. La primera es la actualidad de la crisis estudiada así como los datos aportados, lo
que permite dar posible soluciones a la actual situación de los mercados. La segunda
aportación es la importante flexibilidad en la explicación que nos da la técnica econométrica
utilizada ya que nos permite eliminar los efectos de la dependencia que existe entre las
variables financieras y concentrarse, por lo tanto, en estudiar si ha habido o no un contagio
efectivo. Colateralmente, el procedimiento econométrico utilizado basado en la estimación
de un modelo de factores comunes permite obtener conclusiones que son robustas frente a
problemas asociados a la omisión de variables relevantes y evita tener que especificar y
estimar un modelo de ecuaciones simultáneas.
El artículo se estructura como sigue. En la sección 2 se lleva a cabo un breve repaso de la
literatura de contagio financiero. La sección 3 presenta la metodología econométrica
utilizada. La sección 4 realiza una descripción de la base de datos seleccionada, mientras
que la sección 5 presenta los principales resultados que se han obtenido. Finalmente, en la
sección 6 se recogen las conclusiones del artículo.
2. Revisión de la literatura empírica sobre contagio
En este apartado se lleva a cabo una panorámica de las aproximaciones empíricas que se
han adoptado para contrastar la presencia de contagio en periodos de crisis. No obstante,
antes de analizar la literatura empírica de contagio desearíamos introducir un breve
comentario sobre la literatura teórica de crisis financieras y contagio. Existe una extensa
literatura en el campo estrictamente teórico que ha dado lugar a diversos modelos o
generaciones de modelos para intentar explicar la transmisión de crisis financieras entre
2
países o mercados.1 La evolución de los modelos teóricos ha provocado la existencia de
diversas definiciones sobre lo que se entiende por contagio.2
Básicamente, las diversas definiciones pueden agruparse en torno a dos principios básicos
del concepto de contagio. El primer concepto define contagio en función de qué canal de
transmisión de crisis se haya realizado. El segundo concepto define contagio en función de
si en momentos de crisis ha existido una transmisión (relación o dependencia) de los
mercados diferente a la existente en los momentos previos. Si dicha transmisión entre
mercados ha sido idéntica o estable a lo largo del tiempo se concluye que hay una relación
de interdependencia entre los mercados, mientras que si esta transmisión varía a lo largo
del tiempo se estará frente a una situación de contagio.3 La definición que asumimos en
este artículo es la que nos permite contrastar la existencia de contagio respecto a la
situación de interdependencia.4
La principal consecuencia de estos modelos en el terreno empírico es que se encuentren
diferentes definiciones (o medidas empíricas) y por lo tanto diferentes métodos
econométricos que permitan analizar o contrastar tales definiciones.5 Dentro de las diversas
técnicas econométricas que nos permiten el análisis y contraste del contagio hemos
considerado oportuno seleccionar la metodología de componentes principales. Hemos
escogido esta técnica econométrica dado que permite no imponer al modelo un único canal
de contagio, sino que permite seleccionar de forma conjunta a todos los posibles
mecanismos de transmisión entre los países. Dado que la principal característica de las
componentes principales es que nos permitirá analizar toda forma de transmisión entre los
mercados. Además las componentes principales nos permite eliminar los problemas
asociados a la omisión de variables relevantes y estimación de ecuaciones simultáneas.6
1 En la literatura los principales modelos teóricos se dividen en cuatro generaciones de modelos. Dada la extensión de esos modelos consideramos oportuno no entrar en la descripción de ellos. 2 Véase Pericoli y Sbracia (2003) para el análisis en más profundidad del conjunto de definiciones de contagio existentes. 3 Véase los artículos de Forbes y Rigobon (2001), Boyer et al. (1999) y Forbes y Rigobon (2002) para una primera aproximación a esta corriente de la literatura. 4 Para un estudio en profundidad de los diversos se recomienda los artículos de Pericoli y Sbracia (2003) y Dornbusch, Claessens y Park (2000) y Dungey et al. (2005). 5 Véase el artículo de Eichengreen, Rose y Wyplosz (1996) para una primera aproximación a esta corriente de literatura. 6 El detalle de los problemas que existen en la literatura se puede encontrar en Forbes y Rigobon (2002).
3
El análisis a través de componentes ha sido utilizado en el estudio de crisis financieras y en
el efecto contagio que puede conllevar. Una de las primeras aproximaciones a este campo
empírico fue realizada por Kaminsky y Reinhart (2002), sin embargo en este artículo se
analizaba la interdependencia de los mercados. Después de este trabajo seminal, ha
surgido notable literatura para analizar el contagio a través de esta metodología. En diversos
mercados y diversas crisis financieras. El primer artículo que analiza el contagio financiero,
en los términos del artículo, con componentes principales es el de Corsetti et al. (2005). Las
aportaciones metodológicas de nuestro artículo viene por la implementación de un contraste
no paramétricos en las componentes principales que nos permitirá discernir si esta crisis
global en la que estamos hay un comportamiento de los mercados que distorsionan el
normal funcionamiento del sistema financiero.
3. Análisis de componentes principales
El análisis de componentes principales nos permite reducir el número de variables
explicativas para analizar las variaciones y las co-variaciones (o correlaciones) de una o
unas variables observadas en un conjunto de elementos de la muestra.7 Esta metodología
asume que para el estudio de las variables solo existen dos tipos de variables. El primer tipo
de variables son las variables específicas o idiosincrásicas de cada individuo. El segundo
tipo de variable son las variables comunes que afectan al conjunto de todos los individuos.
Estas últimas variables se llaman componentes principales. Ambos tipos de variable se
asume que son inobservables.
