Investigación Económica

ISSN: 0185-1667
invecon@servidor.unam.mx
Facultad de Economía
México

Lorenzo Valdés, Arturo; Massa Roldán, Ricardo

Dependencia condicional en colas entre el mercado accionario y el crecimiento
económico: el caso mexicano
Investigación Económica, vol. LXXV, núm. 296, abril-junio, 2016, pp. 111-131
Facultad de Economía
Distrito Federal, México

Disponible en: http://www.redalyc.org/articulo.oa?id=60146093005

Cómo citar el artículo

Número completo
Sistema de Información Científica
Más información del artículo Red de Revistas Científicas de América Latina, el Caribe, España y Portugal
Página de la revista en redalyc.org Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto
 Investigación Económica, vol. LXXV, núm. 296, abril-junio de 2016, pp. 111-131.

Dependencia condicional en colas entre

el mercado accionario y el crecimiento económico:
el caso mexicano

Arturo Lorenzo Valdésa ▪ Ricardo Massa Roldána,b

Resumen
Las investigaciones realizadas en torno a la relación entre el mercado financiero y el
crecimiento económico se han concentrado en buscar el sentido de causalidad y una
relación de largo plazo entre ellas, sin ser concluyentes en los resultados. Se observa
que las herramientas utilizadas para estos propósitos asumen una distribución normal
gaussiana bivariada, razón por la cual no se captan los efectos de dependencia asimé-
trica. El presente trabajo empleó la herramienta de cópula condicional-TGARCH bivariada
para determinar la dependencia condicional en colas entre los rendimientos mensuales
del Índice de Precios y Cotizaciones (IPC) de la Bolsa Mexicana de Valores y las tasas
de crecimiento del Indicador Global de la Actividad Económica (IGAE) durante el pe-
riodo de enero de 1993 a junio de 2015. Nuestros resultados sugieren la existencia de
una relación de dependencia que no es uniforme en el tiempo; es mayor en momentos
cercanos a crisis y se debilita posteriormente.
Palabras clave: cópulas condicionales, dependencia en colas, mercado accionario, cre-
cimiento económico.
Clasificación JEL: C14, C32, O43.

Abstract
Research on the relationship between financial markets and economic growth has fo-
cused on finding their causal influence and long-term relationship with inconclusive
results. The typical tools used for these purposes assume a bivariate Gaussian normal
distribution, hence elements such as asymmetric dependence is not captured. The pres-
ent work used the conditional bivariate copula-TGARCH tool to determine the condi-
tional dependence between the monthly returns of the Mexican stock exchange price
index (IPC) and the index measuring the overall growth of economic activity (IGAE) for

Manuscrito recibido el 22 de octubre de 2015; aceptado el 8 de febrero de 2016.

a Los autores están adscriptos, respectivamente, al Departamento de Actuaría, Física y Matemáticas
de la Universidad de las Américas Puebla (UDLAP, México) y a la EGADE Business School del Instituto
Tecnológico y de Estudios Superiores de Monterrey (ITESM, México).
b Autor de correspondencia: r.massa@itesm.mx.
111
112 Arturo Lorenzo Valdés y Ricardo Massa Roldán

the January 1993 to June 2015 period. Our results suggest a dependence relationship
that varies with time; it is higher in near crisis periods and weakens afterwards.
Key words: conditional copulas, tail dependence, stock market, economic growth.

I�����������

Uno de los sectores que tradicionalmente es estudiado para entender y, en

algunos casos, caracterizar la dinámica de crecimiento económico de los países
es el sector financiero. Esto se debe a que, en su mayoría, la teoría económica
postula la existencia de una relación directa y positiva entre el desempeño de
dicho sector y el crecimiento de la economía real en el corto y largo plazo. Esta
relación ha sido estudiada y defendida desde inicios del siglo pasado. Como prin-
cipales exponentes se encuentran los trabajos de Schumpeter (1911), Goldsmith
(1969), McKinnon (1973) y Shaw (1973). En ellos se establece que elementos
como la cantidad y calidad de instrumentos financieros disponibles, la presencia
de intermediarios financieros, así como la estructura y desarrollo del mercado
financiero, tenían un impacto positivo sobre el crecimiento económico. Por su
parte, King y Levine (1993a, 1993b) muestran una relación empírica entre el
sector financiero y el crecimiento al utilizar un modelo de crecimiento endó-
geno; en él señalan que altos niveles de desarrollo financiero están fuertemente
asociados con mayores tasas de crecimiento de la producción, por lo que puede
interpretarse como un indicador de crecimiento económico de largo plazo. El
principal elemento de controversia es que dentro del desarrollo teórico y, so-
bre todo, en la validación empírica no se establece claramente la dirección de
causalidad entre el desarrollo financiero y el crecimiento económico.
El estudio ―tanto teórico como empírico― de la relación causal y/o de
cointegración entre dichas variables ha tenido un crecimiento considerable en
los últimos veinticinco años. Gran parte de la investigación se ha centrado en la
búsqueda del sentido de causalidad, así como en una posible relación de largo
plazo entre el mercado financiero y el crecimiento económico. Dentro de las
herramientas más utilizadas con este fin se encuentran la prueba de causalidad
en sentido Granger (1969, 1980, 1988) y el análisis de cointegración a partir
de la metodología propuesta por Johansen (1988, 1991, 1995). Sin embargo, la
evidencia empírica no ha sido concluyente respecto a la existencia de una rela-
ción de largo plazo entre las variables, el sentido unidireccional de la relación
de causalidad o, incluso, la presencia de bidireccionalidad en la relación. Por
 Mercado accionario y crecimiento económico 113

