DELL
Carlos Alberto Álvarez Díaz
30/11/2019
Dell Technologies Inc.
Dell es una empresa estadounidense, cuyos productos y servicios son requeridos por clientes de todo el mundo para construir sus infraestructuras de TI e internet. Mediante su modelo de negocio directo, Dell diseña, fabrica y adapta productos y servicios según las necesidades del cliente y ofrece una amplia gama de software y periféricos. Los servicios incluyen un rango de servicios configurables de tecnología de información y relacionados con los negocios, entre ellos tecnología de infraestructura, consultoría y aplicaciones, además de servicios de procesos empresariales. Dell brinda servicios al sector público, pymes y grandes empresas. La empresa realiza operaciones a nivel mundial y administra sus negocios en tres zonas geográficas: América; Europa, Medio Oriente y África (EMEA); y Asia Pacífico-Japón (APJ). La región América, con sede en Round Rock, Texas, comprende EEUU, Canadá y Latinoamérica.
La corporación creció durante los 70 y los 90 para convertirse durante varios años en el vendedor de PC y servidores más grande del mundo. En 2008 ocupó el segundo lugar, después de Hewlett-Packard Company HP.[1]
Comportamiento del precio de cierre DELL: 1 de enero 2016 al 22 de noviembre de 2019
Fuente: elaboración propia con datos de Yahoo Finance
En la gráfica de precios de cierre se observa que la emisora “DELL” comienza con un precio de acción muy bajo, sin embargo, con el transcurso del tiempo se ha mostrado una tendencia alcista, con caidas severas pero de rápida recuperación, llegando a su precio máximo en 69.65 el 21 de mayo de 2019 y su minimo en este mismo año de 42.62 unidades.
El comportamiento que tuvo la emisora en el mes de mayo lo poedemos fundamentar con la siguiente noticia: Una de las joyas de la corona de EMC era VMware, una empresa especializada en software de realidad virtual y a través de la que Dell ha articulado su regreso a los mercados.
Dell financió la adquisición de EMC a través de emisión de nuevas acciones, deuda, efectivo y aportaciones de liquidez por parte de Michael Dell, Silver Lake, la firma de inversión MSD Partners y el fondo soberano de Singapur a través de Temasek. Para financiar la fusión, se creó la sociedad DVMT, que emitió acciones de seguimiento referenciadas a VMware. Dell controla el 82% de VMware (el 50% a través de DVMT), mientras que el resto cotiza en Bolsa.
Dell garantizará su regreso a Wall Street y evitará el coste de una oferta pública de venta tradicional comprando los títulos de la sociedad DVMT en metálico y acciones por valor de 23.900 millones de dólares. La operación implica el pago de 120 dólares, tras incrementarse la oferta inicial de 109 dólares, y se financiará con un dividendo extraordinario de 11.000 millones de dólares procedente de VMware.[2]
La volatilidad es un indicador que permite al inversor saber si se encuentra ante una acción que registra movimientos bruscos en su cotización. Por lo que, a continuación se grafica la serie de la emisora “Dell” en rendimientos para conocer y evaluar su volatilidad. 
En el gráfico en rendimientos de la emisora “DELL”, se observa que en los primeros años presenta una varianza constante, sin embargo, en el año 2019 se aprecia un clúster de volatilidad, debido a una caída del 16,1% en los ingresos de servidores y redes.
La compañía fue testigo de la sólida adopción de Dell Technologies Cloud con victorias de clientes en los sectores de logística, transporte, finanzas, comunicaciones y venta minorista. Además, los pedidos de VxRail aumentaron un 82% año tras año. Durante el trimestre, la compañía anunció la disponibilidad de la infraestructura autónoma Dell EMC PowerOne.
Los ingresos comerciales crecieron 9.4% año tras año a $ 8.33 mil millones. En particular, la compañía fue testigo del crecimiento de unidades de dos dígitos y de ingresos en computadoras de escritorio y estaciones de trabajo comerciales.
