ETF DGAZ
EDUARDO PACHECO
9/4/2020
DGAZ VelocityShares 3x Inverse Natural Gas ETN Linked to the S&P GSCI Natural Gas Index ER
DGAZ forma para de los instrumentos financieros denominados como Exchange Traded Fund (ETF) que se caracterizan por replicar o hacer un track sobre un activo subyacente (acciones, índices, commodities, divisas, bonos…) o bien, replican un conjunto de activos (similar a un índice).
Los ETFs tienen la facilidad de que cotizan como una acción normal, permitiendo que su compra y venta sea sencilla de llevar a cabo.
DGAZ es un ETF que busca replicar, el total de gastos, tres veces lo opuesto (inverso) de este GSCI Natural Gas Index ER. El índice comprende contratos de futuros sobre un solo producto y se calcula de acuerdo con la metodología del índice S&P GSCI.
Comportamiento del precio de DGAZ.
A continuación, se presentan el comportamiento del precio de cierre de DGAZ a partir del 1 de enero de 2015 al 30 de marzo de 2020. DGAZ presentó su mayor crecimiento a principios de marzo de 2016, llegando a los $3212usd. Posterior, los índices de las economías emergentes comenzaron a recuperar en incluso llegaron a registrar máximos históricos, como fue el caso de Índice de Precios y Cotizaciones en México (IPC) en febrero de 2020 cuando superó los 3386.15 mil puntos base. DGAZ, al ser un instrumento apalancado que paga el inverso de los índices, presentó un fuerte declive, desde el 27/mayo/ 2016, su precio fluctuaba entre los 1700 y los 800 dólares americanos. La Figura 1 muestra el comportamiento del precio de cierre de DGAZ.
Figura 1. Precio de Cierre de DGAZ y S&P500: enero 2015 - marzo 2020 
Fuente: elaboración propia con salida de R.
Si se compara este comportamiento con la tendencia registrada por el índice S&P500, que representa las 500 emisoras más representativas que cotizan en Estados Unidos, se puede ver un comportamiento inverso a DGAZ, esto tiene que ver con la fuerza de arrastre y contagio que tiene el S&P500 sobre los índices de economías emergentes, lo cual se puede corroborar en la Figura 2.
En lo que refiere a los rendimientos, el S&P500 en promedio osciló entre 3% en tanto que DGAZ estuvo fluctuando entre 5% debido a que es un instrumento que presenta mayor volatilidad, es decir, presenta más dispersión en sus precios.
A partir de la contingencia sanitaria COVID 19 que se originó en la ciudad de Wuhan, China, que se dispersó en diferentes países ocasionando contagios y situaciones de emergencia internacional cerrando fronteras, aunado a la caída de los precios del petróleo tras no haber llegado a un acuerdo la OPEP y Rusia para disminuir la producción de petróleo, DGAZ comenzó a presentar rendimientos de 5 y 10%, beneficiándose del desplome de las bolsas.
Figura 2. Rendimientos de S&P500 y DGAZ: enero de 2015 a marzo 2020
Fuente:Elaboración propia con salida de R.
Correlación entre DGAZ y S&P500
La correlación que hay entre los precios de cierre a niveles y entre los rendimientos de DGAZ y el S&P500, muestra una alta relación inversa del 65.22% y 7.56% respectivamente. Esto tiene sentido ya que la caída de los índices es el beneficio que obtiene DGAZ y viceversa.
Tabla 1. Correlación de DGAZ y S&P500 a niveles
## SP500 DGAZ
## SP500 1.0000000 -0.6522807
## DGAZ -0.6522807 1.0000000Fuente: elaboración propia con salida de R.
Tabla 2. Correlación de DGAZ y S&P500 en rendimientos
## SP500 DGAZ
## SP500 1.00000000 -0.07564155
## DGAZ -0.07564155 1.00000000Fuente: elaboración propia con salida de R.
Histogramas y gráficos Q-Q
Los histogramas son gráficos que representan frecuencia de un fenómeno o de una variable mediante una distribución de los datos. En el caso de DGAZ y del S&P500, a partir de los intervalos o marcas de clase que se hacen sobre ellos, se puede identificar el número de veces (frecuencia) que los precios caen en dicho intervalo.