Las componentes principales están construidas para que expliquen lo máximo posible la
varianza de las series originales. Cuanto mayor sea el grado de covarianza de las variables
originales menor será el número de componentes principales necesarios para explicar la
variación de las variables originales. Si las variables estuvieran correlación lineal perfecta, la
primera componente podría explicar el 100% de la variación. Sin embargo, si las variables
analizadas fueran ortogonales se debería escoger tantas componentes principales como
variables, hecho que implicaría que este análisis no nos aportaría ningún poder explicativo.
7 Para un análisis más profundo de esta metodología ver Stock y Watson (2006, 2011) y Bai y Ng (2008), entre otros.
4
Cabe notar que la variación de un individuo puede ser provocado tanto por el efecto común
como por el efecto específico. Sin embargo, la co-variación solo es debida a la componente
principal. Siguiendo con dicha explicación, a pesar de que el factor común no tenga un
significado estrictamente económico, deberíamos considerarlo como un determinante de la
variabilidad de los mercados bursátiles que no están directamente relacionados con las
características macroeconómicas específicas del país, sino que están relacionados con el
desarrollo del conjunto de la economía internacional y del sistema financiero. Por lo que
podemos identificar al efecto específico como los fundamentos o características económicas
propias del país y al efecto común como los mecanismos de interdependencia o contagio,
como la aversión al riesgo de los inversores o las condiciones de liquidez global.8
En conclusión, para analizar el grado de interdependencia o contagio entre los mercados
bursátiles de los principales países más industrializados aplicaremos la técnica de
componentes principales. Analizaremos las 21 series financieras en todo el periodo, así
como en el periodo de turbulencias y el periodo previo a la crisis financiera. Una vez
hayamos extraído los principales componentes contrastaremos si tales componentes son
iguales o diferentes. Si las componentes principales fuesen iguales nos llevaría a concluir
que hay interdependencia. Pero si, por el contrario, son diferentes podríamos concluir que
ha habido contagio financiera en los mercados bursátiles durante la gran recesión.
4. Base de datos
La base de datos utilizada es la Thomson Financial Datastream. Los países seleccionados
son los 21 países más industrializados Alemania, Australia, Austria, Bélgica, Canadá,
Dinamarca, España, Estados Unidos, Finlandia, Francia, Grecia, Holanda, Irlanda, Italia,
Japón, Noruega, Nueva Zelanda, Portugal, Reino Unido, Suecia y Suiza. La selección de
este número de países (N = 21) nos permite obtener unos resultados con componentes
principales con propiedades estadísticas deseables. La variable seleccionada es el
rendimiento en moneda local del principal índice agregado de cada país según Datastream,
la cuál se ha escogido a través de la lista DSGLOBAL. Sin embargo, por lo motivos que se
comentan más abajo, el estudio se ha realizado con las primeras diferencias de los
rendimientos. El periodo analizado empieza el 1 de enero de 2004 y acaba el 4 de marzo de
2011. La periodicidad es diaria y de cinco días semanales (de lunes a viernes). Para nuestro
estudio dividiremos nuestra muestra en dos partes, un periodo tranquilo – para el cuál se
8 Véase Corsetti et al. (2005) para una explicación más detallada.
5
supone que no existe la crisis financiera – y un periodo turbulento. El primer periodo
empieza el 1 de enero de 2004 y acaba el 31 de julio de 2007 y el segundo periodo empieza
el 1 de agosto de 2011 y acaba 4 de marzo de 2011. El criterio escogido para la selección
de las submuestras ha sido la primera intervención coordinada de los bancos centrales para
inyectar liquidez en los mercados – véase la Tabla 1 para un descriptivo de los datos.
5. Resultados
5.1. Análisis de integración univariante
La aplicación de las técnicas econométricas en que se basa el análisis del presente artículo
requiere establecer las propiedades estocásticas de las series temporales de rendimiento.
Para ello, en esta sección se van a aplicar contrastes de raíz unitaria propuestos en Ng y
Perron (2001) al poseer éstos mejores propiedades en muestra finita en términos de tamaño
y potencia empíricos. La Tabla 2 presenta los resultados de aplicar siete contrastes de raíz
unitaria sobre la primera diferencia de las series, mientras que la Tabla 3 recoge los
resultados de los contrastes para los niveles de las series.
Como se puede observar, las conclusiones del análisis de integración sobre las variables
diferenciadas dependen del estadístico de prueba que se utilice. Mientras que con los
estadísticos Z y ADF se rechaza la hipótesis nula de raíz unitaria a un nivel de significación
del 5% para la gran mayoría de las series, con el resto de contrastes dicha hipótesis nula no
es rechazada. El análisis es concluyente para el caso de las variables en niveles, para las
cuáles la hipótesis nula de raíz unitaria no es rechazada en ningún caso trabajando a un
nivel de significación del 5%. Por lo tanto, la conclusión cualitativa que se desprende de este
análisis es que las veintiuna series temporales que conforman la base de datos son
variables no estacionarias.
5.2. Análisis de integración en panel de datos
La literatura econométrica sobre paneles de datos no estacionarios ha experimentado una
rápida evolución desde los noventa. Una razón que explica su popularidad es la de permitir
realizar la inferencia sobre las propiedades estocásticas de las series temporales teniendo
en cuenta mayor información, hecho que se espera que redunde en una mejora de la
potencia de contrastes de raíz unitaria univariantes como los aplicados en el apartado
6
anterior. No obstante, esta característica deseable requiere garantizar que se utilizan los
contrastes de raíz unitaria para paneles de datos adecuados, dado que algunas de las
propuestas existentes en la literatura asumen que las series temporales que conforman el
panel de datos son independientes entre sí.