No obstante, los ingresos del consumidor disminuyeron un 6,4% a $ 3.08 mil millones.[3]
Autocorrelacion de los rendimientos al cuadrado ACF y PACF
En los gráficos de autocorrelación de los rendimientos al cuadrado se aprecia que en el (ACF) los momentos no están correlacionados, por otra parte en la función de autocorrelación parcial se aprecia que el cuarto rezago sale de las bandas de confianza, por lo que se podría decir que ese momento presenta correlación.
Modelo Autoarima
Se utiliza la función auto.arima para generar el Modelo que mejor se ajuste a la serie de la emisora “Dell”.
Series: DELL
ARIMA(0,1,1)
Coefficients:
ma1
0.1012
s.e. 0.0355
sigma^2 estimated as 0.9258: log likelihood=-1134.2
AIC=2272.4 AICc=2272.42 BIC=2281.83Prueba ARCH
Para detectar la presencia de efectos ARCH existen varias maneras: una, es utilizar los estadísticos tradicionales de Ljung-Box en los correlogramas de los residuos de la ecuación de la media y de los residuos al cuadrado.Por lo que se aplicará dicha prueba al Autoarima que proyecta la función de r.
Hipótesis:
Ho:Los residuales al cuadrado del ARIMA son homocedasticos
Hi:Los residuales al cuadrado del ARIMA no son homocedasticos
Criterio de desición:
Si p.value mayor a 0.05 no se rechaza Ho
Si p.value menor a 0.05 se rechaza Ho
Box-Ljung test
data: fit1$residuals^2
X-squared = 9.1597, df = 30, p-value = 0.9999Al aplicar la prueba Ljung-Box, se concluye que los residuales al cuadrado son homocedasticos, debido a que el valor p es mayor a 0.05.
MODELOS ARCH
Engle (1982) propuso el modelo ARCH, que significa modelo auto regresivo condicionalmente heterocedástico y a continuación se utilizará para modelar la volatilidad de la serie.
ARCH (1)
*---------------------------------*
* GARCH Model Fit *
*---------------------------------*
Conditional Variance Dynamics
-----------------------------------
GARCH Model : sGARCH(1,0)
Mean Model : ARFIMA(0,0,0)
Distribution : norm
Optimal Parameters
------------------------------------
Estimate Std. Error t value Pr(>|t|)
omega 0.000323 0.000018 17.6163 0.000000
alpha1 0.160356 0.046261 3.4663 0.000528
Robust Standard Errors:
Estimate Std. Error t value Pr(>|t|)
omega 0.000323 0.000078 4.1287 0.000036
alpha1 0.160356 0.066369 2.4161 0.015687
LogLikelihood : 2090.103
Information Criteria
------------------------------------
Akaike -5.0805
Bayes -5.0691
Shibata -5.0806
Hannan-Quinn -5.0761
Weighted Ljung-Box Test on Standardized Residuals
------------------------------------
statistic p-value
Lag[1] 3.439 0.06369
Lag[2*(p+q)+(p+q)-1][2] 3.471 0.10466
Lag[4*(p+q)+(p+q)-1][5] 5.022 0.15132
d.o.f=0
H0 : No serial correlation
Weighted Ljung-Box Test on Standardized Squared Residuals
------------------------------------
statistic p-value
Lag[1] 0.01176 0.9136
Lag[2*(p+q)+(p+q)-1][2] 0.01631 0.9839
Lag[4*(p+q)+(p+q)-1][5] 1.61178 0.7124
d.o.f=1
Weighted ARCH LM Tests
------------------------------------
Statistic Shape Scale P-Value
ARCH Lag[2] 0.009056 0.500 2.000 0.9242
ARCH Lag[4] 1.900741 1.397 1.611 0.4623
ARCH Lag[6] 2.695260 2.222 1.500 0.5306
Nyblom stability test
------------------------------------
Joint Statistic: 0.6006
Individual Statistics:
omega 0.5671
