Laboratorio Financiero

Tutorial VII Precios Intrada (Datos de Alta frecuencia)

Por: Juan Carlos Garca 1. MARCO CONCEPTUAL
1

El desarrollo en las ltimas dcadas de los computadores, y de diferentes sistemas de informacin ha posibilitado tener y procesar informacin que antes era imposible. El estudio de los datos de alta frecuencia, aquellos que se generan durante el proceso de negociacin en los mercados financieros durante el da, ha despertado el inters de investigadores financieros as como diferentes instituciones interesadas en analizar o intentar predecir su comportamiento. Existen dos tipos de datos de alta frecuencia denominados: 1. Datos de alta frecuencia agregados por intervalos de tiempo constante, generalmente en intervalos expresados en minutos, o en segundos. 2. Ultra High-Frequency data (ver Engle 2000), que simplemente es el total de las transacciones registradas durante el da. Estos tipos de datos son almacenados y su distribucin en el tiempo es variable. Los datos de alta frecuencia presentan las siguientes caractersticas: 1. La volatilidad de los precios intrada est serialmente correlacionada2 2. Generalmente los datos presentan altas fluctuaciones en las horas cercanas al cierre y cuando los mercados inician sus transacciones (McInish y Wood 1992). Dado que los datos de alta frecuencia por estructura son heteroscedsticos3, la estimacin por mtodos regresivos tradicionales como los Mnimos cuadrados Ordinarios no es la apropiada. Los modelos generalmente empleados para este tipo de datos son los denominados ARCH (Autoregresive Heteroskedasticity model), GARCH (General Autoregresive Heteroskedasticity model) y sus modificaciones. Al final del tutorial, el lector puede encontrar una extensa bibliografa de este tipo de modelos.

Estudiante de Economa y Negocios Internacionales. Monitor del Laboratorio Financiero de la Universidad Icesi. Este Tutorial cont con la supervisin del profesor Luis Berggrun. 2 Hecho demostrado por Robert Engle en diferentes estudios desde 1982, al igual que otros investigadores como Tim Bollerslev. 3 La varianza no es constante.
1

Laboratorio Financiero
2. MECANISMO PARA EXTRAER BLOOMBERG PROFESSIONAL: DATOS DE ALTA FRECUENCIA DEL SISTEMA

Una vez se encuentre dentro del sistema, ubique el activo financiero que desee analizar. Para efectos del ejercicio usaremos el ndice General de la Bolsa de Valores de Colombia (IGBC). De modo que pulse: IGBC <Index> <Go> en el teclado de Bloomberg Professional y se encontrar en el men principal del IGBC. Este debe lucir como se muestra a continuacin: Grfico 1. Men principal del IGBC

Fuente: Bloomberg Professional A continuacin dividiremos la explicacin en dos unidades, la primera hablar sobre cmo extraer datos Ultra-High Frequency, y la segunda sobre datos intrada con periodos predeterminados. 2.1. Sobre cmo extraer datos Ultra-High Frequency: Una vez dentro del men principal para el ndice de Bolsa de Colombia (IGBC), presione GIP <Go>. Este le mostrar un grafico del comportamiento del ndice durante el da. Observe el grfico 2. Grfico 2. Grfico Intrada del IGBC

Zoom

Hora del da

Fuente: Bloomberg Professional

Laboratorio Financiero
A continuacin haga clic derecho sobre la grfica, selecciones la opcin Copiar datos en Clipboard. Luego abra un libro de Excel y en el men herramientas seleccione pegar. Inmediatamente los datos aparezcan en el documento de Excel, seleccione el icono organizar los datos del ms antiguo al ms reciente. para

Nota: El computador no alcanza a capturar todos los datos generados durante el da; solo suele capturar unos cuantos. Para obtener todos los datos, debe realizar un proceso un tanto dispendioso que se describe a continuacin: 1. Observe en el grfico 2 el crculo rojo que muestra un Link llamado ZOOM, presinelo con el Mouse y luego seale sobre la grfica en las horas iniciales. Inmediatamente la grfica se ampliar en ese sector especfico. 2. Repita el proceso varias veces hasta que la imagen no se pueda ampliar ms. Como se muestra a continuacin: Grfico 3. Secuencias de ampliacin de pantalla.

Fuente: Bloomberg Professional 3. Una vez obtenga el ZOOM mximo, repita el proceso inicial de seleccionar la opcin copiar datos en clipboard, y pguelos en Excel, de esa manera el computador puede capturar ms transacciones para la parte de la grfica que aparece en la pantalla. 4. Repita los anteriores procesos varias veces, tomando partes diferentes de la grfica a horas cada vez mayores (la hora del da es la que aparece en el grfico 2 encerrada con azul), y pegando los datos en diferentes columnas en Excel dentro de la misma hoja. 5. Finalmente, con todos los datos, construya en Excel una columna nueva en la que con los datos extrados anteriormente forme su base de datos del da. El computador captura todas las transacciones del da, sin embargo, con el Zoom se logra capturar el mayor nmero de transacciones durante el rea ampliada. Como ver el lector este es un proceso bastante largo y es posible que no logre obtener el total de los datos generados durante el da. 2.2. Sobre cmo extraer datos de alta frecuencia con periodos predeterminados: Obtener el total de los datos generados durante el da es un proceso bastante dispendioso y no es muy prctico a la hora de efectuar anlisis con los mtodos tradicionales de series de tiempo. A continuacin mostramos como extraer datos de alta frecuencia, predeterminando la periodicidad de estos a intervalos fijos. A diferencia del proceso anterior, ste es ms fcil, menos dispendioso y no hay riesgo de dejar de tomar informacin, pues el Sistema Bloomberg Professional los organiza automticamente. Una vez dentro del men principal del IGBC, digite el ticker IGPO <Go>. Debe de aparecer un men que luce as:

Laboratorio Financiero
Grfico 4. Men IGPO del ndice General de Colombia (IGBC)

Fuente: Bloomberg Professional Observe la parte encerrada con rojo, periodo corresponde al intervalo de tiempo (medido en minutos) por el cual usted quiere que le aparezcan los datos. El rango es para determinar el nmero de das hacia atrs para los cuales usted desea observar la serie. Con Hora, define el nmero de horas dentro del da por el cual usted quiere los datos. Para efectos del ejercicio, le ordenaremos al sistema que queremos 10 das hacia atrs, es decir digite 10 en rango. En hora no haremos modificaciones pues el horario de bolsa es de 9:00 a 1:00, por lo tanto no es necesaria modificarla, finalmente en periodo definiremos intervalos de 5 minutos, por lo tanto digite 5. Ahora, observe dentro del valo azul, en Superior puede escoger entre grfico de barras o grfico de velas para este caso escoja grfico de barras, y en Inferior, puede elegir el volumen de comercio, para este caso como estamos analizando un ndice entonces lo que aparecer ser el nmero de Ticks (Nmero de cambios del ndice dentro del intervalo definido), escoja esta opcin. A continuacin oprima <Go>. La Grfica por ende debe cambiar de apariencia, ajustndose a sus rdenes, luciendo as:

Laboratorio Financiero
Grfico 5. Men IGPO del ndice General de Colombia (IGBC)

Volumen de Comercio

Fuente: Bloomberg Professional Ahora sobre la grfica haga click derecho, seleccione la orden copiar datos en Clipboard y abra el Block de Notas de Windows. Una vez abierto, presione Ctrl. V para exportar los datos Grfico 6. Datos exportados a Block de Notas

Como en Colombia el separador de decimales es la coma (,) y no el punto (.) como en Estados Unidos, entonces en Edicin, haga Click en Reemplazar inmediatamente se abrir un cuadro de dialogo, donde en Buscar digite ., y en Reemplazar por, digite ,, y finalmente elija reemplazar todo. Lo anterior le cambiar todos los puntos por decimales, finalmente, copie los datos y pguelos en Excel. Recuerde que los datos estn organizados del da ms reciente al ms antiguo elegido por usted.

Laboratorio Financiero
Grfico 7. Cuadro de Block de Notas.

Nota: El sistema Bloomberg Professional almacena los datos intraday de cualquier activo nicamente por 22 das hbiles de comercio (trading). 3. REFERENCIAS BIBLIOGRFICAS BLOOMBERG PROFESSIONAL BOLLERSLEV, T. ENGLE, R. y NELSON, D (1994). ARCH Models. Robert Engle y D. McFadden editores. Handbook of Econometrics, Vol IV. Elservier, Amsterdam. BOLLERSLEV, T, CHOU, R y KRONNER, K (1992). Arch Modelling in Finance: A review of the Theory and Empirical Evidence. Journal of Econometrics, No 52, 5-59. BOLLERSLEV, T. (1986). Generalized Autorregresive Condicional Heterocedasticity. Journal of Econometrics, No 51, 307-327. BOX PIERCE (1970). Distribution of Residual Autocorrelationsin Autorregresive and Moving Averages Time Series Models. Journal of the American Statistical Association, No 65, 1509-26. DICKEY, D y FULLER (1979). Distribution and Estimators for Autoregressive Time Series with an Unit Root. Journal of the American Statistical Association, No 77, 427-431. DE ARCE BORDA. 20 aos de modelos ARCH: una visin de conjunto de las distintas variantes de la familia. Madrid, 2003, 29 p. Universidad Autnoma de Madrid. Departamento de Economa Aplicada. DROST, F y C. KLAASSEN (1997). Efficient Estimation in Semiparametric GARCH Models. Journal of Econometrics, No 81, 193-221. ENGLE, Robert F (Jan., 2000). The Econometrics of Ultra-High-Frequency Data. Econometrica, Vol. 68, No.1, 1-22. ENGLE, R. Y NG,V. (1993). Measuring and Testing the Impact of News on Volatility. Journal of Fiannce, No 48, 1749-1778. ENGLE, R y BOLLERSLEV, T. (1986). Modelling the Persistence of Conditional Variance Econometric Reviews, No 5, 1-50 y 80-87. ENGLE, R.F. (1982a). Autorregresive Conditional Heterocedasticity with Estimates of the Variance of the U.K. Inflation. Economtrica, 50. Pgs: 987-1008 GOURIEROUX, C. y MONTFOR, A. (1992). Qualitative Threshold ARCH Models. Journal of Econometrics, No 52, 159-199.

Laboratorio Financiero
JAIN, P.C., Gun-Ho JOH (Sep., 1988). The Dependence between Hourly Prices and Trading Volume The Journal of Financial and Quantitative Analysis, Vol. 23, No. 3, 269-283. MCINISH, Thomas H. (Jun., 1992). An Analysis of Intraday Patterns in Bid/Ask Spreads for NYSE Stocks The Journal of Finance, Vol. 47, No. 2,. 753-764. MCINISH, Thomas H., Robert A. WOOD (Winter 1991). Hourly Returns, Volume, Trade Size, and Number of Trades The Journal of Financial Research Vol. XIV, No. 4 PAGAN, A. Y SCHWERT, W. (1990). Alternative Models for Conditional Stock Volatility. Journal of Econometrics, No 45, 267-290. PERRON, P. (1989). The Great Crash, the Oil Price Shock and the Unit Root Hypothesis. Econometrica, No 57, 1361-1401. SCHWARZ, G. (1978). Estimating the dimension of a Model. Annals of Statistics, 6 464-464.