Properly estimating risk in emerging markets
Loading...
Date
2017
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Un aspecto importante de la valorización de activos es la correcta determinación de una medida de riesgo. El modelo de mercado es la herramienta usual ocupada para ello. De acuerdo a este modelo, existe una relación lineal entre el retorno de un activo y el retorno del mercado. El coeficiente que se genera a partir de esta relación se denomina beta, y mide la exposición a riesgo sistemático del activo. Para llegar a este coeficiente, una regresión de mínimos cuadrados (OLS) es generalmente realizada. Cuando un activo se transa con menor frecuencia en comparación al mercado, la medida de riesgo que entrega la regresión OLS tiende a estar sesgada a la baja, pues presenta “thin trading bias”. Este resultado es especialmente relevante en mercados emergentes, en donde el volumen de acciones transado suele ser menor que en otros mercados más desarrollados. Varios ajustes han sido propuestos en la literatura para corregir este sesgo, pero aún no existe un consenso generalizado sobre cuál de todos es el más efectivo. Esta tesis compara el comportamiento de los ajustes existentes aplicados a un grupo significativo de mercados emergentes, con el objetivo de determinar cuál de todos es el más efectivo en la corrección del sesgo. Para ello, y a partir de un modelo de programación lineal, se generan portafolios con igual niveles de riesgo, pero cuyos activos no se transan con la misma frecuencia. Dado que el parámetro beta es una medida de riesgo sistemático, si es que mantenemos constante el nivel de riesgo a lo largo de los portafolios, entonces los betas resultantes deberían ser aproximadamente iguales. Esto nos permite generar una manera de comparar los distintos ajustes, ya que el mejor es aquel que entrega los betas más similares entre portafolios. Los resultados muestran que los betas que se estiman ocupando retornos basados en transacciones que efectivamente ocurrieron son los más efectivos. Específicamente, el ajuste del tipo “sample selectivity” es, en general, el que muestra un mejor desempeño y entrega hasta un 41% de mejora por sobre betas calculados ocupando OLS.
Description
Tesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2017