alpha1 0.1669
Asymptotic Critical Values (10% 5% 1%)
Joint Statistic: 0.61 0.749 1.07
Individual Statistic: 0.35 0.47 0.75
Sign Bias Test
------------------------------------
t-value prob sig
Sign Bias 1.1303 0.2587
Negative Sign Bias 0.3579 0.7205
Positive Sign Bias 0.2688 0.7881
Joint Effect 1.4057 0.7042
Adjusted Pearson Goodness-of-Fit Test:
------------------------------------
group statistic p-value(g-1)
1 20 177.1 1.138e-27
2 30 189.5 1.755e-25
3 40 194.4 1.576e-22
4 50 213.0 2.458e-22
Elapsed time : 0.166132 ARCH (2)
*---------------------------------*
* GARCH Model Fit *
*---------------------------------*
Conditional Variance Dynamics
-----------------------------------
GARCH Model : sGARCH(2,0)
Mean Model : ARFIMA(0,0,0)
Distribution : norm
Optimal Parameters
------------------------------------
Estimate Std. Error t value Pr(>|t|)
omega 0.000323 0.000019 17.087869 0.000000
alpha1 0.160350 0.047358 3.385929 0.000709
alpha2 0.000000 0.023531 0.000001 0.999999
Robust Standard Errors:
Estimate Std. Error t value Pr(>|t|)
omega 0.000323 0.000082 3.955307 0.000076
alpha1 0.160350 0.066582 2.408306 0.016027
alpha2 0.000000 0.027017 0.000001 0.999999
LogLikelihood : 2090.094
Information Criteria
------------------------------------
Akaike -5.0781
Bayes -5.0609
Shibata -5.0781
Hannan-Quinn -5.0715
Weighted Ljung-Box Test on Standardized Residuals
------------------------------------
statistic p-value
Lag[1] 3.442 0.06356
Lag[2*(p+q)+(p+q)-1][2] 3.473 0.10451
Lag[4*(p+q)+(p+q)-1][5] 5.023 0.15128
d.o.f=0
H0 : No serial correlation
Weighted Ljung-Box Test on Standardized Squared Residuals
------------------------------------
statistic p-value
Lag[1] 0.01169 0.9139
Lag[2*(p+q)+(p+q)-1][5] 1.61214 0.7123
Lag[4*(p+q)+(p+q)-1][9] 2.76431 0.7972
d.o.f=2
Weighted ARCH LM Tests
------------------------------------
Statistic Shape Scale P-Value
ARCH Lag[3] 0.1964 0.500 2.000 0.6576
ARCH Lag[5] 3.1918 1.440 1.667 0.2632
ARCH Lag[7] 3.4961 2.315 1.543 0.4251
Nyblom stability test
------------------------------------
Joint Statistic: 0.7189
Individual Statistics:
omega 0.5670
alpha1 0.1670
alpha2 0.2003
Asymptotic Critical Values (10% 5% 1%)
Joint Statistic: 0.846 1.01 1.35
Individual Statistic: 0.35 0.47 0.75
Sign Bias Test
------------------------------------
t-value prob sig
Sign Bias 1.1294 0.2591
Negative Sign Bias 0.3574 0.7209
Positive Sign Bias 0.2689 0.7881
Joint Effect 1.4034 0.7047
Adjusted Pearson Goodness-of-Fit Test:
------------------------------------
group statistic p-value(g-1)
1 20 177.1 1.138e-27
2 30 189.8 1.500e-25
3 40 194.4 1.640e-22
4 50 212.8 2.704e-22
Elapsed time : 0.2991722 ARCH (3)
*---------------------------------*
* GARCH Model Fit *
*---------------------------------*
Conditional Variance Dynamics
-----------------------------------
GARCH Model : sGARCH(3,0)
Mean Model : ARFIMA(0,0,0)
Distribution : norm
Optimal Parameters
------------------------------------
Estimate Std. Error t value Pr(>|t|)
omega 0.000308 0.000021 14.599375 0.000000
alpha1 0.146025 0.043880 3.327841 0.000875
alpha2 0.000000 0.020669 0.000004 0.999997
alpha3 0.059315 0.050169 1.182302 0.237086
Robust Standard Errors:
Estimate Std. Error t value Pr(>|t|)