una parte, los resultados de Fama (1990) sugieren que el comportamiento de

la economía real causa el desempeño bursátil de Estados Unidos; por la otra,
tanto los obtenidos por Schwert (1990) como los de Lee (1992) sugieren que la
dirección de causalidad es la opuesta basándose en que, en principio, un mercado
financiero desarrollado debiera propiciar el incremento en el ahorro nacional,
así como la asignación eficiente de capital productivo. Lo anterior conduciría
a un aumento en la tasa de crecimiento económico. Gran parte de los estudios
realizados posteriormente se enfocan en esta última dirección como clave para
el desarrollo económico de un país.
Los trabajos de Atje y Jovanovic (1993), Demirgüç-Kunt y Levine (1996) y
Levine y Zervos (1998) muestran que el desarrollo del mercado de valores tiene
una marcada correlación con el crecimiento real per cápita de la economía. Más
aún, encuentran que tanto la liquidez del mercado de valores como el desarrollo
de la banca pueden utilizarse como predictores del comportamiento real de la
economía. Por su parte, Choi, Hauser y Kopecky (1999) sugieren que los rezagos
del rendimiento del mercado accionario pueden ser utilizados para explicar el
comportamiento futuro de la producción industrial.
Levine, Loayza y Beck (2000) hacen hincapié en el papel que desempeñan los
intermediarios financieros para el desarrollo del mercado y su posterior efecto
sobre la economía. Su estudio de causalidad sugiere que las reformas legales y
contables que fortalecen los derechos de los acreedores y que, a su vez, refuercen
el cumplimiento de contratos y la correcta aplicación de las prácticas contables
promoverán el desarrollo de los intermediarios financieros. En consecuencia,
esto se traduce en un impacto positivo sobre el desarrollo del mercado finan-
ciero y el crecimiento económico del país. En lo referente a la relación entre la
estructura del mercado financiero y su impacto en el crecimiento económico,
Demirgüç-Kunt y Levine (2001) hacen una recopilación de estudios que re-
fuerzan la noción de que una correcta estructuración del mercado financiero
promueve su desarrollo y, posteriormente, tiene efectos positivos sobre el
crecimiento económico.
Para el caso de las economías emergentes, se destaca el trabajo de Mauro
(2003), quien presenta un análisis de correlación entre el rezago de los rendi-
mientos bursátiles y la producción económica de cuarenta y cinco mercados
emergentes y veintiún desarrollados. Su estudio postula que existe una impor-
tante correlación entre dichas variables y que el grado de asociación es similar
entre los dos grupos de economías. Destaca que elementos como la razón de
114 Arturo Lorenzo Valdés y Ricardo Massa Roldán

capitalización-producto interno bruto (PIB), el número de empresas listadas y de

ofertas iniciales públicas, además de la regulación del mercado financiero, son
fundamentales para entender el grado de correlación presente. Más reciente-
mente, Cortés y Hernández (2014) proponen un modelo de efectos aleatorios en
datos panel que utiliza cuatro variables para explicar el crecimiento económico
per cápita de veintiséis países ―trece de ellos latinoamericanos― dentro del
periodo 2001-2011. Las variables que utilizan son: el crédito interno del sector
bancario como variable proxy del desarrollo del sistema financiero, la forma-
ción bruta de capital fijo (como porcentaje del PIB) como variable proxy de la
inversión, la inflación y las exportaciones. Sus resultados indican que tanto el
desarrollo del sector financiero como el nivel de inversión tienen efectos positi-
vos de largo plazo sobre el crecimiento económico de los países emergentes.
Para el caso particular de economías latinoamericanas, Ruiz (2004) evalúa,
a través de dos técnicas econométricas, la hipótesis de que el comportamiento
de los agentes en los mercados de crédito, bonos y acciones, promueve el creci-
miento económico para los casos de Argentina, Brasil, Chile, Colombia y México
dentro del periodo 1945-1998. En un primer paso, se utiliza una estimación a
través de mínimos cuadrados ordinarios para determinar el impacto específico
de los mercados financieros en el crecimiento del producto per cápita de cada
país. Posteriormente, con la finalidad de capturar efectos de externalidad intra e
inter economías a partir de una estructura de crecimiento endógeno, se aplica
el método de estimación Zellner-Schmidt para modelos que consideran un sis-
tema de ecuaciones de regresión sin relación aparente (SURE, Seemingly Unrelated
Regression Equations). Su evidencia sugiere que existen efectos diferenciados en
la contribución que tiene el sector financiero a la tasa de crecimiento para el
caso de América Latina. Aunque sus resultados apoyan la idea de que, vistos de
manera individual, los mercados financieros pueden jugar un papel significativo
en el proceso de crecimiento de los países, se puntualiza que la interdependencia
regional puede determinar la relevancia, y posiblemente la orientación causal, de
dicha relación. En otras palabras, que los indicadores de mercados financieros
internos tienden a presentar una mayor vinculación con el crecimiento econó-
mico si se considera el efecto de la interdependencia regional.
En lo referente a estudios de causalidad y cointegración, se destaca el tra-
bajo presentado por Caporale, Howells y Soliman (2004), donde se emplea la
metodología propuesta por Toda y Yamamoto (1995) para probar causalidad
en sentido Granger entre el desarrollo del sector financiero y el crecimiento
 Mercado accionario y crecimiento económico 115

económico de Argentina, Chile, Grecia, Corea, Filipinas, Malasia y Portugal. A

través de un modelo de vectores autoregresivos (VAR) encontraron evidencia
de que el desarrollo del mercado bursátil impulsa el crecimiento económico de
largo plazo para el caso de Chile, Corea, Filipinas y Malasia. Haciendo uso de la
misma metodología, Guha y Mukherjee (2008) hallaron evidencia de causalidad
bidireccional entre la capitalización del mercado de valores indio y el crecimiento
económico del país.
Para el caso de la economía mexicana, resalta el trabajo de Rodríguez y López
(2009), quienes realizaron un estudio de causalidad en sentido Granger y coin-
tegración utilizando como variables al PIB per cápita y la relación capital-trabajo
para el periodo 1990-2004. Concluyeron que el desarrollo financiero tiene
impacto positivo sobre el crecimiento económico, al tiempo que encontraron
evidencia de causalidad bidireccional entre las variables. Por su parte, Tinoco,
Torres y Venegas (2008) utilizan un modelo de corrección de error para efectuar
un análisis de causalidad y cointegración con el fin de determinar la relación de
corto y largo plazo entre el desarrollo del mercado financiero y el crecimiento
económico mexicano en el periodo 1961-2003. No descubrieron evidencia de
causalidad entre las variables, pero sus resultados sugieren que la regulación
tiene un impacto negativo sobre el desarrollo del mercado financiero. Esto,
en menor medida, tiene un impacto negativo sobre el crecimiento económico.
También, a partir de un modelo de corrección de error, López y Rodríguez
(2010) estudiaron la relación de causalidad y cointegración entre los índices del
mercado accionario mexicano y el de volumen de la producción industrial. En
contraste con los resultados de Tinoco, Torres y Venegas (2008), los autores
hallaron una débil evidencia de causalidad en la dirección del mercado accio-
nario hacia la producción industrial en el periodo 1987-2008. Otro contraste
se presenta con los resultados de Ortiz, Cabello y De Jesús (2007), quienes,
siguiendo el uso del modelo de corrección de error, encontraron evidencia de
cointegración y de causalidad bidireccional entre la producción industrial y el
mercado accionario para el periodo 1968- 2002. Brugger y Ortiz (2012) realiza-
ron un estudio de causalidad y cointegración a través de un modelo de vectores
autorregresivos entre los rendimientos bursátiles y el producto interno bruto
de Argentina, Brasil, Chile y México para el periodo 1993-2005. Sus resultados
indican causalidad unidireccional de la bolsa hacia el PIB, así como una relación
de largo plazo débil entre ellos.
116 Arturo Lorenzo Valdés y Ricardo Massa Roldán

