El IBC como Cobertura contra Inflación y Devaluación en Venezuela

Análisis Empírico del Período 2022-2025 con Diferencias Logarítmicas

Introducción y Marco Conceptual

En contextos económicos caracterizados por alta inflación y volatilidad cambiaria, los inversionistas buscan activos que puedan preservar su poder adquisitivo. Este estudio examina si el Índice Bursátil de Caracas (IBC) ha funcionado como una cobertura efectiva contra la inflación y la devaluación monetaria en Venezuela durante el período 2022-2025.

La teoría financiera, específicamente el efecto Fisher, sugiere que los activos financieros deben ajustarse proporcionalmente a los cambios en el nivel general de precios. Esta relación se puede expresar como una elasticidad, donde el coeficiente indica qué porcentaje cambia el activo por cada 1% de cambio en los precios.

Marco Teórico: El Efecto Fisher

El efecto Fisher postula que en equilibrio, las tasas de interés nominales (y por extensión, los precios de los activos financieros) se ajustan para reflejar las expectativas de inflación. En su formulación moderna para mercados de capitales, esto se expresa como:

\[\Delta \ln(P_t) = \alpha + \beta \cdot \Delta \ln(I_t) + \varepsilon_t\]

donde:
- \(P_t\) es el precio del activo financiero (IBC)
- \(I_t\) es el índice de precios (INPC)
- \(\beta\) es la elasticidad de Fisher, que mide la respuesta proporcional del activo ante cambios en los precios.

Si \(\beta = 1\), el activo proporciona una cobertura perfecta contra la inflación. Si \(\beta > 1\), proporciona una cobertura superior. Si \(0 < \beta < 1\), proporciona cobertura parcial.

Justificación del Enfoque Dinámico

Mientras que el análisis estático proporciona una visión general del período completo, el análisis dinámico mediante ventanas móviles revela cómo la efectividad de cobertura evoluciona temporalmente. Este enfoque es crucial para identificar períodos de mayor o menor eficiencia del instrumento financiero.

Metodología

Modelos Econométricos Empleados

El análisis se basa en modelos de regresión lineal que relacionan las variaciones logarítmicas del IBC con las de las variables explicativas:

Modelo Base: Δln(IBC) = α + β·Δln(Variable) + ε

Donde: - Δln representa la variación logarítmica (variación porcentual) - β es el coeficiente de elasticidad de interés - α es la constante del modelo - ε es el término de error

Variables Analizadas

El estudio examina tres relaciones fundamentales:

• Elasticidad respecto a la Inflación (INPC): Mide la capacidad del IBC para actuar como cobertura inflacionaria. Una elasticidad cercana a 1.0 indicaría que el IBC mantiene el poder adquisitivo real del inversionista.
• Elasticidad respecto al Tipo de Cambio Oficial: Evalúa la sensibilidad del IBC ante movimientos en la paridad oficial, relevante para inversionistas con exposición cambiaria.
• Elasticidad respecto al Tipo de Cambio Paralelo: Considera el impacto del mercado cambiario informal, particularmente importante en contextos de restricciones cambiarias.

Objetivos de la Investigación

Este análisis busca responder tres preguntas fundamentales:

1. ¿Cuál es la elasticidad del IBC respecto a la inflación y es estadísticamente significativa?
2. ¿Cómo responde el IBC proporcionalmente a los cambios en los tipos de cambio oficial y paralelo?
3. ¿Habría sido efectivo invertir en el IBC como estrategia de preservación de capital durante este período?

Metodología y Preparación de Datos

library(dplyr)
library(ggplot2)
library(lubridate)
library(corrplot)
library(broom)
library(knitr)
library(gridExtra)
library(gt)
library(scales)
library(purrr)
library(tibble)
library(tidyr)
options(scipen = 999)

Carga de Datos

df_IBC <- read.csv("df_IBC.csv")
INFLA  <- read.csv("INFLA.csv")
TC     <- read.csv("TC.csv")

df_IBC$fecha <- as.Date(df_IBC$fecha)
INFLA$fecha  <- as.Date(INFLA$fecha)
TC$fecha     <- as.Date(TC$fecha)