Una de las hipótesis de partida del presente trabajo ha sido la de que el rendimiento de los
activos que cotizan en diferentes mercados internacionales está fuertemente relacionado
dada la gran movilidad de capitales y los procesos de globalización e integración que se han
intensificado en los últimos años. Para contrastar dicha hipótesis se va a aplicar el contraste
CD de Pesaran (2004), contraste que bajo la hipótesis nula especifica ausencia de
correlación frente a la hipótesis alternativa de correlación. El contraste se basa en el cálculo
del coeficiente de correlación lineal de Pearson para todos los posibles pares de residuos
surgidos de la estimación de la siguiente regresión auxiliar
donde yi.t denota el rendimiento para el país i-ésimo, fi(t) denota la componente determinista
– habitualmente dada por una constante o una tendencia lineal – y i.t se supone que es una
perturbación aleatoria distribuida independientemente en i y t, i = 1..... N, t = 1..... T. Pesaran
(2004) diseña un estadístico de prueba basado en la media de todas las posibles parejas de
coeficientes de correlación de Pearson , j =1, …. N, n = N(N-1)/2, calculados para los
residuos i.t. Nótese que la estimación del modelo autoregresivo auxiliar tiene como objetivo
el aislar la autocorrelación de la dependencia transversal. El estadístico CD de Pesaran
(2004) que contrasta la hipótesis nula de independencia transversal frente a la hipótesis
alternativa de dependencia transversal viene dado por
p̂j
CD 2T
np̂j
j1
n
~ N 0,1 .
Los resultados de calcular el estadístico CD se ofrecen en la Tabla 4 para diferentes
órdenes del modelo autoregresivo – se considera pi = p i. Como se puede apreciar, la
hipótesis nula de independencia se rechaza claramente a un nivel de significación del 5%
para todos los valores de p considerados. Este resultado indica que el análisis de las
propiedades estocásticas del panel de datos mediante el uso de contrastes de raíz unitaria
debe tener en cuenta la presencia de la dependencia.
7
Los contrastes de raíz unitaria que se aplican en este trabajo son los de Bai y Ng (2004),
Moon y Perron (2004) y Pesaran (2007), contrastes que consideran de diferente manera la
presencia de dependencia espacial mediante un modelo de factores comunes aproximado.
De las tres aproximaciones la más general es la de Bai y Ng (2004), al permitir ésta que la
componente idiosincrásica pueda tener un orden de integración diferente al que presentan
los factores comunes. Por esta razón, en lo que sigue se realiza una breve descripción del
procedimiento de Bai y Ng (2004).
La aproximación de Bai y Ng (2004) supone que las variables observables se pueden
descomponer como:
yi,t f i t Fti ei, t ,
t = 1. …, T, i = 1, …, N, donde fi(t) denota la componente determinista del modelo – ya sea
una constante o una tendencia lineal – Ft es un vector de dimensión (r x 1) que recoge los
factores comunes que están presentes en el panel de datos, y ei.t es el término de
perturbación idiosincrásico, los cuales se asumen que son independientes entre las series
temporales. Los parámetros i recogen la importancia que tienen los factores comunes para
la serie temporal en concreto.
Los factores inobservables y los términos de perturbación idiosincrásicos se estiman de
manera consistente utilizando el método de componentes principales sobre el modelo en
primeras diferencias – ver Bai y Ng (2004) para más detalles. Para estimar el número de
factores comunes se puede emplear el criterio de información Bayesiano (BIC) para panel
diseñado por Bai y Ng (2002). Una vez estimadas ambas componentes podemos iniciar la
inferencia. Por un lado, es posible contrastar si hay factores comunes (Ft) estacionarios o no
estacionarios aplicando los contrastes MQ de Bai y Ng (2004) – en su versión paramétrica o
no paramétrica. Por lo tanto, de los r factores comunes que se estimen se será capaz de
decir el número de factores comunes estacionarios (r0) y los no estacionarios (r1), de modo
que r = r0 + r1. Por otra parte, se pueden diseñar contrastes de datos de panel para el
conjunto de perturbaciones idiosincrásicas (ei.t).
Como se puede ver, esta técnica permite determinar cuál es la fuente de la posible no
estacionariedad. Así, es posible que la no estacionariedad sea fruto de la presencia de
factores comunes I(1) – o combinación de factores comunes I(0) y I(1) – hecho que implicará
que el panel de datos sea no estacionario y que la consecuencia de la no estacionariedad
8
sea una causa común para todas las series que definen el panel. En este caso, habría que
concluir que hay perturbaciones globales de carácter permanente que afectan a todas las
series temporales del panel de datos. También podría ser que la fuente de la no
estacionariedad del panel fuese que los términos de perturbación idiosincrásicos fuesen
procesos no estacionarios I(1), hecho que implicaría que las perturbaciones que afectan sólo
a cada serie temporal (no globales) tienen un carácter permanente.
Anteriormente se ha comentado que la aproximación de Bai y Ng (2004) anida las de Moon
y Perron (2004) y la de Pesaran (2007). Un vez de ha descrito el primer procedimiento de
contraste, ahora estamos en condiciones de indicar qué diferencias existen entre estas
aproximaciones. Tal y como señalan Bai y Ng (2010), en los trabajos de Moon y Perron
(2004) y Pesaran (2007) se considera que hay factores comunes, aunque los factores
comunes y las perturbaciones idiosincrásicas están restringidas a tener el mismo orden de
integración. Por lo tanto, no es posible cubrir situaciones donde una de las componentes
(por ejemplo, los factores comunes) sean I(0) y la otra componente (por ejemplo, las
perturbaciones idiosincrásicas) sean I(1), y al revés. En términos prácticos, los contrastes de
Moon y Perron (2004) y de Pesaran (2007) acaban siendo estadísticos para realizar
inferencia sobre las perturbaciones idiosincrásicas.