Existen dos limitaciones importantes en las técnicas utilizadas para analizar

la relación de dependencia entre variables aleatorias: el supuesto de normalidad
de sus funciones de distribución y la obtención de una medida de correlación
lineal y constante en el tiempo. Gran parte de las pruebas de causalidad en
sentido Granger, cointegración y el cálculo de correlación asumen una distri-
bución normal gaussiana bivariada por lo que están enfocadas típicamente en
la media o varianza de las variables. No obstante, el empleo de la distribución
gaussiana priva a la herramienta utilizada de captar características propias de
las series de tiempo financieras: específicamente la dependencia asimétrica y,
en caso de existir, elementos no lineales de la relación. A partir de un enfoque
de administración de riesgos, y ante la constante presencia de periodos de crisis
financieras, es necesario modelar la relación de dependencia en un entorno
distinto al de la normal y enfocarse en la dinámica presentada en las colas.
Embrechts, McNeil y Straumann (2002) describen la problemática y malin-
terpretación del concepto de correlación cuando se aplica fuera del contexto de
la distribución normal. Señalan que uno de los problemas principales cuando se
construyen distribuciones multivariadas es que sean consistentes con las distri-
buciones marginales y la estructura de correlación dada. Por ello, enfatizan que
herramientas como las cópulas ayudan a clarificar el término de dependencia.
El uso de la modelación a través de éstas permite, sin la necesidad de asumir una
función de distribución para las variables aleatorias consideradas, obtener
una función de distribución conjunta de la cual se pueda cuantificar una me-
dida del grado de dependencia entre ellas. Más aún, al tener la posibilidad de
separar el comportamiento de los marginales, uno puede modelar las variables
con la técnica econométrica que más convenga según sus características.
Como es ilustrado por Chollete, Heinen y Valdesogo (2009), las cópulas son
de gran utilidad cuando se trabaja con series de tiempo financieras debido a que,
además de permitir el análisis de la dependencia en colas, los parámetros esti-
mados por esta herramienta pueden ser fácilmente adaptados a técnicas como
simulaciones Monte Carlo para la administración de riesgos. Otra ventaja del
uso de cópulas es que se puede evaluar si, en distintos periodos y ante la pre-
sencia de eventos extremos, el comportamiento de las colas se ve modificado
por el cambio en la estructura de dependencia de las variables. Bajo un análisis
de correlación estático esta dinámica no podrá ser capturada llevando, posi-
blemente, a conclusiones no del todo precisas. Es por ello que la herramienta
 Mercado accionario y crecimiento económico 117

utilizada deberá permitir la variación en tiempo de la medida de dependencia,

situación que resulta posible trabajando con cópulas.
En suma, se puede observar que el análisis de cópulas se establece como
una alternativa al estudio simple de correlación puesto que permite desarrollar
un modelaje de la dependencia entre variables aleatorias y sus marginales, sin
asumir una función de distribución, al tiempo que la medición del grado de
asociación puede darse en un ambiente dinámico. El presente trabajo no busca
aportar un caso más a la literatura del análisis de la dirección de causalidad
entre los mercados real y financiero, ante la inconsistencia de los resultados
presentados anteriormente. Son dos los principales objetivos: el primero es
determinar, utilizando la herramienta de cópulas, el grado de dependencia entre
el mercado financiero y el real de la economía mexicana, haciendo hincapié
en el comportamiento de las variables ante la presencia de eventos extremos; el
segundo es identificar qué sucede con dicha relación de dependencia a través
del tiempo. Ambos resultados son de gran interés para la caracterización de la
relación establecida y las consideraciones que tanto los participantes en el sector
financiero como los del gobierno puedan llevar a cabo en periodos de crisis.
Con el fin de alcanzar los objetivos planteados, nuestro trabajo utiliza las
cópulas condicionales para describir la función de distribución bivariada, así
como una relación de dependencia en las colas entre las tasas de rendimiento
en el mercado financiero y las tasas de crecimiento económico. El concepto de
cópula condicional fue presentado por Patton (2001a, 2001b) e incluye, para
cada variable individual, una función de densidad condicional variable en el
tiempo, así como la dependencia condicional entre ellas. En trabajos subse-
cuentes, Patton (2006a, 2006b) desarrolló el modelo de cópula bivariada, que
llamó cópula simétrica Joe-Clayton. Ésta utiliza un estimador de máxima vero-
similitud de periodos múltiples para probar asimetría en la dependencia de las
colas. Para identificar la evolución de las varianzas condicionales se emplea un
modelo generalizado autorregresivo de heterocedasticidad condicional (GARCH,
Generalized Autoregressive Conditional Heteroskedasticity) y con ello se busca capturar
variaciones temporales a la estructura de dependencia presente en cada periodo.
Esta modificación al modelo permite que los parámetros de la cópula varíen a
través del tiempo y que, de esta manera, se pueda encontrar evidencia de cam-
bios en la dependencia durante periodos de eventos extremos.
La metodología con cópulas no condicionales ha sido utilizada anteriormente
por Rodríguez (2007), Okimoto (2008), Johansson (2011), Canela y Pedreira
118 Arturo Lorenzo Valdés y Ricardo Massa Roldán

(2012) y Lorenzo y Massa (2013) para estudiar la relación entre mercados ac-
cionarios y evaluar la presencia de efectos de contagio o dependencia entre
mercados. Sin embargo, no es de nuestro conocimiento la existencia de algún
trabajo donde se analice la relación de dependencia en colas entre el sector
financiero y el crecimiento económico. Por lo que, el presente trabajo, tiene
como finalidad adicional atraer la atención académica hacia el uso de esta he-
rramienta en el contexto de dependencia ante eventos extremos, considerando
dicha dependencia en forma condicional, es decir, subordinada al tiempo. El
artículo está estructurado como sigue: la segunda sección describe el concepto
de cópula, mientras que la metodología utilizada se presenta en la tercera. La
cuarta sección describe los datos y resultados obtenidos. Finalmente, la quinta
sección expone las conclusiones.