Procesamiento de Datos

Transformación Logarítmica

datos_completos <- df_IBC %>%
  left_join(INFLA, by = "fecha") %>%
  left_join(TC, by = "fecha") %>%
  arrange(fecha) %>%
  na.omit()

datos_analisis <- datos_completos %>%
  mutate(
    ln_ibc = log(Indice_Bursatil),
    ln_inpc = log(INPC),
    ln_tc_oficial = log(Oficial),
    ln_tc_paralelo = log(Paralelo),
    delta_ln_ibc = ln_ibc - lag(ln_ibc),
    delta_ln_inpc = ln_inpc - lag(ln_inpc),
    delta_ln_tc_oficial = ln_tc_oficial - lag(ln_tc_oficial),
    delta_ln_tc_paralelo = ln_tc_paralelo - lag(ln_tc_paralelo),
    cambio_ibc_pct = (Indice_Bursatil / lag(Indice_Bursatil) - 1) * 100,
    inflacion_mensual_pct = (INPC / lag(INPC) - 1) * 100,
    ibc_real = Indice_Bursatil / (INPC / first(INPC)),
    ibc_usd_oficial = Indice_Bursatil / Oficial,
    ibc_usd_paralelo = Indice_Bursatil / Paralelo,
    ibc_acumulado = (Indice_Bursatil / first(Indice_Bursatil)) * 100,
    inflacion_acumulada = (INPC / first(INPC)) * 100,
    devaluacion_oficial_acum = (Oficial / first(Oficial)) * 100,
    devaluacion_paralelo_acum = (Paralelo / first(Paralelo)) * 100,
    año = year(fecha),
    periodo = as.character(year(fecha))
  ) %>%
  slice(-1)

Nota Metodológica Importante

Las diferencias logarítmicas tienen una interpretación directa como tasas de crecimiento continuas. Para cambios pequeños, \(\Delta \ln(X) \approx \frac{\Delta X}{X}\), pero para cambios grandes (como los observados en Venezuela), la diferencia logarítmica es más precisa y permite una interpretación de elasticidad válida.

Análisis de Elasticidades del IBC

Elasticidad Respecto a la Inflación

modelo_elasticidad_inflacion <- lm(delta_ln_ibc ~ delta_ln_inpc, data = datos_analisis)
elasticidad_inflacion <- coef(modelo_elasticidad_inflacion)[2]
r_cuadrado_inflacion <- summary(modelo_elasticidad_inflacion)$r.squared
p_valor_inflacion <- summary(modelo_elasticidad_inflacion)$coefficients[2,4]

interpretacion_elasticidad <- case_when(
  elasticidad_inflacion >= 1 ~ "cobertura perfecta o superior",
  elasticidad_inflacion > 0 ~ "cobertura parcial",
  TRUE ~ "no proporciona cobertura"
)

tidy(modelo_elasticidad_inflacion) %>%
  mutate(
    term = case_when(
      term == "(Intercept)" ~ "Intercepto (α)",
      term == "delta_ln_inpc" ~ "Elasticidad Inflación (β)",
      TRUE ~ term
    )
  ) %>%
  gt() %>%
  tab_header(
    title = "Elasticidad del IBC Respecto a la Inflación",
    subtitle = "Modelo: Δln(IBC) = α + β·Δln(INPC) + ε"
  ) %>%
  fmt_number(columns = c(estimate, std.error, statistic), decimals = 4) %>%
  fmt_scientific(columns = p.value, decimals = 3) %>%
  cols_label(
    term = "Parámetro",
    estimate = "Coeficiente",
    std.error = "Error Estándar",
    statistic = "Estadístico t",
    p.value = "Valor p"
  ) %>%
  tab_footnote(
    footnote = "β representa la elasticidad: % de cambio en IBC por cada 1% de cambio en INPC"
  )

Elasticidad del IBC Respecto a la Inflación
Modelo: Δln(IBC) = α + β·Δln(INPC) + ε
Parámetro	Coeficiente	Error Estándar	Estadístico t	Valor p
Intercepto (α)	0.0559	0.0264	2.1182	4.094 × 10−2
Elasticidad Inflación (β)	0.5521	0.2252	2.4513	1.908 × 10−2
β representa la elasticidad: % de cambio en IBC por cada 1% de cambio en INPC

Interpretación de la Elasticidad:
El coeficiente β = 0.5521 indica que por cada 1% de aumento en los precios (INPC), el IBC cambia en promedio 0.5521%. Esto sugiere que el IBC proporciona cobertura parcial contra la inflación. El R² de 0.1397 indica que 14% de la variabilidad en el IBC se explica por cambios en los precios.