omega 0.000308 0.000101 3.052571 0.002269
alpha1 0.146025 0.062875 2.322475 0.020207
alpha2 0.000000 0.020021 0.000004 0.999996
alpha3 0.059315 0.114925 0.516122 0.605769
LogLikelihood : 2091.923
Information Criteria
------------------------------------
Akaike -5.0801
Bayes -5.0572
Shibata -5.0802
Hannan-Quinn -5.0713
Weighted Ljung-Box Test on Standardized Residuals
------------------------------------
statistic p-value
Lag[1] 3.564 0.05905
Lag[2*(p+q)+(p+q)-1][2] 3.599 0.09668
Lag[4*(p+q)+(p+q)-1][5] 5.273 0.13267
d.o.f=0
H0 : No serial correlation
Weighted Ljung-Box Test on Standardized Squared Residuals
------------------------------------
statistic p-value
Lag[1] 0.00871 0.9256
Lag[2*(p+q)+(p+q)-1][8] 2.58456 0.7609
Lag[4*(p+q)+(p+q)-1][14] 3.49548 0.9233
d.o.f=3
Weighted ARCH LM Tests
------------------------------------
Statistic Shape Scale P-Value
ARCH Lag[4] 3.728 0.500 2.000 0.05352
ARCH Lag[6] 4.055 1.461 1.711 0.18312
ARCH Lag[8] 4.138 2.368 1.583 0.35550
Nyblom stability test
------------------------------------
Joint Statistic: 0.7879
Individual Statistics:
omega 0.5256
alpha1 0.1329
alpha2 0.2175
alpha3 0.1765
Asymptotic Critical Values (10% 5% 1%)
Joint Statistic: 1.07 1.24 1.6
Individual Statistic: 0.35 0.47 0.75
Sign Bias Test
------------------------------------
t-value prob sig
Sign Bias 1.0845 0.2785
Negative Sign Bias 0.3139 0.7537
Positive Sign Bias 0.2147 0.8301
Joint Effect 1.3443 0.7186
Adjusted Pearson Goodness-of-Fit Test:
------------------------------------
group statistic p-value(g-1)
1 20 183.7 5.662e-29
2 30 197.1 6.661e-27
3 40 207.4 7.915e-25
4 50 228.6 5.263e-25
Elapsed time : 0.252944 ARCH (4)
*---------------------------------*
* GARCH Model Fit *
*---------------------------------*
Conditional Variance Dynamics
-----------------------------------
GARCH Model : sGARCH(4,0)
Mean Model : ARFIMA(0,0,0)
Distribution : norm
Optimal Parameters
------------------------------------
Estimate Std. Error t value Pr(>|t|)
omega 0.000299 0.000021 14.211571 0.000000
alpha1 0.131708 0.040187 3.277406 0.001048
alpha2 0.000000 0.019115 0.000005 0.999996
alpha3 0.069133 0.054418 1.270408 0.203939
alpha4 0.018506 0.012826 1.442874 0.149056
Robust Standard Errors:
Estimate Std. Error t value Pr(>|t|)
omega 0.000299 0.000100 2.998722 0.002711
alpha1 0.131708 0.060755 2.167843 0.030171
alpha2 0.000000 0.017612 0.000005 0.999996
alpha3 0.069133 0.127496 0.542236 0.587656
alpha4 0.018506 0.009319 1.985894 0.047045
LogLikelihood : 2095.313
Information Criteria
------------------------------------
Akaike -5.0859
Bayes -5.0573
Shibata -5.0860
Hannan-Quinn -5.0749
Weighted Ljung-Box Test on Standardized Residuals
------------------------------------
statistic p-value
Lag[1] 3.887 0.04865
Lag[2*(p+q)+(p+q)-1][2] 3.983 0.07618
Lag[4*(p+q)+(p+q)-1][5] 4.823 0.16780
d.o.f=0
H0 : No serial correlation
Weighted Ljung-Box Test on Standardized Squared Residuals
------------------------------------
statistic p-value
Lag[1] 0.005117 0.9430
Lag[2*(p+q)+(p+q)-1][11] 0.474399 0.9998
Lag[4*(p+q)+(p+q)-1][19] 0.959948 1.0000
d.o.f=4
Weighted ARCH LM Tests
------------------------------------
Statistic Shape Scale P-Value