C������

Una copula bivariada C(u1,u2) es una función de distribución multivariada acu-

mulada (FDA) para dos variables uniformes sobre el intervalo unitario. El teorema
de Sklar (1959) establece que si tomamos uj = Fj(xj) para j = 1,2 como la FDA
de una variable aleatoria continua univariada Xj, entonces C(F1(x1),F2(x2)) es
una función de distribución bivariada para X(X1,X2) con distribuciones margi-
nales Fj, j = 1,2. Inversamente, si F es una FDA continua bivariada con marginales
univariadas F1,F2, entonces existe una única cópula bivariada C tal que F(x1,x2)
= C(F1(x1),F2(x2)).
Lo anterior permite el estudio de la dependencia de las dos variables a par-
tir de sus distribuciones marginales. Las propiedades de las cópulas han sido
estudiadas por varios autores, de entre los cuales destaca el trabajo de Nelsen
(1999). La primera de ellas es que son invariantes ante transformaciones estricta-
mente positivas de variables aleatorias. La segunda propiedad es la consistencia
entre el cálculo de las medidas de concordancia presente en los parámetros de
las cópulas y medidas de dependencia como la tau de Kendall. Finalmente, la
tercera propiedad consiste en el tratamiento que puede darse a la dependencia
asintótica en las colas.
Dos puntos (x1,x2),(y1,y2) se dice que son concordantes si (x1 – y1)(x2 – y2)
> 0 y discordantes si (x1 – y1)(x2 – y2) < 0. En forma similar, dos vectores
aleatorios (X1,X2),(Y1,Y2) son concordantes si la probabilidad P[(X1 – Y1)(X2
 Mercado accionario y crecimiento económico 119

– Y2) > 0] es mayor que la probabilidad P[(X1 – Y1)(X2 – Y2) < 0]; esto es, si
X1 tiende a crecer con X2, por lo que la concordancia es una relación de depen-
dencia. De igual forma, dos vectores son discordantes si ocurre lo contrario. La
tau de Kendall mide las diferencias en probabilidad por lo que es una medida
de concordancia:

τ(X1,X2) = P[(X1 – Y1)(X2 – Y2) > 0] – P[(X1 – Y1)(X2 – Y2) < 0] [1]

Al trabajar con cópulas se tiene como ventaja la posibilidad de asociarlas con

la tau de Kendall por medio de la siguiente relación:

τ(X1,X2) = 4∫∫C(u1,u2)dC(u1,u2) – 1 [2]

Adicionalmente a la estimación de la tau de Kendall, el presente trabajo busca

evidencia de dependencia asintótica en las colas de la distribución. Es decir, la
medición del comportamiento de las variables aleatorias durante eventos extre-
mos. En concreto, se emplean medidas que indican la probabilidad de que se
observe un incremento (decremento) extremo en los rendimientos del índice
accionario mexicano, dado que hay un incremento (decremento) extremo en la
tasa de crecimiento económico en México. Es así que se definen los coeficientes
de dependencia en colas inferior (τI) y superior (τS) como:

C(α , α )
τ I = lim+ P ( X 2 < F2−1 (α )| X 1 < F1−1 (α )) = lim+
α →0 α →0 α
[3]
1 − 2α + C( α , α )
τS = lim− P ( X 2 > F2−1 (α )| X 1 > F1−1 (α )) = lim−
α →1 α →1 1− α

Existe independencia en las colas si los valores en [3] son cero, dependencia
si los valores están entre cero y uno, y dependencia perfecta si son iguales a
uno. Debido al enfoque que tienen en el comportamiento de las colas, en este
estudio se utilizan las cópulas de Clayton y de Gumbel. En la primera existe el
coeficiente de dependencia en cola inferior pero no el superior. En la cópula de
Gumbel sucede lo opuesto, existe el coeficiente de dependencia en cola superior
pero no existe el inferior. La cópula de Clayton bivariada es determinada por
la siguiente ecuación:
120 Arturo Lorenzo Valdés y Ricardo Massa Roldán

1
C (u1 , u2 ) = (u + u − 1)
−
CL
θ
−θ
1
−θ
2
θ [4]

con θ∈ [–1,∞)\{0}. En este caso τI = 2–1/θ.

Por su parte, la cópula de Gumbel bivariada se define por la siguiente
ecuación:
1
 
CθGU (u1 , u2 ) = exp  − (( − ln(u1 )θ + ( − ln(u2 )θ )θ  [5]
 

con θ ∈ [1,∞). Para este caso τS = 2 – 2–1/θ.

En nuestro estudio seguimos a Patton (2006a) y estimamos las dependencias
en colas condicionales, es decir, dependientes del tiempo y suponiendo que la
dinámica del comportamiento es la siguiente:

τ tI = Λ ( λ 0 I + λ 1I τ tI −1 + λ 2 I u1t −1 − u2 t −1 )
[6]
τSt = Λ ( λ 0S + λ 1S τSt −1 + λ 2S u1t −1 − u2 t −1 )

con Λ siendo la transformación logística utilizada para asegurar que los valores
se mantengan entre cero y uno.