Elasticidades Respecto a Devaluación

modelo_elasticidad_oficial <- lm(delta_ln_ibc ~ delta_ln_tc_oficial, data = datos_analisis)
modelo_elasticidad_paralelo <- lm(delta_ln_ibc ~ delta_ln_tc_paralelo, data = datos_analisis)

resultados_devaluacion <- bind_rows(
  tidy(modelo_elasticidad_oficial) %>% mutate(modelo = "Oficial"),
  tidy(modelo_elasticidad_paralelo) %>% mutate(modelo = "Paralelo")
) %>%
  filter(term != "(Intercept)") %>%
  select(modelo, estimate, std.error, p.value) %>%
  gt() %>%
  tab_header(
    title = "Elasticidades del IBC Respecto a Tipos de Cambio",
    subtitle = "Modelos: Δln(IBC) = α + β·Δln(TC) + ε"
  ) %>%
  fmt_number(columns = c(estimate, std.error), decimals = 4) %>%
  fmt_scientific(columns = p.value, decimals = 3) %>%
  cols_label(
    modelo = "Tipo de Cambio",
    estimate = "Elasticidad (β)",
    std.error = "Error Estándar",
    p.value = "Valor p"
  ) %>%
  tab_footnote(
    footnote = "β representa la elasticidad: % de cambio en IBC por cada 1% de devaluación"
  )
resultados_devaluacion

Elasticidades del IBC Respecto a Tipos de Cambio
Modelos: Δln(IBC) = α + β·Δln(TC) + ε
Tipo de Cambio	Elasticidad (β)	Error Estándar	Valor p
Oficial	0.7443	0.1607	4.398 × 10−5
Paralelo	0.8723	0.1369	1.987 × 10−7
β representa la elasticidad: % de cambio en IBC por cada 1% de devaluación

Ventanas Móviles (Análisis Dinámico)

# Parámetro: tamaño de la ventana en meses
ventana_meses <- 6

# Creamos un data.frame para almacenar resultados dinámicos
elasticidades_dinamicas <- tibble()
fechas_unicas <- unique(datos_analisis$fecha)

for (i in seq_along(fechas_unicas)) {
  fecha_final <- fechas_unicas[i]
  fecha_inicial <- fecha_final %m-% months(ventana_meses-1)
  datos_ventana <- datos_analisis %>%
    filter(fecha >= fecha_inicial & fecha <= fecha_final)
  if (nrow(datos_ventana) >= 4) {
    # Estimamos elasticidades en la ventana
    modelo_inflacion <- lm(delta_ln_ibc ~ delta_ln_inpc, data = datos_ventana)
    modelo_tc_oficial <- lm(delta_ln_ibc ~ delta_ln_tc_oficial, data = datos_ventana)
    modelo_tc_paralelo <- lm(delta_ln_ibc ~ delta_ln_tc_paralelo, data = datos_ventana)
    elasticidades_dinamicas <- bind_rows(
      elasticidades_dinamicas,
      tibble(
        fecha = fecha_final,
        elasticidad_inflacion = coef(modelo_inflacion)[2],
        elasticidad_tc_oficial = coef(modelo_tc_oficial)[2],
        elasticidad_tc_paralelo = coef(modelo_tc_paralelo)[2]
      )
    )
  }
}

Gráfico: Evolución Temporal de Elasticidades

grafico_elasticidades_temporales <- elasticidades_dinamicas %>%
  select(fecha, elasticidad_inflacion, elasticidad_tc_oficial, elasticidad_tc_paralelo) %>%
  pivot_longer(cols = -fecha, names_to = "variable", values_to = "elasticidad") %>%
  mutate(
    variable = case_when(
      variable == "elasticidad_inflacion" ~ "Inflación",
      variable == "elasticidad_tc_oficial" ~ "TC Oficial",
      variable == "elasticidad_tc_paralelo" ~ "TC Paralelo"
    )
  ) %>%
  ggplot(aes(x = fecha, y = elasticidad, color = variable)) +
  geom_hline(yintercept = 1, linetype = "dashed", color = "gray40", alpha = 0.8) +
  geom_hline(yintercept = 0, linetype = "solid", color = "gray60", alpha = 0.6) +
  geom_line(aes(group = variable), alpha = 0.7, size = 0.8) +
  geom_smooth(aes(group = variable), method = "loess", se = TRUE, alpha = 0.2, size = 1.2) +
  scale_color_manual(values = c("Inflación" = "#2E86AB", "TC Oficial" = "#A23B72", "TC Paralelo" = "#F18F01")) +
  scale_x_date(date_labels = "%Y-%m", date_breaks = "4 months") +
  labs(
    title = "Evolución Temporal de Elasticidades del IBC",
    subtitle = paste("Ventanas móviles de", ventana_meses, "meses | Línea punteada: cobertura perfecta (β=1)"),
    x = "Período",
    y = "Elasticidad (β)",
    color = "Variable",
    caption = "Interpretación: β > 1 indica sobrecobertura; β = 1 cobertura perfecta; β < 1 cobertura parcial"
  ) +
  theme_minimal() +
  theme(
    plot.title = element_text(size = 14, face = "bold"),
    axis.text.x = element_text(angle = 45, hjust = 1),
    legend.position = "bottom",
    panel.grid.minor = element_blank()
  ) +
  annotate("text", x = min(elasticidades_dinamicas$fecha) + lubridate::days(60), y = 1.1,
           label = "β = 1: Cobertura Perfecta", size = 3, color = "gray40")