En la figura 3 se presentan los histogramas a niveles del S&P500 y del DGAZ; el eje vertical representan las frecuencias y en el eje horizontal los valores de las variables (puntos base).
El histograma del S&P500 a niveles indica que, en el periodo de muestra, el índice tuvo mayor número de repeticiones en los 2100 puntos (48 veces). Sin embargo, la mayor parte de la distribución se centra entre los 2000 y los 3000 puntos. Para el caso de DGAZ, su mayor número de repeticiones es 17 para el precio de 117usd. Los valores más extremos y con pocas repeticiones se sitúan entre los 2000 y 3000usd.
Figura 3. Histogramas a niveles S&P500 y DGAZ: enero de 2015 a marzo 2020
Fuente: elaboración propia con salida de R.
En lo que refiere a los rendimientos, en promedio, los rendimientos presentan un proceso de reversión a la media (0), sin embargo, la distribución de los rendimientos del S&P500 oscila entre 3% y los de DGAZ en 5%, tal cual como se observó en la figura 2. La figura 4 presenta el histograma de los dos instrumentos que se han estado analizando en rendimientos.
Figura 4. Histogramas en rendimientos S&P500 y DGAZ: enero de 2015 a marzo 2020
Fuente: elaboración propia con salida de R.
Los gráficos Cuantil-Cuantil (también referidos como q-q plots) es la representación gráfica de la distribución de un conjunto de datos a alguna distribución ideal o a priori que se asume como dada. La finalidad de estos gráficos es comparar la distribución teórica (la que suponemos o queremos como se comporte) contra la distribución empírica (la que realmente presenta la variable).
El siguiente gráfico muestra los gráficos Q-Q del S&P y de DGAZ; los cuantiles teóricos o la distribución contra la que se están comparando los precios es contra una distribución normal; si la distribución empírica fuera así, entonces los puntos de dispersión deberían de distribuirse en torno a la recta.
Lo que se observa es que sí hay una parte de la distribución que se asocia a la línea recta, sin embargo, son más los datos, sobre todo en los extremos o en las colas, donde la distribución se “despega” de la normalidad.
Figura 5. Q-Q plot a niveles S&P500 y DGAZ: enero de 2015 a marzo 2020
Fuente: elaboración propia con salida de R.
Lo mismo se observa en el caso del gráfico Q-Q de los rendimientos, sin embargo, en este ejemplo, nótese que los datos, al menos en la parte central de la distribución, están más pegados a la recta, esto tiene que ver con la propiedad que cumplen los rendimientos (media cero o constante que es uno de los supuestos que se debe de cumplir para la estacionariedad de las series), sin embargo, ambos instrumentos tuvieron días que presentaron rendimientos que rebasaron su media, provocando mayor dispersión en sus datos.
Con esta representación, no se puede garantizar la normalidad en los datos, y en lo que respecta a los instrumentos financieros, lo más normal es que no sean normales.
Figura 6. Q-Q plot en rendimientos S&P500 y DGAZ: enero de 2015 a marzo 2020
Fuente: elaboración propia con salida de R.
Estacionariedad y pruebas de raices unitarias
El concepto de estacionariedad es importante para la estimación y para la elaboración de pronósticos, el no garantizar esta condición implicaría que las series, no serían independientes e idénticamente distribuidas, ocasionado problemas de sesgo en las estimaciones, regresiones espurias o el mal cálculo de las bandas de confianza a partir de datos que se encuentran correlacionados.
Las pruebas de raíces unitarias permiten identificar si la serie es estacionaria o no, verificando si la serie tiene alguna estructura de dependencia con los datos anteriores.
Pruebas de raíces unitarias
Las pruebas que se utilzian para detectar raíces unitarias en este análisis son: Dickey Fuller Aumentada (DFA), Phillips Perron y la prueba Kwiatkowski - Phillips - Schmidt - Shin (KPSS). La tabla 4 muestra los resultados de S&P500 y de DGAZ a niveles y rendimientos.