ARCH Lag[5] 0.3484 0.500 2.000 0.5550
ARCH Lag[7] 0.4827 1.473 1.746 0.9018
ARCH Lag[9] 0.5236 2.402 1.619 0.9823
Nyblom stability test
------------------------------------
Joint Statistic: 0.832
Individual Statistics:
omega 0.49868
alpha1 0.09787
alpha2 0.20031
alpha3 0.17493
alpha4 0.16884
Asymptotic Critical Values (10% 5% 1%)
Joint Statistic: 1.28 1.47 1.88
Individual Statistic: 0.35 0.47 0.75
Sign Bias Test
------------------------------------
t-value prob sig
Sign Bias 1.082 0.2797
Negative Sign Bias 0.271 0.7865
Positive Sign Bias 0.153 0.8785
Joint Effect 1.424 0.6999
Adjusted Pearson Goodness-of-Fit Test:
------------------------------------
group statistic p-value(g-1)
1 20 178.4 6.279e-28
2 30 196.0 1.069e-26
3 40 208.0 6.223e-25
4 50 233.5 7.537e-26
Elapsed time : 0.2482071 MODELOS GARCH
Los GARCH son modelos generalizados auto regresivos condicionalmente heterocedásticos,introducidos por Bollerslev (1991).
GARCH (1,1)
*---------------------------------*
* GARCH Model Fit *
*---------------------------------*
Conditional Variance Dynamics
-----------------------------------
GARCH Model : sGARCH(1,1)
Mean Model : ARFIMA(0,0,0)
Distribution : norm
Optimal Parameters
------------------------------------
Estimate Std. Error t value Pr(>|t|)
omega 0.000098 0.000028 3.5427 0.000396
alpha1 0.104156 0.032111 3.2436 0.001180
beta1 0.645590 0.086527 7.4612 0.000000
Robust Standard Errors:
Estimate Std. Error t value Pr(>|t|)
omega 0.000098 0.000087 1.1236 0.261177
alpha1 0.104156 0.050867 2.0476 0.040598
beta1 0.645590 0.183469 3.5188 0.000434
LogLikelihood : 2095.452
Information Criteria
------------------------------------
Akaike -5.0911
Bayes -5.0739
Shibata -5.0912
Hannan-Quinn -5.0845
Weighted Ljung-Box Test on Standardized Residuals
------------------------------------
statistic p-value
Lag[1] 4.594 0.03208
Lag[2*(p+q)+(p+q)-1][2] 4.654 0.05035
Lag[4*(p+q)+(p+q)-1][5] 5.470 0.11957
d.o.f=0
H0 : No serial correlation
Weighted Ljung-Box Test on Standardized Squared Residuals
------------------------------------
statistic p-value
Lag[1] 0.0002402 0.9876
Lag[2*(p+q)+(p+q)-1][5] 0.0869497 0.9986
Lag[4*(p+q)+(p+q)-1][9] 0.1959465 0.9999
d.o.f=2
Weighted ARCH LM Tests
------------------------------------
Statistic Shape Scale P-Value
ARCH Lag[3] 0.003699 0.500 2.000 0.9515
ARCH Lag[5] 0.096011 1.440 1.667 0.9876
ARCH Lag[7] 0.160716 2.315 1.543 0.9982
Nyblom stability test
------------------------------------
Joint Statistic: 0.9493
Individual Statistics:
omega 0.4254
alpha1 0.2879
beta1 0.4911
Asymptotic Critical Values (10% 5% 1%)
Joint Statistic: 0.846 1.01 1.35
Individual Statistic: 0.35 0.47 0.75
Sign Bias Test
------------------------------------
t-value prob sig
Sign Bias 1.1299 0.2589
Negative Sign Bias 0.2564 0.7977
Positive Sign Bias 0.1632 0.8704
Joint Effect 1.5708 0.6660
Adjusted Pearson Goodness-of-Fit Test:
------------------------------------
group statistic p-value(g-1)
1 20 177.3 1.042e-27
2 30 193.5 3.119e-26
3 40 209.4 3.408e-25
4 50 212.4 3.118e-22
Elapsed time : 0.2580671 GARCH (1,2)
*---------------------------------*
* GARCH Model Fit *
*---------------------------------*
Conditional Variance Dynamics