La Tabla 5 ofrece los resultados de los contrastes de raíz unitaria para panel de datos
comentados anteriormente, tanto para las series diferenciadas como para las series en
niveles. En primer lugar, se presentan los valores de los dos estadísticos de prueba de
Pesaran (2007) – estadísticos denotados como CIPS y CIPS* – para diferentes valores del
orden de la corrección autoregresiva (p). Como se puede observar, los contrastes rechazan
claramente la hipótesis nula de raíz unitaria para las series diferenciadas. Por otro lado y a
excepción de los contrastes con p = 0 y p = 1, los contrastes de Pesaran (2007) no rechazan
la hipótesis nula de raíz unitaria a un nivel de significación del 5% para las series en niveles.
Los contrastes de Moon y Perron (2004) – denotados como ta y tb – indican un claro rechazo
de la hipótesis nula de raíz unitaria tanto para las series diferenciadas como para las series
en niveles.
Finalmente, la aproximación de Bai y Ng (2004) nos permite hacer el análisis de integración
de la componente idiosincrásica y la de los factores comunes por separado. Por lo que
respecta a la parte idiosincrásica, vemos que el estadístico ADF de panel rechaza la
9
hipótesis nula para las series diferenciadas y no lo hace cuando se utilizan las series en
niveles, situación que estaría de acuerdo con la obtenida por los contrastes de Pesaran
(2007). Si focalizamos en la parte de los factores comunes, el BIC de panel de Bai y Ng
(2002) selecciona tres factores comunes – el máximo especificado ha sido cuatro. Cuando
dichos factores se extraen a partir de las series diferenciadas, vemos que los tres resultan
ser I(0). Por otro lado, cuando el análisis se lleva a cabo con las series en niveles al menos
uno de los tres factores es I(1) – el test MQ no paramétrico concluye que r1 = 1 mientras que
la versión paramétrica determina que r1 = 2.
La conclusión que cabe extraer del análisis realizado en esta sección es que el panel de
datos de rendimientos es I(1). La interpretación más rica que nos permite el procedimiento
de Bai y Ng (2004) indica que la no estacionariedad de las series de rendimiento proviene
tanto de la componente idiosincrásica que afecta las variables como de la presencia de al
menos una tendencia estocástica común. Estos resultados nos llevan a tener que trabajar
con las variables en diferencias para poder analizar la presencia de contagio en la gran
crisis.
5.3. Análisis del contagio en la gran crisis
Una vez se ha determinado que es necesario diferenciar las variables para garantizar que el
panel de datos es I(0) se han realizado dos contrastes para saber si las muestras son
adecuadas para el análisis de componentes principales. Los resultados de dichos contrastes
se ofrecen en las Tablas 6 y 7. Los resultados de la medida de adecuación muestral de
Kaiser-Meyer-Olkin son adecuados, llegando casi al 100% tanto para el periodo de
tranquilidad (VAR0407) como para el periodo de crisis (VAR2007). El contraste de
esfericidad de Bartlett proporciona valores claramente adecuados para poder proceder al
análisis de componentes principales para los dos periodos de interés.
Las Tablas 8 y 9 recogen los resultados de la capacidad explicativa que tiene las principales
componentes en la variación del conjunto de los países más industrializados en ambos
periodos. Se ha seleccionado exclusivamente aquellas componentes cuyo efecto explicativo
es mayor que 1, es decir, aquellas componentes que explican más de lo que explicaría una
de las variables originales. Como se puede observar, la aportación de las componentes en
los diferentes periodos es diferente tanto en intensidad como en poder explicado. En el
10
periodo no convulso se puede observar que existen tres componentes que permiten explicar
gran parte de la variabilidad – en concreto, permiten explicar el 69.8% de la variabilidad de
los mercados bursátiles de los países analizados. Este poder explicativo en momentos de
crisis es mayor – un 73.9% – requiriendo únicamente dos componentes.
Para obtener una descripción más rica sobre la capacidad explicativa de los componentes
es necesario analizar las Tablas 10 y 11. Así, se puede observar que en los momentos pre-
crisis las principales componentes tienen un marcado componente geográfico: se puede ver
que la primera componente explica en mayor medida la zona europea, la segunda explicaría
Asia y de Oceanía, y la tercera la zona del norte de América. Estos resultados permiten
concluir que en cada una de estas zonas existe un comportamiento de sus mercados
bursátiles similares. Cabe mencionar que este comportamiento también es el que se
observa si se escoge el periodo completo que analizamos – desde el 1 de enero de 2004
hasta el 4 de marzo de 2011.
Pasemos ahora a analizar el periodo de la gran recesión, para el cuál se puede observar
algunos hechos estilizados. El primero es que las comunalidades han tenido un mayor
efecto en comparación con el periodo pre-crisis. El segundo es la mayor volatilidad en los
mercados, característica inherente a momentos convulsos. Dicho incremento en la
volatilidad ha hecho que el primer factor pase a tener una mayor capacidad explicativa –
65% frente al 56% del momento pre-crisis. En tercer lugar, podemos observar que el primer
factor común tiene un mayor grado de explicación geográfica. Esto permite pensar que el
proceso de la dependencia entre los mercados bursátiles de los países más industrializados
se ha modificado durante la gran recesión. Una vez más se observa que el comportamiento
de Asia y Oceanía tiene un comportamiento diferente al de Europa y al norte de América.
Esta modificación tanto el número como en el poder explicativo de los factores en momentos
de crisis respecto a la situación previa nos lleva a pensar que el comportamiento de los
mercados y sus interrelaciones ente los países analizados ha cambiado en los momentos de
la gran recesión.
Si hubiera interdependencia en momentos de crisis, deberíamos haber encontrado que los
factores comunes que gobiernan la interdependencia en los mercados bursátiles en
11
momentos de crisis deberían de ser los mismos, en términos probabilísticos, que los
presentes en momentos tranquilos. Si los factores que explican la interdependencia entre los
mercados en momentos de crisis son diferentes respecto a los que la explican en momentos
de crisis podremos concluir que ha habido contagio en los mercados bursátiles durante la
gran recesión.