M����������

Para evaluar la dependencia condicional en las colas entre el mercado accionario

y el crecimiento económico de México, se toman los precios de cierre mensual
del Índice de Precios y Cotizaciones (IPC) y el Indicador Global de la Actividad
Económica (IGAE) en el periodo t, Pit, con i el IPC o el IGAE, y se calculan los
rendimientos continuos por periodo:

rit = ln Pit – ln Pit–1 [7]

Estas dos series de datos, de tasas continuas de crecimiento en el mercado

financiero y en la economía, se tomarán como las dos variables a medir su de-
pendencia. El modelo que describe el comportamiento para las distribuciones
marginales es un modelo AR(1)-TGARCH(1,1).
 Mercado accionario y crecimiento económico 121

rit = φi 0 + φi 1rit −1 + eit

eit = σ it ε it [8]
2 2 2
σ = αi0 + α e
it i 1 it −1 + βi σ it −1 + γ i I ( eit −1 < 0)

Las perturbaciones εit se distribuyen como una t de student estandarizada y

se estiman los grados de libertad (ν). El modelo presenta una ecuación para los
rendimientos que, en este caso, se define como un proceso autorregresivo de
orden uno, al depender los rendimientos del periodo de los mismos rendi-
mientos en el periodo anterior, y una ecuación para la varianza (volatilidad al
cuadrado) que sirve para describir la dispersión de los rendimientos continuos
(en logaritmos).
Como se menciona en Tsay (2005), la inclusión de la volatilidad en los
modelos permite describir ciertas características típicas de las series de tiempo
financieras como son: 1) la probabilidad de tener rendimientos extremos su-
periores a los que se tendría si se supone una distribución normal, esto es, la
distribución de probabilidades de los rendimientos presenta colas más anchas
que una distribución normal, conocido como exceso de curtosis; 2) el efecto
apalancamiento cuando existe una correlación negativa entre el rendimiento y la
volatilidad en el sentido de que cuando el rendimiento baja la volatilidad aumenta,
y 3) la relación temporal de la volatilidad que forma clusters, es decir, la volatilidad
en un periodo depende de la volatilidad en periodos anteriores. Para capturar
dichas características, así como la estimación de la ecuación de la volatilidad, se
emplea un modelo TGARCH (Threshold GARCH) introducido por Zakoian (1994)
y Glosten et al. (1993), como una extensión a los modelos ARCH, desarrollados
inicialmente por Engle (1982) y generalizados por Bollerslev (1986).
Finalmente, para la estimación de los parámetros se utilizó la siguiente fun-
ción de verosimilitud en logaritmos:

ln L(θ , θ1 , θ 2 ) =
T
[9]
∑ (ln c( F (ε
t =1
1 1t ; θ1 ), F2 ( ε 2 t ; θ 2 ); θ) + ln f1 ( ε1t ; θ1 ) + ln f2 ( ε 2 t ; θ 2 ))

donde c(F1(ε1t;θ1),F2(ε2t;θ2);θ) es la densidad de la cópula, mientras f1 y f2 son

las densidades de las marginales de los rendimientos de cada variable y {θ,θ1,θ2}
son el conjunto de parámetros.
122 Arturo Lorenzo Valdés y Ricardo Massa Roldán

D���� � ����������

Los datos del estudio consisten en precios de cierre mensuales del IPC y de los
datos mensuales del IGAE de enero de 19931 a junio de 2015. En el cuadro 1 se
presentan los resultados obtenidos en las pruebas de raíz unitaria Dickey-Fuller
Aumentada (DFA) y Phillips-Perron (PP)sobre los precios en logaritmos y sus
diferencias (rendimientos).

Cuadro 1
Prueba DFA y PP para precios en logaritmos (niveles)
y rendimientos (primera diferencia)
Niveles Diferencias
Probabilidad Rezago Probabilidad Rezago
���
��� 0.68540 0 0.00000 0
���� 0.83422 13 0.00009 11
��
��� 0.68540 0 0.00000 0
���� 0.77106 13 0.00000 11
Nota: se muestra la probalidad (p-value) de la prueba, así como el rezago
óptimo considerando el criterio de información de Schwarz.

Se encuentra que las series de tiempo en logaritmos de los precios del IPC y del
IGAE son integradas de orden uno, por lo que podemos trabajar con las dife-
rencias ―en nuestro caso los rendimientos―, validando así que las relaciones
que se estimarán no son espurias.
Se calculan los rendimientos continuos mensuales como en la ecuación [7]
y se presentan las estadísticas descriptivas en el cuadro 2.
La no normalidad de los rendimientos del IPC es confirmada mediante el
estadístico de Jarque-Bera basado en la curtosis y el coeficiente de asimetría.
No se puede rechazar la hipótesis de que la tasa de crecimiento económico
mensual se distribuya como una normal. La correlación positiva es superior a
15%, establece dependencia lineal de los rendimientos del IPC y el IGAE, además
de la confirmación de la concordancia medida por la tau de Kendall. Estas dos
medidas nos indican que durante el periodo de estudio existió una relación
positiva débil entre los rendimientos de ambos indicadores.

1 Fecha a partir de la cual las cifras de la IGAE están disponibles.

 Mercado accionario y crecimiento económico 123

Cuadro 2
Estadísticas descriptivas del rendimiento mensual del ���
y de la tasa de crecimiento económica continua mensual del ����
��� ����
Media 0.01229 0.00219
Desviación estándar 0.07037 0.02905
Coeficiente de asimetría –0.89230 0.06053
Curtosis 6.23601 2.76496
Jarque-Bera 153.06732 0.78344
p-value 0.00000 0.67589
Correlación 0.15906
Tau de Kendall 0.08511