Tabla 3. Pruebas de raíces unitarias
| Variable | \(DFA^{a/}\)(Valor p) | \(Phillips-Perron^{b/}\)(Valor p) | \(KPSS^{c/}\)(Valor p) |
|---|---|---|---|
| S&P500 (a niveles) | 0.08458 | 0.2303 | 0.01 |
| S&P500 (rendimientos) | 0.01 | 0.01 | 0.1 |
| DGAZ (a niveles) | 0.2129 | 0.09246 | 0.01 |
| DGAZ (rendimientos) | 0.01 | 0.01 | 0.1 |
\(^{a/}H0\): La serie tiene raíz unitaria
\(^{b/}H0\): La serie tiene raíz unitaria
\(^{c/}H0\): La serie es estacionaria
Fuente.Elaboración propia con salida de R.
NUNCA OLVIDAR:
Si valor p mayor a 0.05 No rechazo (acepto) H0.
Si valor p menor a 0.05 Rechazo H0.
La serie, en primeras diferencias, no tiene raíz unitaria, solo depende del error y del intercepto, pero no de los valores pasados o registrados del precio, por lo tanto, es estacionaria.
A este proceso también se le conoce como “ruido blanco”.
Modelos ARIMA (DGAZ)
Ahora, se va a calcular el primer modelo ARIMA para hacer los pronósticos, utilizando la metodología de Box & Jenkins.
Se obtiene la Función de Autocorrelación (MA) y Función de Autocorrelación parcial (AR). Ambas series requieren ser integrada de orden I, es decir, se les tiene que aplicar una primera diferencia para que al menos puedan ser estacionarias en media. La aplicación de la primera diferencia es congruente con los resultados de las pruebas unitarias, en donde es necesario que las series se transformen en rendimientos.
Figura 7. Componentes de autocorrelación ACF y PACF
Fuente: elaboración propia con salida de R.
Al revisar el correlograma (a pesar de diferenciar una vez la serie), se identifican componentes de autocorrelación tanto en el procero Autorregresivo (PACF) y en el proceso de media móvil (ACF).
El primer ajuste que se hace para el pronóstico de DGAZ es utilizando la función auto.arima de R, que propone una combinación de ARIMA(5,1,3) para corregir los problemas de autocorrelación.
Tabla 4. Resultados del ARIMA(5,1,3) para DGAZ
## Series: DGAZ
## ARIMA(5,1,3)
##
## Coefficients:
## ar1 ar2 ar3 ar4 ar5 ma1 ma2 ma3
## -0.6579 -0.9428 -0.4124 0.0972 0.1175 0.6474 0.9967 0.5774
## s.e. 0.3477 0.0392 0.3361 0.0395 0.0283 0.3511 0.0213 0.3383
##
## sigma^2 estimated as 3610: log likelihood=-7259.42
## AIC=14536.83 AICc=14536.97 BIC=14583.48Fuente:Elaboración propia con salida de R.
Figura 8. Resultados del ARIMA(5,1,3) para DGAZ 
##
## Ljung-Box test
##
## data: Residuals from ARIMA(5,1,3)
## Q* = 70.799, df = 22, p-value = 4.948e-07
##
## Model df: 8. Total lags used: 30Fuente: Elaboración propia con salida de R.
El resultado muestra que no se han terminado de corregir los problemas de autocorrelación. Aplicando la prueba de Ljung-Box, donde la H0 es: los datos se distribuyen de forma independiente o dicho de otra forma, los residuales del ARIMA no están correlacionados. Para el ARIMA(5,1,3) la H0 se rechaza. Si bien se puede realizar un pronóstico con estos resultados, se cae el riesgo de obtener resultados sesgados (debido a los problemas de autocorrelación).
A continuación, se muestra la estabilidad del modelo a partir del gráfico de raíces uniarias, tanto en el proceso AR como en el de MA.
Figura 9. Prueba de raíces unitarias ARIMA(5,1,3) - círculo unitario 
Fuente:Elaboración propia con salida de R.
El modelo NO es estable, los problemas de autocorrelación no han sido solventados en su totalidad, por lo que se propone el siguiente modelo.