print(grafico_elasticidades_temporales)

Modelo Multivariable de Elasticidades

modelo_elasticidad_completo <- lm(delta_ln_ibc ~ delta_ln_inpc + delta_ln_tc_oficial + delta_ln_tc_paralelo, 
                                  data = datos_analisis)
r_cuadrado_completo <- summary(modelo_elasticidad_completo)$r.squared

tidy(modelo_elasticidad_completo) %>%
  filter(term != "(Intercept)") %>%
  mutate(
    term = case_when(
      term == "delta_ln_inpc" ~ "Elasticidad Inflación (β₁)",
      term == "delta_ln_tc_oficial" ~ "Elasticidad TC Oficial (β₂)",
      term == "delta_ln_tc_paralelo" ~ "Elasticidad TC Paralelo (β₃)",
      TRUE ~ term
    )
  ) %>%
  gt() %>%
  tab_header(
    title = "Modelo Multivariable de Elasticidades del IBC",
    subtitle = "Efectos simultáneos de inflación y devaluación"
  ) %>%
  fmt_number(columns = c(estimate, std.error, statistic), decimals = 4) %>%
  fmt_scientific(columns = p.value, decimals = 3) %>%
  cols_label(
    term = "Parámetro",
    estimate = "Elasticidad",
    std.error = "Error Estándar",
    statistic = "Estadístico t",
    p.value = "Valor p"
  ) %>%
  tab_footnote(
    footnote = "Cada elasticidad representa el % de cambio en IBC por cada 1% de cambio en la variable explicativa, manteniendo las demás constantes"
  )

Modelo Multivariable de Elasticidades del IBC
Efectos simultáneos de inflación y devaluación
Parámetro	Elasticidad	Error Estándar	Estadístico t	Valor p
Elasticidad Inflación (β₁)	−0.0178	0.2364	−0.0752	9.405 × 10−1
Elasticidad TC Oficial (β₂)	0.0334	0.3011	0.1111	9.122 × 10−1
Elasticidad TC Paralelo (β₃)	0.8526	0.2538	3.3590	1.899 × 10−3
Cada elasticidad representa el % de cambio en IBC por cada 1% de cambio en la variable explicativa, manteniendo las demás constantes

Comparación: Elasticidades vs. Sensibilidades

modelo_sensibilidad <- lm(cambio_ibc_pct ~ inflacion_mensual_pct, data = datos_analisis)

comparacion_modelos <- bind_rows(
  tidy(modelo_elasticidad_inflacion) %>% 
    filter(term != "(Intercept)") %>%
    mutate(modelo = "Elasticidad (log-log)", 
           interpretacion = "% cambio IBC por 1% cambio INPC"),
  tidy(modelo_sensibilidad) %>% 
    filter(term != "(Intercept)") %>%
    mutate(modelo = "Sensibilidad (nivel-nivel)",
           interpretacion = "Puntos porcentuales cambio IBC por 1pp inflación")
) %>%
  select(modelo, estimate, std.error, p.value, interpretacion) %>%
  gt() %>%
  tab_header(
    title = "Comparación de Enfoques Metodológicos",
    subtitle = "Elasticidad vs. Sensibilidad del IBC ante Inflación"
  ) %>%
  fmt_number(columns = c(estimate, std.error), decimals = 4) %>%
  fmt_scientific(columns = p.value, decimals = 3) %>%
  cols_label(
    modelo = "Enfoque",
    estimate = "Coeficiente",
    std.error = "Error Estándar",
    p.value = "Valor p",
    interpretacion = "Interpretación"
  )
comparacion_modelos