En el cuadro 3 se presentan los resultados de la estimación de la cópula de

Clayton, ecuación [4], y la cópula de Gumbel con los rendimientos de las mar-
ginales, suponiendo un modelo AR(1)-TGARCH(1,1) como en la ecuación [8].
Aparece la estimación de los diferentes parámetros, así como su p-value para la
muestra completa. También se presenta el estimador de los grados de libertad
de la distribución t estandarizada.
El ajuste del modelo se realiza al verificar que los correlogramas de los re-
siduales y de los residuales al cuadrado se comportan como ruido blanco. Esta
condición se cumple en todos los casos. El ajuste para el modelo de Clayton
presenta problemas, en tanto que hay varios parámetros que no son signifi-
cativos y llevan, incluso, a tener signo contrario al esperado, como es el caso
del parámetro γ en el IPC, que mide el efecto apalancamiento. En el caso del
modelo Gumbel, todos los parámetros son estadísticamente significativos. Se
confirma el efecto apalancamiento medido por el parámetro γ para el caso de
los rendimientos del IPC al ser estadísticamente positivo.
Resulta importante señalar que el criterio de información de Akaike y la
medida de verosimilitud (Logl) son muy parecidos para las dos cópulas. No
obstante, como puede verse en el cuadro 3, ambos sugieren que la cópula
Gumbel tiene una mayor bondad de ajuste. Estadísticamente, este resultado
implica que las relaciones de dependencia vinculadas a la cola superior son más
relevantes para explicar la relación de estas variables, que aquellas vinculadas con
la cola inferior. Es decir, cuando la probabilidad de que los rendimientos en el
mercado accionario aumenta debido a un incremento en la tasa de crecimiento
económico, y viceversa.
 124

Cuadro 3
Resultado de las estimaciones de las cópulas Clayton y Gumbel
cuando las marginales siguen un modelo ������
Clayton Gumbel
��� ���� ��� ����

Coeficiente Probabilidad Coeficiente Probabilidad Coeficiente Probabilidad Coeficiente Probabilidad

φ0 0.01120 0.00180 0.00184 0.23774 0.01198 0.00000 0.00324 0.00000
φ1 0.04709 0.046221 –0.42623 0.00000 0.03859 0.00237 –0.46147 0.00000
α0 0.00011 0.24426 0.00039 0.00008 0.00016 0.00000 0.00043 0.00000
α1 0.13547 0.12621 0.06263 0.53362 0.16064 0.00000 0.08242 0.00100
γ –0.01354 0.88479 0.83961 0.07335 0.03976 0.01173 0.69124 0.00000
β 0.84477 0.00000 0.09034 0.38524 0.82388 0.00000 0.14129 0.00000
ν 15.31420 0.1323 37.6361 0.8448 11.1568 0.00000 20.0032 0.00000
Arturo Lorenzo Valdés y Ricardo Massa Roldán

λ0S –3.26794 0.00000

λ1S 5.32520 0.00000
λ2S 2.04940 0.00000
λ0I –5.72408 0.00568
λ1I 7.01034 0.00014
λ2I 5.98095 0.05170
Log1 976.60 976.88
Akaike –7.18800 –7.19012
Nota: se muestra el estimador y el p-value para los parámetros de la ecuación de la media (panel superior), ecuación de la volatilidad
(segundo panel), grados de libertad (ν) y parámetros de la dependencia condicional.
 Mercado accionario y crecimiento económico 125

Los parámetros de las ecuaciones de las medidas de dependencia en colas infe-

rior τI (Clayton) y superior τS (Gumbel) también están presentes en el cuadro
3 y son utilizados para obtener las series de dependencia que se presentan en
la gráfica 1.

Gráfica 1
Coeficientes de dependencia condicional de colas inferior τI
y superior τS para el modelo ������

0.8 �S

0.6

0.4

0.2

0
1993M02 1998M09 2004M04 2009M11 2015M06

1 �I

0.8
0.6
0.4
0.2
0
1993M02 1998M09 2004M04 2009M11 2015M06

En la gráfica 1 se muestra que durante el periodo de estudio la probabilidad de

que ocurra un incremento en los rendimientos del IPC ―dado que hay un incre-
mento en la tasa de crecimiento económico (dependencia condicional superior)
― es muy volátil, pasando de 5% el 12 de diciembre de 1999 a 74% en febrero de
2007 y con una media de 24%. Los periodos en los que la probabilidad de que
ambos rendimientos suban son justamente antes de las crisis de 1994 y 2008.
Como se puede observar en la gráfica que describe la evolución de la depen-
dencia condicional superior, se presenta una tendencia positiva a partir de la
segunda mitad de 1993, que termina en 1995, para cambiar a una tendencia a
la baja hasta 1996. A partir de esa etapa, se presenta un comportamiento pro-
126 Arturo Lorenzo Valdés y Ricardo Massa Roldán

medio del 15%. De manera similar, se observa una tendencia a la alza a partir
del 2005 que termina durante el 2008 para convertirse en una decreciente hasta
el 2009, periodo a partir del cual muestra una probabilidad promedio de 18 y 10
por ciento para el 2010. Es decir, en momentos posteriores a las crisis, la ten-
dencia de que exista la probabilidad de un aumento en crecimiento económico
debido a que hubo un aumento en el IPC (o viceversa), va en decremento.
Por otro lado, la probabilidad de que se observe un decremento en los ren-
dimientos del IPC, en tanto que hay un decremento en la tasa de crecimiento
económico (dependencia condicional inferior), es aún más volátil, pasando de
0.3 a 88 por ciento y con una media de 10%. Es decir, los picos de probabilidad
son más importantes en comparación con la dependencia condicional superior.
En el cuadro inferior de la gráfica 1 se puede advertir que, durante los periodos
previos a las crisis, existe una probabilidad alta de que un mercado baje cuando
el otro baja, misma que, durante las crisis y en periodos posteriores, comienza a
disminuir. El ejemplo más notorio de este efecto se da a partir de inicios de la
crisis del 2008. Para el caso de la crisis de 1994, este comportamiento se pre-
senta en menor proporción.
El hecho de que tanto para la dependencia condicional superior como para
la inferior se muestre un resultado similar, nos lleva a inferir que existía una
dependencia entre el mercado financiero y el mercado real mexicano. Más aún,
esta dependencia se vuelve más fuerte en periodos previos a las crisis de 1994 y
del 2008. En periodos posteriores a ambas crisis, la dependencia se debilitó.