Propuesta de modelo ARIMA(5,1,21) para DGAZ
Este modelo mejora significativamente los resultados propuestos por el ARIMA, se corrigen los problemas (en su mayoría) de autocorrelación en los residuales de acuerdo a los resultados de la prueba de Ljung-Box.
Tabla 5. Resultados del ARIMA(5,1,21) para DGAZ
##
## Call:
## arima(x = DGAZ, order = c(5, 1, 21))
##
## Coefficients:
## ar1 ar2 ar3 ar4 ar5 ma1 ma2 ma3
## 0.4342 -0.798 0.1092 -0.0229 -0.3359 -0.4520 0.8669 -0.0161
## s.e. 0.1946 0.195 0.2271 0.1825 0.1133 0.1931 0.1923 0.2358
## ma4 ma5 ma6 ma7 ma8 ma9 ma10 ma11
## -0.0162 0.4382 -0.0050 0.0534 0.0289 -0.0268 -0.133 0.0175
## s.e. 0.1919 0.1102 0.0487 0.0454 0.0452 0.0430 0.042 0.0522
## ma12 ma13 ma14 ma15 ma16 ma17 ma18 ma19
## -0.0883 -0.1082 0.0100 -0.1513 -0.0152 -0.0766 -0.0417 0.0666
## s.e. 0.0550 0.0532 0.0505 0.0442 0.0487 0.0489 0.0497 0.0464
## ma20 ma21
## -0.1096 0.1351
## s.e. 0.0373 0.0317
##
## sigma^2 estimated as 3415: log likelihood = -7227, aic = 14508Fuente: Elaboración propia con salida de R.
Figura 10. Resultados del ARIMA(5,1,21) para DGAZ 
##
## Ljung-Box test
##
## data: Residuals from ARIMA(5,1,21)
## Q* = 8.057, df = 4, p-value = 0.08951
##
## Model df: 26. Total lags used: 30Fuente: Elaboración propia con salida de R.
El modelo mejora dando un sentido mas estable.
Figura 11. Prueba de raíces unitarias ARIMA(5,1,21) - círculo unitario 
Fuente: Elaboración propia con salida de R.
Se presentan los pronósticos obtenidos por ambos modelos.
Figura 12. Pronóstico a 20 días de DGAZ con ARIMA(5,1,3)
Fuente: elaboración propia con salida de R.
Los problemas de una mala especificación o el no corregir los problemas de autocorrelación del modelo, implica que no se obtengan resultados confiables. La propuesta del ARIMA(5,1,21) mejora significativamente el pronóstico.
Figura 13. Pronóstico a 20 días de DGAZ con ARIMA(5,1,21)
Fuente: elaboración propia con salida de R.
Conclusiones En este trabajo se analizó el comportamiento de DGAZ, se comparó contra el S&P500 revisando su comportamiento a niveles y en rendimientos. Posteriormente, se hicieron histogramas y gráficos Q-Q que permitieron visualizar la distribución que siguen las series y la mayor parte de la concentración tanto en precios como en rendimientos.Posteriormente, se realizaron pruebas de raíces unitarias para identificar la estacionariedad de las series en donde los resultados indicaron que las series, para que cumplan con este supuesto (al menos en media o un sentido débil), deben de ser integradas de orden I, es decir, se les tiene que aplicar una primera diferencia. Consecutivamente, se obtuvieron los correlogramas para identificar los procesos de autocorrelación de las series, en el caso de DGAZ, se plantearon dos modelos, un ARIMA(5,1,3) propuesto por R y un ARIMA(5,1,21). La primera especificación, NO era un modelo estable, no corregía en su totalidad los problemas de autocorrelación provocando distorsiones en los pronósticos en tanto que el un ARIMA(5,1,21) muestra mejores resultados, corrige autocorrelación y mejora los pronósticos.
Finalmente, con base al pronóstico realizado, se sugiere estimar el ARIMA(5,1,21) incorporando siempre la nueva información para ajustar el modelo. Con una perspectiva no tan clara respecto a las economías emergentes, la incertidumbre que se vive en el mercado con la propagación del COVID-19 aunada a las tensiones del sector petrolero, se recomienda una posición de hold o mantener.