Para contrastar si esta interdependencia ha variado y, por lo tanto, si se puede hablar de
contagio financiero, utilizaremos los contrastes no paramétricos de Friedman y Kendall. La
Tabla 14 nos indica que la variable que genera la primera componente en momentos de
crisis no es la misma variable que genera la primera componente en el periodo pre-crisis.9
La Tabla 15 analiza el componente de Asia y Oceanía y nos permite afirmar que hay una
interdependencia específica en crisis que podemos identificar como contagio.
Consecuentemente, podemos concluir que los mercados financieros de los países más
industrializados has sufrido un efecto contagio en la gran recesión.
6. Conclusiones
Este artículo presenta una aportación a la actual situación de los mercados financieros,
donde se observa que el comportamiento de los mercados en una época en que están
especialmente correlacionados. Concretamente se ha hallado que en la actual situación
económica esta dependencia tiene un carácter singular, carácter que se asocia al contagio
financiero. Esta aportación se ha hallado a través de un análisis de componentes principales
para un panel de los países más industrializados. Además se ha observado que sólo dos
factores comunes explican gran parte de la variabilidad de los mercados bursátiles en el
periodo de crisis entre 2007 y 2011. Además estos componentes tienen un mayor efecto que
en momentos de tranquilidad financiera. Esto nos permite concluir que en el momento de
gran recesión los mercados de los países más industrializados están teniendo un
comportamiento que no se parece al que tienen estos mismos mercados en momentos de
tranquilidad financiera.
Los comportamientos de contagio en la literatura se han asociado la aversión al riesgo de
los inversores o las condiciones de liquidez global, entre otros. No consideramos oportuno 9 El contraste comparando el primer componente en crisis con el primer y tercer componente en momentos tranquilos también nos permite afirmar que hay contagio. Si se compara con la suma de ambos componentes en el momento de crisis también permite afirmar que existe contagio
12
decantarnos por algunos de estos canales de contagio, a pesar de que consideramos que
en artículos posteriores o extensiones del mismo será una vía de investigación deseable.
Otra vía deseable sería ampliar este estudio con técnicas econométricas con series no
estacionarias.
Referencias
Bai, J. (2003). Inference on factor models of large dimensión, Econometrica, 71, 135–171.
Bai, J. (2004). Estimating cross-section common stochastic trends in nonstationary panel
data, Journal of Econometrics, 122, 137-183.
Bai, J. y Ng, S. (2002). Determining the number of factors in approximate factor models.
Econometrica, 70, 91–221.
Bai, J. y Ng, S. (2004). A PANIC attack on unit roots and cointegration, Econometrica, 72,
1127–1177.
Bai, J. y Ng, S. (2010). Panel Unit Roots Tests with Cross-section Dependence: A Further
Investigation, Econometric Theory, 26, 1088-1114.
Bai, J. y Ng, S. (2008). Large Dimensional Factor Analysis, Foundations and Trends in
Econometrics, 3, 2, 89-163.
Boyer, B. H., Gibson, M. S. y Loretan. M. (1999). Pitfalls in tests for changes in correlations,
International Finance Discussion Paper, 597R, Federal Reserve Board.
Corsetti, G., Pericoli. M. y Sbracia. M. (2005). Some contagion. some interdependence. More
pitfalls in tests of financial contagion, Journal of International Money and Finance, 24, 1177-
1199.
Dornbusch, R., Park, Y. C. y Claessens, S. (2000). Contagion understanding how it spreads,
World Bank Research Observer, 15 (2), 177–197.
Dungey, M., y Fry, R., González-Hermosillo, B. y Martin, V. L. (2005). Empirical modelling of
contagion a review of methodologies, Quantitative Finance, 5, 9–24.
Eichengreen, B.. Rose, A.K. y Wyplosz, C. (1996). Contagious currency crises First tests,
Scandinavian Journal of Economics, 98. 463–484.
13
14
Forbes. K. J. y Rigobon, R. (2001). Measuring contagion conceptual and empirical issues. In
Claessens, S. y Forbes, K.J. (Eds.). International Financial Contagion. Kluwer Academic
Press. Boston. MA.
Forbes, K. y Rigobon, R. (2002). No Contagion. Only Interdependence Measuring Stock
Market Co-movements, Journal of Finance, 57, 2223–2261.
Kaminsky, G. L. y Reinhart, C. M. (2002). Financial Markets in Times of Stress, Journal of
Development Economics, 69, 451-470.
Moon, H. R. y Perron, B. (2004). Testing for Unit Root in Panels with Dynamic Factors,
Journal of Econometrics, 122, 81-126.
Ng, S. y Perron, P. (2001). Lag length selection and the construction of unit root tests with
good size and power, Econometrica, 69, 1519–1554.
Pericoli, M. y Sbracia, M. (2003). A Primer on Financial Contagion, Journal of Economic
Surveys, 17, 571-608.
Pesaran, M. H. (2004). General Diagnostic Tests for Cross Section Dependence in Panels, Cambridge Working Papers in Economics, No. 435, University of Cambridge, and CESifo Working Paper Series No. 1229.
Pesaran, M. H. (2007). A Simple Panel Unit Root Test in the Presence of Cross Section Dependence, Journal of Applied Econometrics, 22, 265-312.
Stock, J.H. y Watson, M.W. (1988). Testing for Common Trends, Journal of the American
Statistical Association, 83, 1097-1107.
Stock. J.H. y Watson, M.W. (2006). Forecasting with Many Predictors. Handbook of
Economic Forecasting. ed. by Graham Elliott, Clive W. J. Granger and Allan Timmermann.