C�����������

Las investigaciones realizadas sobre la relación entre el mercado financiero y el

crecimiento económico se enfocan en dos aspectos: la dirección de causalidad y
una relación de equilibrio o de largo plazo. Se puede observar que los estudios
son abundantes pero no concluyentes para determinar si el sistema financiero
es un factor que impulsa el crecimiento económico, o si, por el contrario, el
crecimiento económico influye en el desarrollo del mercado financiero o, si bien,
existe una determinación de manera simultánea. De igual forma, la existencia de
una relación de largo plazo entre dichas variables no queda probada de manera
consistente. Típicamente, las herramientas utilizadas para estos propósitos son
la prueba de causalidad en sentido Granger y el análisis de cointegración a partir
de la metodología propuesta por Johansen. Gran parte de la aplicación de estas
 Mercado accionario y crecimiento económico 127

herramientas, así como el cálculo de correlación invariante en el tiempo, asu-

men una distribución normal gaussiana bivariada por lo que están enfocadas en
encontrar evidencias sobre la media o varianza de las variables. No obstante, al
utilizar este supuesto, se impide que la herramienta capte características propias
de las series de tiempo financieras, específicamente la dependencia asimétrica. El
presente trabajo se planteó dos objetivos: determinar el grado de dependencia
condicional en colas entre el sector financiero y real de la economía mexicana,
así como observar los cambios que sufre dicha relación de dependencia durante
el periodo de enero de 1993 a junio del 2015.
El análisis de las series de tiempo de rendimientos mensuales del IPC, como
era de esperarse, no cumple el criterio de normalidad, pero se ajusta a los hechos
estilizados de las series de tiempo financieras. Por su parte, el análisis realizado a
la serie de tiempo mensual de las tasas de crecimiento del IGAE no rechaza nor-
malidad. Aunado a ello, ambas series se ajustan adecuadamente a los modelos de
volatilidad condicional, estimados conjuntamente, por medio de la herramienta
de cópulas utilizando un modelo TGARCH para el tratamiento de las marginales.
Nuestros resultados sugieren que los rendimientos en el mercado accionario
mexicano mantienen una relación de dependencia con la tasa de crecimiento
económico, pero esa relación no es uniforme en el tiempo. Existen momentos
en los que ésta se fortalece y momentos en los que es menos intensa. Se debe
destacar que la relación entre ambas series es más fuerte cuando se presenta un
incremento en las tasas de crecimiento, que cuando se presenta un decremento.
Lo anterior se justifica con la obtención de un mejor ajuste en el modelo Gum-
bel (dependencia en colas superiores) en comparación con el modelo Clayton
(dependencia en colas inferiores). Una posible interpretación de este resultado
es que durante periodos de expansión económica el sector financiero tiende a
incorporar dicha dinámica para ampliar sus ganancias a través del flujo de capi-
tal excedente que pudiera generarse como resultado del crecimiento del sector
real de la economía. En sentido contrario, en presencia de periodos de expansión
del sector financiero, la economía real tiende a apoyarse en él para aumentar
elementos como el consumo y la inversión en capital productivo.
Por último, se estimaron parámetros para observar el comportamiento de
dependencia condicional en colas (inferior y superior). La evidencia encontrada
en nuestro estudio sugiere que el comportamiento del mercado accionario está
relacionado con el crecimiento económico y que existe una dependencia entre
ellos que es más fuerte en momentos cercanos a crisis, cuando la probabilidad
128 Arturo Lorenzo Valdés y Ricardo Massa Roldán

de que los rendimientos en el mercado accionario aumenten (disminuyan)

debido a un incremento (decremento) en la tasa de crecimiento económico, y
viceversa. Posterior a las etapas de crisis, esta relación se debilita, lo que nos
permite inferir que los mercados realizan ajustes sin considerar, en la misma
medida que antes, el desempeño del otro. Sugerimos ―sin comprobar por el
momento― que una posible explicación a este resultado puede darse por la
presencia de un efecto de “aislamiento” entre los agentes de ambos sectores
en periodos posteriores a las crisis. Ante la incertidumbre generada por estas,
cada sector tratará de disminuir la dependencia con factores exógenos a ellos,
por lo que se buscará una recuperación desde el interior del mismo, tratando de
alejarse de las decisiones, planteamientos o políticas adoptadas por el otro. Con
base en nuestros resultados, consideramos que un elemento fundamental para
ampliar este estudio y ayudar tanto al diseño y ejecución de la política económica
del país como al desarrollo de los mercados financieros es definir los factores
endógenos que determinan en qué momento es más fuerte la relación entre
ambos mercados, así como buscar en qué dirección se encuentra la relación; es
decir, si el crecimiento económico afecta el mercado financiero o el mercado
financiero determina el crecimiento económico, o ambas.

R����������

Atje, R. y Jovanovic, B., 1993. Stock markets and development. European Economic
Review, 37, pp. 632-640.
Bollerslev, T., 1986. Generalized autoregressive conditional heteroskedasticity.
Journal of Econometrics, 31(3), pp. 307-327.
Brugger, S. y Ortiz, E., 2012. Mercados accionarios y su relación con la economía
real en América Latina. Problemas del Desarrollo: Revista Latinoamericana de
Economía, 43(168), pp. 63-93.
Canela, M. y Pedreira, E., 2012. Modeling dependence in Latin American
markets using copula functions. Journal of Emerging Market Finance, 11(3),
pp. 231-270.
Caporale, G., Howells, P. y Soliman, A., 2004. Stock market development and
economic growth: A casual linkage. Journal of Economic Development, 29, pp.
33-50.
Choi, J., Hauser, S. y Kopecky, K., 1999. Does the stock market predict real
activity? Time series evidence from the G-7 countries. Journal of Banking and
Finance, 23, pp. 1771-1792.
 Mercado accionario y crecimiento económico 129