-----------------------------------
GARCH Model : sGARCH(1,2)
Mean Model : ARFIMA(0,0,0)
Distribution : norm
Optimal Parameters
------------------------------------
Estimate Std. Error t value Pr(>|t|)
omega 0.000119 0.000026 4.5319 0.000006
alpha1 0.134014 0.035322 3.7940 0.000148
beta1 0.054063 0.045319 1.1929 0.232889
beta2 0.506048 0.088398 5.7247 0.000000
Robust Standard Errors:
Estimate Std. Error t value Pr(>|t|)
omega 0.000119 0.000077 1.53463 0.124874
alpha1 0.134014 0.057210 2.34247 0.019156
beta1 0.054063 0.073351 0.73704 0.461099
beta2 0.506048 0.181263 2.79179 0.005242
LogLikelihood : 2098.77
Information Criteria
------------------------------------
Akaike -5.0968
Bayes -5.0738
Shibata -5.0968
Hannan-Quinn -5.0880
Weighted Ljung-Box Test on Standardized Residuals
------------------------------------
statistic p-value
Lag[1] 3.720 0.05376
Lag[2*(p+q)+(p+q)-1][2] 3.762 0.08735
Lag[4*(p+q)+(p+q)-1][5] 4.940 0.15794
d.o.f=0
H0 : No serial correlation
Weighted Ljung-Box Test on Standardized Squared Residuals
------------------------------------
statistic p-value
Lag[1] 0.006505 0.9357
Lag[2*(p+q)+(p+q)-1][8] 0.600272 0.9937
Lag[4*(p+q)+(p+q)-1][14] 0.851605 0.9998
d.o.f=3
Weighted ARCH LM Tests
------------------------------------
Statistic Shape Scale P-Value
ARCH Lag[4] 0.8249 0.500 2.000 0.3638
ARCH Lag[6] 0.8523 1.461 1.711 0.7905
ARCH Lag[8] 0.9521 2.368 1.583 0.9313
Nyblom stability test
------------------------------------
Joint Statistic: 0.9085
Individual Statistics:
omega 0.3658
alpha1 0.3967
beta1 0.4370
beta2 0.4404
Asymptotic Critical Values (10% 5% 1%)
Joint Statistic: 1.07 1.24 1.6
Individual Statistic: 0.35 0.47 0.75
Sign Bias Test
------------------------------------
t-value prob sig
Sign Bias 1.1632 0.2451
Negative Sign Bias 0.3513 0.7255
Positive Sign Bias 0.1005 0.9200
Joint Effect 1.6810 0.6412
Adjusted Pearson Goodness-of-Fit Test:
------------------------------------
group statistic p-value(g-1)
1 20 174.5 3.736e-27
2 30 205.3 1.863e-28
3 40 204.2 2.964e-24
4 50 212.2 3.429e-22
Elapsed time : 0.3111861 GARCH (2,1)
*---------------------------------*
* GARCH Model Fit *
*---------------------------------*
Conditional Variance Dynamics
-----------------------------------
GARCH Model : sGARCH(2,1)
Mean Model : ARFIMA(0,0,0)
Distribution : norm
Optimal Parameters
------------------------------------
Estimate Std. Error t value Pr(>|t|)
omega 0.000098 0.000038 2.5445 0.010942
alpha1 0.104144 0.035418 2.9404 0.003278
alpha2 0.000000 0.074545 0.0000 1.000000
beta1 0.645800 0.144663 4.4642 0.000008
Robust Standard Errors:
Estimate Std. Error t value Pr(>|t|)
omega 0.000098 0.000076 1.2846 0.198948
alpha1 0.104144 0.053964 1.9299 0.053624
alpha2 0.000000 0.159369 0.0000 1.000000
beta1 0.645800 0.240031 2.6905 0.007135
LogLikelihood : 2095.441
Information Criteria
------------------------------------
Akaike -5.0887
Bayes -5.0657
Shibata -5.0887
Hannan-Quinn -5.0799
Weighted Ljung-Box Test on Standardized Residuals
------------------------------------
statistic p-value
Lag[1] 4.591 0.03215
Lag[2*(p+q)+(p+q)-1][2] 4.649 0.05049
Lag[4*(p+q)+(p+q)-1][5] 5.463 0.11999
d.o.f=0
H0 : No serial correlation