Elsevier, Capítulo 6, 515-554.
Stock. J.H. y Watson, M.W. (2011). Dynamic Factor Models, Oxford Handbook of
Forecasting. Michael P. Clements and David F. Hendry (eds). Oxford Oxford University
Press.
Tabla 1. Estadísticos descriptivos
N Rango Mínimo Máximo Suma Media Desv. típ. Varianza Asimetría Curtosis
Estadístico Estadístico Estadístico Estadístico Estadístico EstadísticoError típico Estadístico Estadístico Estadístico
Error típico Estadístico
Error típico
AUSTRALIA 1872 1163.88 -675.05 488.83 5597.09 2.9899 2.24389 97.08532 9425.560 -.438 .057 5.379 .113
AUSTRIA 1872 97.22 -44.67 52.55 276.34 .1476 .17681 7.65011 58.524 -.488 .057 5.119 .113
BELGIUM 1872 764.9 -368.0 396.8 1947.8 1.041 1.4086 60.9435 3714.107 -.358 .057 5.199 .113
CANADA 1872 883.43 -441.14 442.29 4548.38 2.4297 1.54835 66.99184 4487.907 -.635 .057 7.503 .113
DENMARK 1872 1354.26 -783.99 570.27 5521.70 2.9496 2.20623 95.45611 9111.870 -.427 .057 5.893 .113
FINLAND 1872 215.69 -85.97 129.72 425.22 .2271 .37294 16.13568 260.360 -.007 .057 5.842 .113
FRANCE 1872 1148.30 -562.71 585.59 2629.24 1.4045 2.03774 88.16590 7773.226 -.126 .057 6.051 .113
GERMANY 1872 524.20 -193.33 330.87 1203.42 .6429 .64049 27.71188 767.948 .440 .057 16.501 .113
GREECE 1872 468.40 -216.28 252.12 -222.04 -.1186 .89267 38.62288 1491.727 -.299 .057 4.082 .113
IRELAND 1872 2041.14 -1149.05 892.09 -1929.67 -1.0308 4.75956 205.92987 42407.111 -.559 .057 3.833 .113
ITALY 1872 862.22 -417.75 444.47 1003.51 .5361 1.49310 64.60147 4173.350 -.222 .057 5.832 .113
JAPAN 1872 111.86 -49.70 62.16 40.57 .0217 .20672 8.94409 79.997 -.405 .057 4.191 .113
NETHERLAND 1872 494.48 -267.03 227.45 1199.54 .6408 .87730 37.95783 1440.797 -.455 .057 6.392 .113
NEW_ZEALAND 1872 123.07 -56.26 66.81 449.98 .2404 .22178 9.59561 92.076 -.323 .057 4.107 .113
NORWAY 1872 610.85 -297.75 313.10 3139.17 1.6769 1.39454 60.33708 3640.564 -.485 .057 3.189 .113
PORTUGAL 1872 67.50 -35.26 32.24 140.37 .0750 .09820 4.24879 18.052 -.446 .057 9.859 .113
SPAIN 1872 231.44 -102.33 129.11 500.75 .2675 .35921 15.54200 241.554 -.074 .057 7.655 .113
SWEDEN 1872 721.56 -326.11 395.45 4329.13 2.3126 1.72495 74.63273 5570.044 -.090 .057 2.764 .113
SWITZ 1872 287.68 -120.92 166.76 710.33 .3794 .47805 20.68352 427.808 -.246 .057 6.693 .113
UK 1872 4840.98 -2307.16 2533.82 18488.77 9.8765 8.63716 373.70089 139652.352 -.199 .057 5.697 .113
US 1872 796.45 -392.65 403.80 1948.47 1.0408 1.25928 54.48457 2968.568 -.418 .057 7.551 .113
15
Tabla 2. Contrastes de raíz unitaria univariates de Ng y Perron (2001). Sèries en primeras diferencias
Z MZ MSB ADF PT MPT MZT
Australia -1084.47a -79.47 a 0.08 a -8.07 a 0.37 a 0.37 a -6.27 a Austria -725.92 a -7.36 0.25 -3.98 a 3.51 3.49 -1.87 Belgium -442.09 a -4.16 0.35 -2.32 a 5.93 5.89 -1.44 Canada -846.62 a -7.28 0.26 -4.21 a 3.37 3.36 -1.91 Denmark -92.10 a -1.20 0.54 -1.05 16.59 16.25 -0.64 Finland -575.70 a -3.22 0.36 -2.43 a 7.56 7.50 -1.15 France -523.89 a -7.17 0.25 -3.14 a 3.76 3.72 -1.81 Germany -592.12 a -14.44 a 0.18 a -4.41 a 2.11 a 2.09 a -2.59 a Greece -224.44 a -3.18 0.39 -1.71 7.77 7.66 -1.23 Ireland -506.01 a -3.43 0.37 -2.40 a 7.19 7.14 -1.28 Italy -217.68 a -4.33 0.33 -1.92 5.85 5.76 -1.42 Japan -1067.39 a -143.33 a 0.06 a -8.75 a 0.18 a 0.18 a -8.46 a Netherland -379.90 a -7.54 0.25 -2.81 a 3.37 3.34 -1.92 New Zealand -901.60 a -99.42 a 0.07 a -7.96 a 0.26 a 0.26 a -7.05 a Norway -803.52 a -7.95 0.25 -4.30 a 3.11 a 3.11 a -1.99 a Portugal -293.86 a -6.53 0.27 -2.55 a 4.03 3.98 -1.74 Spain -372.38 a -5.75 0.29 -2.49 a 4.48 4.43 -1.64 Sweden -1624.49 a -918.88 a 0.02 a -37.89 a 0.03 a 0.03 a -21.43 a Switzerland -1842.87 a -934.80 a 0.02 a -42.62 a 0.03 a 0.03 a -21.62 a UK -1710.55 a -928.20 a 0.02 a -39.70 a 0.03 a 0.03 a -21.54 a US -1109.22 a -25.98 a 0.14 a -7.51 a 0.98 a 0.98 a -3.50 a Nota: El superíndice “a” denota el rechazo de la hipótesis nula de raíz unitaria a un nivel de significación del 5%.