Chollete, L., Heinen, A. y Valdesogo, A., 2009. Modeling international finan-

cial returns with a multivariate regime switching copula. Journal of Financial
Econometrics, 7(4), pp. 437-480.
Cortés Villafradez, R.A. y Hernández Luna, Y., 2014. Impacto del desarrollo
del sistema financiero en el crecimiento económico en países emergentes
durante el periodo 2001-2011. Equidad & Desarrollo, (22), pp. 99-120.
Demirgüç-Kunt, A. y Levine, R., 1996. Stock market, corporate finance and
economic growth: An overview. The World Bank Economic Review, 10(2), pp.
223-239.
Demirgüç-Kunt, A. y Levine, R., 2001. Financial Structure and Economic Growth:
A Cross-Country Comparison of Banks, Markets, and Development. Cambridge,
MA: The MIT Press.
Embrechts, P., McNeil, A. y Straumann, D., 2002. Correlation and dependence
in risk management: Properties and pitfalls. En: M.A.H. Dempster (ed.).
Risk Management: Value at Risk and Beyond (pp. 176-223). Cambridge, MA:
Cambridge University Press.
Engle, R.F., 1982. Autoregressive conditional heteroscedasticity with estimates of
the variance of United Kingdom inflation. Econometrica, 50(4), pp. 987-1007.
Fama, E., 1990. Stock returns, expected returns, and real activity. Journal of
Finance, 45, pp. 1089-1108.
Glosten, L.R., Jagannathan, R. y Runkle, D., 1993. On the Relation between
the expected value and the volatility of the normal excess return on stocks.
Journal of Finance, 48(5), pp. 1779-1801.
Goldsmith, R., 1969. Financial Structure and Development. New Haven, CT: Yale
University Press.
Granger, C., 1969. Investigating causal relations by econometric models and
cross-spectral methods. Econometrica, 37, pp. 424-438.
Granger, C., 1980. Testing for causality: A personal viewpoint. Journal of Economic
Dynamics and Control, 2, pp. 329-352.
Granger, C., 1988. Some recent developments in a concept of causality. Journal
of Econometrics, 39, pp. 199–211.
Guha, S., y Mukherjee, J., 2008. Does stock market development cause economic
growth? A Time series analysis for Indian economy. International Research
Journal of Finance and Economics, 21, pp. 142-149.
Johansen, S., 1988. Statistical and hypothesis testing of cointegration vectors.
Journal of Economic Dynamics and Control, 12, pp. 231-254.
130 Arturo Lorenzo Valdés y Ricardo Massa Roldán

Johansen, S., 1991. Estimation and hypothesis testing of cointegration in Gauss-

ian vector autoregressive models. Econometrica, 59(6) pp. 1551-1580.
Johansen, S., 1995. Likehood-Based Inference in Cointegrated Autoregressive Models.
Oxford, Oxford University Press.
Johansson, A., 2011. Financial markets in East Asia and Europe during the
global financial crisis. The World Economy, 34(7), pp. 1088-1105.
King, R. y Levine, R., 1993a. Finance and growth: Schumpeter might be right.
Quarterly Journal of Economics, 108, pp. 717-738.
King, R. y Levine, R., 1993b. Finance, entrepreneurship, and growth: Theory
and evidence. Journal of Monetary Economics 32, pp. 513-542.
Lee, B., 1992, Causal relations among stock returns, interest rates, real activity
and inflation. Journal of Finance, 47, pp. 1591-1603.
Levine, R. y Zervos, S., 1998. Stock markets, banks, and economic growth.
American Economic Review, 88(3), pp. 537-558.
Levine, R., Loayza, N. y Beck, T., 2000. Financial intermediation and growth:
Causality and causes. Journal of Monetary Economics, 46(1), pp. 31-77.
López, F. y Rodríguez, D., 2010. ¿El desarrollo del mercado accionario genera
crecimiento económico en México? Un análisis de series de tiempo. Economía:
Teoría y práctica, 32, pp. 33-54.
Lorenzo, A. y Massa, R., 2013. Measuring dependence in financial crisis: A
copula approach for Mexico and Brazil. Economía Mexicana Nueva Época,
22(2) pp. 341-355.
Mauro, P., 2003. Stock returns and output growth in emerging and advanced
economies. Journal of Development Economics, 71(1) pp. 129-153.
McKinnon, R., 1973. Money and Capital in Economic Development. Washington,
DC: The Brookings Institution.
Nelsen, R., 1999. An Introduction to Copulas. Nueva York: Springer-Verlag.
Okimoto, T., 2008. New evidence of asymmetric dependence structures in
international equity markets. Journal of Financial and Quantitative Analysis,
43(3), pp. 787-815.
Ortiz, E., Cabello, A. y De Jesús, R., 2007. The role of Mexico’s stock exchange
in economic growth. The Journal of Economic Asymmetries, 4(2), pp. 1-26.
Patton, A., 2001a. Modeling time-varying exchange rate dependence using the
conditional copula [Working Paper]. University of California, San Diego,
California.
Patton, A., 2001b. Estimation of copula models for time series of possible differ-
ent lengths [Working Paper]. University of California, San Diego, California.
 Mercado accionario y crecimiento económico 131

Patton, A., 2006a. Modeling asymmetric exchange rate dependence. International

Economic Review, 47(2), pp. 527-555.
Patton, A., 2006b. Estimation of multivariate models for time series of possibly
different lengths. Journal of Applied Econometrics, 21(2), pp. 143-173.
Rodríguez, J., 2007. Measuring financial contagion: A copula approach. Journal
of Empirical Finance, 14(3), pp. 401-423.
Rodríguez, D. y López, F., 2009. Desarrollo financiero y crecimiento económico
en México. Problemas del Desarrollo: Revista Latinoamericana de Economía, 40(159),
pp. 39-60.
Ruiz, A., 2004. Mercados financieros y crecimiento económico en América
Latina: un análisis econométrico. Análisis Económico, 19(40), pp. 141-165.
Schumpeter, J., 1911. The Theory of Economic Development. Cambridge, MA:
Harvard University Press.
Schwert, G., 1990. Stock returns and real activity: A century of evidence. Journal
of Finance, 45, pp. 1237-1254.
Shaw, E., 1973. Financial Deepening in Economic Development. Nueva York: Oxford
University Press.
Sklar, A., 1959. Fonctions de repartition à n dimensions e leurs marges. Publica-
tions de l’Institut de Statistique de l’Université de Paris, 8, pp. 229-231.
Tinoco Zermeño, M.A., Torres Preciado, V.H. y Venegas Martínez, F., 2008.
Deregulation, Financial Development and Economic Growth in Mexico:
Long-Term Effects and Causality. Social Secience Research Network. Disponible
en: <http://ssrn.com/abstract=1010525>.
Toda, H. y Yamamoto, T., 1995. Statistical inference in vector autoregressions
with possibly integrated processes. Journal of Econometrics, 66, pp. 225-250.
Tsay, R., 2005. Analysis of Financial Time Series. 2a edición. Hoboken, NJ: Wiley-
Interscience.
Zakoian, J.M., 1994. Threshold heteroskedastic models. Journal of Economic
Dynamics and Control, 18(5), pp. 931-955.