ARIMA ASHR
Maria Jazmin Rodriguez Lima
6/4/2020
ASHR
Xtrackers Harvest CSI 300 China A-Shares Fund
ASHR rastrea un índice de las 300 acciones chinas más grandes y líquidas que cotizan en las bolsas de Shanghai y Shenzhen. El fondo posee acciones del tipo A físicas de China.
ASHR fue el primer ETF de China cotizado en Estados Unidos capaz de acceder directamente al codiciado mercado de acciones de China. El fondo es capaz de tener acciones A a través del subasesor Harvest Global Investments, que tiene una licencia RQFII hasta una cuota específica. Si se alcanza la cuota, el fondo tendrá que aumentar su cuota, utilizar derivados para mantener la exposición, o limitar o detener las creaciones, por lo que el monitoreo está garantizado. ASHR no se ajusta bien a nuestro punto de referencia neutral “todo compartido”, ya que realiza un seguimiento de un índice específico de las acciones A y se pierde en las empresas que cotizan exclusivamente en Hong Kong o Estados Unidos. El enfoque de ASHR en las acciones A continentales también le da una inclinación de gran capitalización y un gran sesgo hacia las finanzas en comparación con nuestro punto de referencia “toda China”. La liquidez es buena, aunque la cuota de RQFII puede dificultar las creaciones. Un fondo costoso para mantener debido a las altas tarifas y los desafíos significativos de seguimiento, la exposición de ASHR sin embargo lo coloca en nuestra Lista de Oportunidades para los inversionistas dispuestos a ver cuidadosamente el desempeño de este fondo.
El ETF de Xtrackers Harvest CSI 300 China A-Shares tiene una clasificación MSCI ESG Fund de B basada en una puntuación de 2,27 sobre 10. La calificación del Fondo MSCI ESG mide la resiliencia de las carteras frente a los riesgos y oportunidades a largo plazo derivados de factores ambientales, sociales y de gobernanza. Las calificaciones de los fondos ESG van desde lo mejor (AAA) hasta lo peor (CCC). Los fondos altamente calificados consisten en empresas que tienden a mostrar una gestión fuerte y/o mejore las cuestiones ambientales, sociales y de gobernanza financieramente relevantes. Estas empresas pueden ser más resistentes a las interrupciones derivadas de los eventos de ESG. El rango de pares del fondo refleja la clasificación del nivel de calidad del fondo MSCI ESG de un fondo contra las puntuaciones de otros fondos dentro del mismo grupo de pares, según lo definido por la Clasificación Global Thomson Reuters Lipper. El ETF de Xtrackers Harvest CSI 300 China A-Shares se sitúa en el 4o percentil dentro de su grupo de pares y en el percentil 15 dentro del universo global de todos los fondos cubiertos por MSCI ESG Fund Ratings. [1]
Una de las formas más populares de invertir en acciones chinas es a través del ETF (ASHR) de Deutsche Xtrackers Harvest CSI 300 China A-Shares Exchange. Este fondo permite a los inversionistas estadounidenses invertir en acciones de Clase A de China que cotizan en las bolsas de Shenzhen y Shanghai a través de una sociedad con Deutsche Bank y Harvest Global.
Comportamiento del precio de cierre
A continuación se muestra el comportamiento del precio de cierre que ha tenido ASHR desde el 1 de enero del 2015 hasta el 20 de marzo del 2020, con datos extraidos de Yahoo Finance.
En el gráfico anterior podemos observar que el precio de cierre de ASHR tuvo un salto masivo entre febrero y junio de 2015, rondando entre los 33 y 55 dólares, siendo el 12 de junio, del mismo año, que alcanzo su precio máximo de 55.17 dls. Igualmente se observa el colapso masivo que tuvo el precio durante los primeros meses del año 2016, pasando de un máximo de 55.17 a tan solo 21.08 dls.
Cuando el crecimiento económico chino comenzó a acelerarse en 2014, los operadores chinos no podían comprar acciones lo suficientemente rápido. Parecían seguros de que el mercado iba a subir para siempre. Desafortunadamente para esos comerciantes, el impulso alcista no duró mucho. Los temores de una posible desaceleración en el crecimiento hicieron que algunos comerciantes comenzaran a tomar ganancias de la mesa. Una vez que algunas personas comenzaron a vender, el pánico entró, y la corrida de toros se derrumbó.
Ahora, no todas las reacciones en el mercado de valores chino van a ser tan graves. Pero debido a que los operadores individuales impulsan una porción mucho mayor de la actividad comercial en el mercado chino que en el mercado estadounidense, que es impulsado principalmente por los operadores institucionales, los cambios en los precios de las acciones chinas tienden a ser más volátiles que las oscilaciones en las acciones de Estados Unidos. [2]
En los años siguientes el precio se mantuvo con un comportamiento casi plano, es decir, presento fluctuaciones altas y bajas, sin embargo no ha podido alcanzar el maximo que se tuvo en el año 2015.
ASHR subio más del 19 por ciento en el año 2019 incluyendo acciones de una variedad de sectores, pero está mas fuertemente orientada hacia la industria de servicios financieros. Sus participaciones se componen de alrededor del 37.39% en servicios financieros, 12.50% de industrias, 11.17% de consumo cíclico y 10.31% de tecnología.