Comparación de Enfoques Metodológicos
Elasticidad vs. Sensibilidad del IBC ante Inflación
Enfoque	Coeficiente	Error Estándar	Valor p	Interpretación
Elasticidad (log-log)	0.5521	0.2252	1.908 × 10−2	% cambio IBC por 1% cambio INPC
Sensibilidad (nivel-nivel)	0.5474	0.2292	2.217 × 10−2	Puntos porcentuales cambio IBC por 1pp inflación

Análisis de Correlaciones en Diferencias Logarítmicas

variables_correlacion <- datos_analisis %>%
  select(delta_ln_ibc, delta_ln_inpc, delta_ln_tc_oficial, delta_ln_tc_paralelo) %>%
  na.omit()

colnames(variables_correlacion) <- c("Δln(IBC)", "Δln(INPC)", "Δln(TC Oficial)", "Δln(TC Paralelo)")

matriz_correlacion <- cor(variables_correlacion)

corrplot(matriz_correlacion, 
         method = "color", 
         type = "upper",
         addCoef.col = "black",
         tl.col = "black",
         tl.srt = 45,
         title = "Matriz de Correlaciones entre Diferencias Logarítmicas",
         mar = c(0,0,2,0))

matriz_correlacion %>%
  as.data.frame() %>%
  rownames_to_column("Variable") %>%
  gt() %>%
  tab_header(title = "Matriz de Correlaciones Detallada") %>%
  fmt_number(columns = -Variable, decimals = 4)

Matriz de Correlaciones Detallada
Variable	Δln(IBC)	Δln(INPC)	Δln(TC Oficial)	Δln(TC Paralelo)
Δln(IBC)	1.0000	0.3738	0.6057	0.7232
Δln(INPC)	0.3738	1.0000	0.6795	0.5197
Δln(TC Oficial)	0.6057	0.6795	1.0000	0.8299
Δln(TC Paralelo)	0.7232	0.5197	0.8299	1.0000

Simulación de Estrategias de Inversión

inversion_inicial <- 1000

resultados_inversion <- datos_analisis %>%
  mutate(
    valor_ibc = inversion_inicial * (ibc_acumulado / 100),
    valor_efectivo = inversion_inicial,
    valor_efectivo_real = inversion_inicial / (inflacion_acumulada / 100),
    valor_usd_oficial = inversion_inicial / first(Oficial) * Oficial,
    valor_usd_paralelo = inversion_inicial / first(Paralelo) * Paralelo,
    poder_adquisitivo_ibc = valor_ibc / (inflacion_acumulada / 100),
    poder_adquisitivo_efectivo = valor_efectivo_real,
    poder_adquisitivo_usd_oficial = valor_usd_oficial / (inflacion_acumulada / 100),
    poder_adquisitivo_usd_paralelo = valor_usd_paralelo / (inflacion_acumulada / 100)
  )

resultado_final <- resultados_inversion %>%
  slice_tail(n = 1)

data.frame(
  Estrategia = c("IBC", "Efectivo", "USD Oficial", "USD Paralelo"),
  Valor_Final_Bs = c(resultado_final$valor_ibc,
                     resultado_final$valor_efectivo,
                     resultado_final$valor_usd_oficial,
                     resultado_final$valor_usd_paralelo),
  Poder_Adquisitivo_Real = c(resultado_final$poder_adquisitivo_ibc,
                             resultado_final$poder_adquisitivo_efectivo,
                             resultado_final$poder_adquisitivo_usd_oficial,
                             resultado_final$poder_adquisitivo_usd_paralelo),
  Rendimiento_Real = c((resultado_final$poder_adquisitivo_ibc / inversion_inicial - 1) * 100,
                       (resultado_final$poder_adquisitivo_efectivo / inversion_inicial - 1) * 100,
                       (resultado_final$poder_adquisitivo_usd_oficial / inversion_inicial - 1) * 100,
                       (resultado_final$poder_adquisitivo_usd_paralelo / inversion_inicial - 1) * 100)
) %>%
  gt() %>%
  tab_header(
    title = "Comparación de Estrategias de Inversión",
    subtitle = paste("Inversión inicial: 1,000 Bs (enero 2022) - Resultados al",
                     format(resultado_final$fecha, "%B %Y"))
  ) %>%
  fmt_number(
    columns = c(Valor_Final_Bs, Poder_Adquisitivo_Real),
    decimals = 0,
    pattern = "Bs {x}"
  ) %>%
  fmt_number(columns = Rendimiento_Real, decimals = 1, pattern = "{x}%") %>%
  cols_label(
    Estrategia = "Estrategia",
    Valor_Final_Bs = "Valor Final",
    Poder_Adquisitivo_Real = "Poder Adquisitivo Real (Base 2022)",
    Rendimiento_Real = "Rendimiento Real"
  ) %>%
  data_color(
    columns = Rendimiento_Real,
    colors = scales::col_numeric(
      palette = c("red", "white", "green"),
      domain = NULL
    )
  )