16
Tabla 3. Contrastes de raíz unitaria univariates de Ng y Perron (2001). Series en niveles
Z MZ MSB ADF PT MPT MZT
Australia -3.52 -3.52 0.37 -1.31 25.81 25.72 -1.32 Austria -1.17 -1.17 0.62 -0.73 72.55 71.90 -0.73 Belgium -1.29 -1.28 0.61 -0.78 68.56 67.99 -0.78 Canada -5.26 -5.25 0.31 -1.55 17.34 17.30 -1.60 Denmark -2.67 -2.67 0.43 -1.15 34.23 34.08 -1.15 Finland -2.83 -2.83 0.42 -1.18 31.88 31.77 -1.18 France -2.55 -2.55 0.44 -1.12 35.77 35.58 -1.12 Germany -3.10 -3.10 0.40 -1.23 29.45 29.40 -1.24 Greece -0.82 -0.82 0.61 -0.50 73.92 73.29 -0.50 Ireland -1.14 -1.14 0.62 -0.71 71.93 71.28 -0.71 Italy -1.48 -1.48 0.56 -0.82 58.47 57.96 -0.82 Japan -1.87 -1.86 0.50 -0.93 47.15 46.76 -0.93 Netherland -2.64 -2.64 0.43 -1.15 34.63 34.52 -1.15 New Zealand -2.58 -2.58 0.43 -1.10 35.01 34.72 -1.12 Norway -2.94 -2.93 0.41 -1.21 31.14 30.97 -1.21 Portugal -2.26 -2.26 0.45 -1.02 38.76 38.58 -1.03 Spain -2.49 -2.49 0.43 -1.07 35.05 34.85 -1.07 Sweden -3.50 -3.50 0.38 -1.32 26.06 26.00 -1.32 Switzerland -2.03 -2.02 0.48 -0.97 43.53 43.31 -0.98 UK -4.92 -4.91 0.32 -1.55 18.49 18.47 -1.55 US -4.72 -4.71 0.32 -1.47 19.14 19.13 -1.50 Nota: El superíndice “a” denota el rechazo de la hipótesis nula de raíz unitaria a un nivel de significación del 5%.
17
Tabla 4: Contraste CD de Pesaran sobre independencia transversal
Series en primeras diferencias Series en niveles Correlaciones Correlaciones
p CD test Media Mediana CD test Media Mediana
0 365.79 0.58 0.63 362.33 0.58 0.63 1 365.91 0.58 0.63 365.98 0.58 0.63 2 365.87 0.58 0.63 366.09 0.58 0.63 3 365.22 0.58 0.63 366.05 0.58 0.63 4 365.37 0.58 0.63 365.39 0.58 0.63 5 365.06 0.58 0.63 365.53 0.58 0.63 6 365.09 0.58 0.63 365.22 0.58 0.63 7 365.00 0.58 0.63 365.25 0.58 0.63 8 364.90 0.58 0.63 365.15 0.58 0.63 9 364.73 0.58 0.63 365.05 0.58 0.63
10 364.69 0.58 0.63 364.87 0.58 0.63 11 364.48 0.58 0.63 364.83 0.58 0.63 12 363.96 0.58 0.63 364.62 0.58 0.63 13 363.90 0.58 0.63 364.10 0.58 0.63 14 363.93 0.58 0.63 364.04 0.58 0.63 15 363.36 0.58 0.62 364.07 0.58 0.63
18
Tabla 5: Contrastes de raíz unitaria para panel de datos
Contrastes de Pesaran (2007)
Series en
diferencias Series en niveles p CIPS CIPS* CIPS CIPS*
0 -47.82 -6.19 -3.42a -3.42 a 1 -33.07 -6.19 -2.80a -2.80 a 2 -26.95 -6.19 -2.61 -2.61 3 -23.11 -6.19 -2.50 -2.50 4 -20.83 -6.19 -2.46 -2.46 5 -18.78 -6.19 -2.39 -2.39 6 -17.36 -6.19 -2.38 -2.38 7 -16.19 -6.19 -2.35 -2.35 8 -15.39 -6.19 -2.31 -2.31 9 -14.51 -6.19 -2.26 -2.26
10 -13.64 -6.19 -2.23 -2.23 11 -13.09 -6.19 -2.23 -2.23 12 -12.56 -6.19 -2.20 -2.20 13 -12.00 -6.19 -2.18 -2.18 14 -11.73 -6.19 -2.17 -2.17 15 -11.20 -6.19 -2.14 -2.14
Contrastes de Moon y Perron (2004)
Series en diferencias Series en niveles
Test p-valor Test p-valor
ta -
2850.62 0.000 -1.368b 0.086 tb -96.02 0.000 -2.011 a 0.022
Contrastes de Bai y Ng (2004) Series en
diferencias Series en niveles Z p-valor Z p-valor
Idiosincrásica (ADF) -18.75 0.000 -0.05 0.480 MQf MQc MQf MQc
Número de factores no estacionarios r1 = 0 r1 = 0 r1 = 1 r1 = 2
Nota: Los superíndices a y b indican rechazo de la hipótesis nula de raíz unitaria a un nivel de significación del 5 y 10%. respectivamente.
19
20
Tabla 6. KMO y prueba de Bartlett para periodo tranquilo a
Medida de adecuación muestral de Kaiser-Meyer-Olkin. .969
Chi-cuadrado aproximado 17951.813
gl 210
Prueba de esfericidad de
Bartlett
Sig. .000
a. Sólo aquellos casos para los que VAR0407 = 1 serán utilizados en la
fase de análisis.