Weighted Ljung-Box Test on Standardized Squared Residuals
------------------------------------
statistic p-value
Lag[1] 0.0002313 0.9879
Lag[2*(p+q)+(p+q)-1][8] 0.1703295 0.9999
Lag[4*(p+q)+(p+q)-1][14] 0.3441368 1.0000
d.o.f=3
Weighted ARCH LM Tests
------------------------------------
Statistic Shape Scale P-Value
ARCH Lag[4] 0.02917 0.500 2.000 0.8644
ARCH Lag[6] 0.13058 1.461 1.711 0.9828
ARCH Lag[8] 0.22990 2.368 1.583 0.9968
Nyblom stability test
------------------------------------
Joint Statistic: 1.2392
Individual Statistics:
omega 0.4253
alpha1 0.2884
alpha2 0.4409
beta1 0.4910
Asymptotic Critical Values (10% 5% 1%)
Joint Statistic: 1.07 1.24 1.6
Individual Statistic: 0.35 0.47 0.75
Sign Bias Test
------------------------------------
t-value prob sig
Sign Bias 1.1301 0.2588
Negative Sign Bias 0.2562 0.7979
Positive Sign Bias 0.1635 0.8701
Joint Effect 1.5713 0.6659
Adjusted Pearson Goodness-of-Fit Test:
------------------------------------
group statistic p-value(g-1)
1 20 177.1 1.164e-27
2 30 193.5 3.023e-26
3 40 209.2 3.693e-25
4 50 212.8 2.704e-22
Elapsed time : 0.304085 GARCH (2,2)
*---------------------------------*
* GARCH Model Fit *
*---------------------------------*
Conditional Variance Dynamics
-----------------------------------
GARCH Model : sGARCH(2,2)
Mean Model : ARFIMA(0,0,0)
Distribution : norm
Optimal Parameters
------------------------------------
Estimate Std. Error t value Pr(>|t|)
omega 0.000122 0.000026 4.652746 0.000003
alpha1 0.128666 0.033809 3.805704 0.000141
alpha2 0.015692 0.030382 0.516474 0.605524
beta1 0.000000 0.134535 0.000001 1.000000
beta2 0.541518 0.049261 10.992893 0.000000
Robust Standard Errors:
Estimate Std. Error t value Pr(>|t|)
omega 0.000122 0.000091 1.33861 0.180697
alpha1 0.128666 0.066142 1.94528 0.051741
alpha2 0.015692 0.058757 0.26706 0.789422
beta1 0.000000 0.218459 0.00000 1.000000
beta2 0.541518 0.091961 5.88858 0.000000
LogLikelihood : 2099.012
Information Criteria
------------------------------------
Akaike -5.0949
Bayes -5.0663
Shibata -5.0950
Hannan-Quinn -5.0839
Weighted Ljung-Box Test on Standardized Residuals
------------------------------------
statistic p-value
Lag[1] 3.870 0.04916
Lag[2*(p+q)+(p+q)-1][2] 3.903 0.08004
Lag[4*(p+q)+(p+q)-1][5] 5.036 0.15027
d.o.f=0
H0 : No serial correlation
Weighted Ljung-Box Test on Standardized Squared Residuals
------------------------------------
statistic p-value
Lag[1] 0.004963 0.9438
Lag[2*(p+q)+(p+q)-1][11] 0.638549 0.9994
Lag[4*(p+q)+(p+q)-1][19] 0.868616 1.0000
d.o.f=4
Weighted ARCH LM Tests
------------------------------------
Statistic Shape Scale P-Value
ARCH Lag[5] 0.02563 0.500 2.000 0.8728
ARCH Lag[7] 0.10859 1.473 1.746 0.9876
ARCH Lag[9] 0.16957 2.402 1.619 0.9986
Nyblom stability test
------------------------------------
Joint Statistic: 2.246
Individual Statistics:
omega 0.3614
alpha1 0.3538
alpha2 0.2368
beta1 0.4454
beta2 0.4354
Asymptotic Critical Values (10% 5% 1%)
Joint Statistic: 1.28 1.47 1.88
Individual Statistic: 0.35 0.47 0.75
Sign Bias Test
------------------------------------
t-value prob sig
Sign Bias 1.16373 0.2449
Negative Sign Bias 0.33922 0.7345
Positive Sign Bias 0.09973 0.9206
Joint Effect 1.69184 0.6387
