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: carrion@ub.edu. Tel: 934024598. Fax: 934021821. ‡ AQR-IREA Research group. Departament d’Econometria, Estadística i Economia Espanyola. Universitat de Barcelona. E-mail: ovillar@ub.edu. 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