Comparación de Estrategias de Inversión
Inversión inicial: 1,000 Bs (enero 2022) - Resultados al May 2025
Estrategia	Valor Final	Poder Adquisitivo Real (Base 2022)	Rendimiento Real
IBC	Bs 54,847	Bs 2,019	101.9%
Efectivo	Bs 1,000	Bs 37	−96.3%
USD Oficial	Bs 22,596	Bs 832	−16.8%
USD Paralelo	Bs 25,557	Bs 941	−5.9%

Visualizaciones del Análisis

Relación IBC-Inflación en Diferencias Logarítmicas

grafico_elasticidad <- ggplot(datos_analisis, aes(x = delta_ln_inpc, y = delta_ln_ibc)) +
  geom_point(alpha = 0.6, color = "#2E86AB", size = 2) +
  geom_smooth(method = "lm", se = TRUE, color = "#C73E1D", fill = "#C73E1D", alpha = 0.2) +
  labs(
    title = "Elasticidad del IBC Respecto a la Inflación",
    subtitle = paste("Elasticidad estimada:", round(elasticidad_inflacion, 4)),
    x = "Δln(INPC) - Tasa de crecimiento de precios",
    y = "Δln(IBC) - Tasa de crecimiento del índice bursátil",
    caption = "La línea roja representa la elasticidad estimada con intervalo de confianza del 95%"
  ) +
  theme_minimal() +
  theme(
    plot.title = element_text(size = 14, face = "bold"),
    plot.subtitle = element_text(size = 12),
    axis.title = element_text(size = 11)
  )
print(grafico_elasticidad)

Evolución del Poder Adquisitivo

grafico_poder_adquisitivo <- ggplot(resultados_inversion, aes(x = fecha)) +
  geom_line(aes(y = poder_adquisitivo_ibc, color = "IBC"), size = 1.2) +
  geom_line(aes(y = poder_adquisitivo_efectivo, color = "Efectivo"), size = 1.2) +
  geom_line(aes(y = poder_adquisitivo_usd_oficial, color = "USD Oficial"), size = 1.2) +
  geom_line(aes(y = poder_adquisitivo_usd_paralelo, color = "USD Paralelo"), size = 1.2) +
  geom_hline(yintercept = inversion_inicial, linetype = "dashed", alpha = 0.7, color = "gray50") +
  annotate("text", x = min(resultados_inversion$fecha), y = inversion_inicial + 50,
           label = "Inversión inicial", hjust = 0, color = "gray50") +
  scale_color_manual(
    values = c("IBC" = "#2E86AB", "Efectivo" = "#A23B72",
               "USD Oficial" = "#F18F01", "USD Paralelo" = "#C73E1D")
  ) +
  scale_y_continuous(labels = scales::comma_format()) +
  labs(
    title = "Evolución del Poder Adquisitivo Real por Estrategia",
    subtitle = "Inversión inicial: 1,000 Bs (enero 2022)",
    x = "Fecha",
    y = "Poder Adquisitivo (Bs constantes enero 2022)",
    color = "Estrategia",
    caption = "Fuente: Elaboración propia basada en datos del IBC, INPC y tipos de cambio"
  ) +
  theme_minimal() +
  theme(
    legend.position = "bottom",
    plot.title = element_text(size = 14, face = "bold"),
    plot.subtitle = element_text(size = 12),
    axis.title = element_text(size = 11)
  )
print(grafico_poder_adquisitivo)

Conclusiones

El análisis integral de elasticidades del IBC revela un instrumento financiero con capacidad de cobertura limitada e inconsistente. Mientras que proporciona algún grado de protección contra inflación y devaluación en promedio, su efectividad varía considerablemente a lo largo del tiempo.

La metodología de análisis dinámico demuestra ser superior al enfoque estático tradicional, ya que revela patrones temporales críticos que no son visibles en promedios de largo plazo. Esta variabilidad temporal constituye un factor de riesgo adicional que debe ser considerado en decisiones de inversión y estrategias de cobertura.