Adjusted Pearson Goodness-of-Fit Test:
------------------------------------
group statistic p-value(g-1)
1 20 175.2 2.686e-27
2 30 207.3 7.653e-29
3 40 205.0 2.153e-24
4 50 218.3 3.158e-23
Elapsed time : 0.363214 Resultados de los Modelos ARCH-GARCH
Analizando los resultados derivados de la estimación de diferentes Modelos ARCH-GARCH, se obtiene que los dos mejores modelos son ARCH(2) Y ARCH(3), ya que son los que presentan un menor criterio de AIC.
Tabla 2
Analizando la tabla 1 y 2 se observar lo siguiente:
El Modelo ARCH(2) cumple con las condiciones de los modelos ARCH, debido a que sus parámetros no son negativos y la sumatoria de estos es menor a 1, ademas el criterio de akaike del presente modelo es el más pequeño de todos por lo que podemos decir que este modelo es el que más se ajusta a la serie.
El Modelo ARCH(3) de igual forma cumple con las condiciones de los modelos ARCH, sus parámetros no son negativos y su sumatoria es menor a 1, su criterio de akaike es de los más pequeños
En el gráfico de varianza condicional, se puede visualizar que el modelo ARCH identifica el comportamiento de la serie en el periodo de mayor volatilidad, sin embargo, aunque resulto ser el mejor modelo, no logra captar el comportamiento de toda la serie.
En el gráfico anterior se puede apreciar que el modelo ARCH(3), no capta del toda la volatilidad, debido a que en el modelo se aprecian periodos en los que pareciera que la varianza es cero, sin embargo, no es así.
Conclusión
Existen varios factores que pueden influir directamente en la volatilidad de una empresa. En este caso la compañia DELL al ser una empresa tecnológica está susceptible de sufrir grandes variaciones en el mercado bursátil, debido a las innovaciones que se generan en el mercado por la amplia competencia.
El desarrollo y la innovación tecnológica, son un factor fundamental para esta empresa, ya que conlleva a que este en constante actualización para mantener el posicionamiento de sus productos y servicios, de lo contrario podría tener pérdidas significativas en el precio de sus acciones, lo cual podría terminar por retirarla del mercado bursátil, como a sucedido con otras empresas que no logran acoplarse a dichos cambios e innovaciones.
Al analizar la volatilidad que presenta la emisora “Dell”, existen dos recomendaciones: a corto plazo se recomienda vender la acción, debido a que una tendencia a la baja, en cambio, a largo plazo es recomendable comprar la acción, porque al observar el compartamiento de su precio de cierre se aprecia que aunque tenga caidas en su precio, la recuperación es rápida y satisfactoria. Sin embargo, para ambos casos se debe contemplar que si hay un lanzamiento de un nuevo producto tecnológico, la tendencia de la serie puede cambiar drasticamente, presentando clústers de volatilidad.
Cabe señalar que los datos para este análisis se tomaron a partir de enero de 2016, debido a que la emisora no cotizo en años anteriores.
Referencias
[1] https://www.bnamericas.com/es/perfil-empresa/dell-inc
[2] http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S0121-47722008000100011
[3] https://finance.yahoo.com/news/dell-technologies-dell-q3-earnings-144302649.html