Tabla 7. KMO y prueba de Bartlett para periodo de crisisa
Medida de adecuación muestral de Kaiser-Meyer-Olkin. .972
Chi-cuadrado aproximado 23645.008
Gl 210
Prueba de esfericidad de
Bartlett
Sig. .000
a. Sólo aquellos casos para los que VAR2007 = 1 serán utilizados en la
fase de análisis.
Tabla 8.Varianza total explicada de los componentes principales en el periodo tranquiloa
Autovalores iniciales
Sumas de las saturaciones al cuadrado de la
extracción Suma de las saturaciones al cuadrado de la rotación
Componente
Total
% de la
varianza % acumulado Total
% de la
varianza % acumulado Total
% de la
varianza % acumulado
1 11,872 56,532 56,532 11,872 56,532 56,532 10,267 48,891 48,891
2 1,651 7,861 64,393 1,651 7,861 64,393 2,324 11,067 59,957 dimension0
3 1,136 5,408 69,801 1,136 5,408 69,801 2,067 9,843 69,801
Método de extracción: Análisis de Componentes principales.
a. Sólo aquellos casos para los que VAR0407 = 1 serán utilizados en la fase de análisis.
Tabla 9. Varianza total explicada de los componentes principales en el periodo de crisisa
Autovalores iniciales
Sumas de las saturaciones al cuadrado de la
extracción Suma de las saturaciones al cuadrado de la rotación
Componente
Total
% de la
varianza % acumulado Total
% de la
varianza % acumulado Total
% de la
varianza % acumulado
1 13,658 65,039 65,039 13,658 65,039 65,039 12,382 58,964 58,964 dimension0
2 1,877 8,936 73,975 1,877 8,936 73,975 3,152 15,011 73,975
Método de extracción: Análisis de Componentes principales.
a. Sólo aquellos casos para los que VAR2007 = 1 serán utilizados en la fase de análisis.
21
Tabla 10. Componentes principales y comunalidad en el periodo tranquilo
Matriz de componentes
rotadosa.b
Comunalidades a
1 2 3 Extracción
France .923 .095 .220 .910
Netherland .898 .129 .201 .863
Spain .875 .088 .211 .818
Italy .871 .087 .252 .830
UK .868 .143 .264 .844
Switzerland .865 .176 .152 .801
Belgium .860 .208 .168 .810
Germany .847 .021 .351 .841
Sweden .843 .122 .190 .761
Finland .776 .125 .139 .638
Ireland .735 .210 .080 .591
Austria .716 .333 .101 .633
Denmark .671 .343 .151 .591
Portugal .618 .204 .094 .433
Greece .573 .301 .099 .428
Norway .570 .351 .220 .497
Australia .258 .808 .064 .812
Japan .225 .722 .082 .723
New Zealand .009 .655 -.035 .825
Canada .234 .152 .864 .579
US .322 -.054 .840 .430
Método de extracción: Análisis de componentes
principales.
Método de rotación: Normalización Varimax con Kaiser.
a. La rotación ha convergido en 5 iteraciones.
b. Sólo aquellos casos para los que VAR0407 = 1 serán
utilizados en la fase de análisis.
22
23
Tabla 11. Componentes principales y comunalidad en el periodo de
crisis
Matriz de componentes
rotados a.b
Comunalidades a
1 2 Extracción
France .935 .247 .935
Netherland .915 .272 .911
UK .912 .244 .892
Italy .906 .246 .880
Spain .887 .217 .833
Sweden .879 .186 .807
Germany .871 .030 .760
Switzerland .863 .302 .836
Belgium .840 .252 .770
Finland .822 .264 .746
Austria .815 .355 .790
Denmark .801 .351 .765
Portugal .784 .302 .705
Norway .771 .283 .675
Ireland .754 .242 .626
US .733 -.195 .575
Canada .679 -.022 .461
Greece .638 .365 .540
Australia .200 .830 .672
Japan .200 .795 .729
New Zealand .074 .787 .625
Método de extracción: Análisis de componentes
principales.
Método de rotación: Normalización Varimax con
Kaiser.
a. La rotación ha convergido en 3 iteraciones.
b. Sólo aquellos casos para los que VAR2007 = 1.
serán utilizados en la fase de análisis.
Tabla 12. KMO y prueba de Bartlett para todo el periodo
Medida de adecuación muestral de Kaiser-Meyer-Olkin.
,973
Chi-cuadrado aproximado
43660,565
gl 210
Prueba de esfericidad de Bartlett
Sig. ,000
Tabla 13.Varianza total explicada de los componentes principales en todo el periodo
Autovalores iniciales Sumas de las saturaciones al cuadrado de
la extracción Suma de las saturaciones al cuadrado de
la rotación Componente
Total % de la varianza % acumulado Total
% de la varianza
% acumulado Total
% de la varianza
% acumulado
1 13,223 62,966 62,966 13,223 62,966 62,966 10,961 52,195 52,195
2 1,795 8,547 71,513 1,795 8,547 71,513 2,545 12,121 64,317
3 1,008 4,798 76,311 1,0076076 4,79813142 76,310683 2,51877305 11,9941574 76,310683
24
Tabla 14. Contraste de Friedman y Kendall. Estadísticos de contraste para el primer componente de crisis
Contraste Estadístico grados de libertad significación asintótica Friedman 379.107 1 0
W de Kendall 0.069 1 0
Tabla 15. Contraste de Friedman y Kendall. Estadísticos de contraste para el segundo componente de crisis
Contraste Estadístico grados de libertad significación asintótica Friedman 580.786 1 0
W de Kendall 0.105 1 0
25
Top Related