En el transcurso del año presente, ASHR los precios parecían mostrar una tendencia creciente, sin embargo el problema que atañe a todo el mundo por el brote de coronavirus originado en la ciudad de Wuhan, China, ha generado que los precios bajen nuevamente.Pero a medida que los efectos del coronavirus disminuyan, se podría pagar generosamente para invertir en la segunda economía más grande.
Comportamiento de rendimientos logaritmicos
En lo que respecta a los rendimientos, debido a la volatibilidad de los precios de cierre durante el año 2015, se alcanzaron niveles de hasta casi 20%. Desde el comienzo del acelerado crecimiento economico de China que se acentuó durante el año 2014, parecía bastante seguro que el mercado iba a subir para siempre. Sin embargo, para el año siguiente hubo una considerable disminución del crecimiento en la economía china, el ritmo más bajo hasta entonces. El deterioro de las perspectivas económicas en China causó fuertes turbulencias en las Bolsas de Valores en todo el mundo, lo cual también se ve claramente reflejado con los rendimientos que rebasan el -20% de nuestra gráfica.
La ralentización en el crecimiento economico de China ha continuado desde entonces, aunque estable. A ello se debe también el comportamiento tanto en precios como rendimientos. La actual contingencia sanitaria ocasionada por el COVID-19 originada en China, ha provocado que los rendimientos nuevamente disminuyan.
Histogramas
Un histograma es representación gráfica de una variable en forma de barras, donde la superficie de cada barra es proporcional a la frecuencia en que se repiten los valores representados. A continuación tenemos los histogramas de los precios de cierre (niveles) y rendimientos de ASHR.
En ambos histogramas tomamos una muestra del 1° de enero de 2015 al 20 de marzo de 2020, ademas de que el eje vertical refleja las frecuencias. En el caso del histograma a niveles (precios), el indice tuvo un mayor numero de repeticiones (216) a un precio de 25. Mientras que en el histograma en rendimientos la distribución oscila entre el 2%.
Gráficos Q-Q
Los gráficos Cuantil-Cuantil, tambien conocidos como Q-Q plots, permiten observar cuan cerca está la distribución de un conjunto de datos a alguna distribución ideal ó comparar la distribución de dos conjuntos de datos.
A continuación tenemos los graficos Q-Q a niveles y en rendimientos.
El gráfico Q-Q de la izquierda representa los datos a niveles. En el se puede observar que los puntos de dispersión no se distribuyen en torno a la recta, solo una pequeña parte de la distribución lo hace, sin embargo son más los datos o puntos que se alejan de la normalidad o distribución normal, sobre todo en los extremos.
Por otra parte, del lado derecho tenemos el grafico Q-Q en rendimientos, el cual parece tener mas puntos cerca de la distribución normal en la parte central, sin embargo, esto se asocia con la propiedad que cumplen los rendimientos (media cero o constante). Al igual que el grafico a niveles, los puntos de los extremos son los que más se alejan de la distribución normal. Por lo tanto podemos decir que los datos de nuestra serie no se acercan a la normalidad.
Pruebas de raices unitarias
Las pruebas de raíces unitarias nos ayudan a identificar si la serie que estamos analizando es estacionaria o no, esto quiere decir que verifica si la serie tiene alguna dependencia con los datos anteriores. La estacionariedad es importante para la estimación y para la elaboración de pronósticos, que mas adelante realizaremos, ya que de otra manera podríamos tener problemas en nuestras estimaciones como el sesgo o las regresiones espurias.
Por lo tanto, a continuación se muestran los resultados obtenidos de tres tipos de pruebas para observar que nuestra serie en estudio no tenga problemas de raíces unitarias. Para ello las tres pruebas se efectuaron tanto en niveles (precios), como en rendimientos.
Prueba Dickey Fuller Aumentada (DFA)
A niveles (precio de cierre):
Augmented Dickey-Fuller Test
data: ASHR
Dickey-Fuller = -2.1869, Lag order = 10, p-value = 0.4992
alternative hypothesis: stationaryEn rendimientos:
Augmented Dickey-Fuller Test
data: ASHR_R
Dickey-Fuller = -10.31, Lag order = 10, p-value = 0.01
alternative hypothesis: stationaryPrueba Phillips Perron (PP)
A niveles:
Phillips-Perron Unit Root Test
data: ASHR
Dickey-Fuller = -2.0803, Truncation lag parameter = 7, p-value = 0.5443En rendimkientos:
Phillips-Perron Unit Root Test
data: ASHR_R
Dickey-Fuller = -39.959, Truncation lag parameter = 7, p-value = 0.01Prueba Kwiatkowski-Phillips-Schmidt-Shin (KPSS)
A niveles:
KPSS Test for Level Stationarity
data: ASHR
KPSS Level = 3.9834, Truncation lag parameter = 7, p-value = 0.01En rendimientos:
KPSS Test for Level Stationarity
data: ASHR_R
KPSS Level = 0.083265, Truncation lag parameter = 7, p-value = 0.1A continuación para visualizar de forma mas practica la información, en la siguiente tabla se muestran los resultados del valor “p” en las pruebas realizadas anteriormente de raíces unitarias a niveles y en rendimientos.
| Variable | \(DFA^{a/}\)(Valor p) | \(Phillips-Perron^{b/}\)(Valor p) | \(KPSS^{c/}\)(Valor p) |
|---|---|---|---|
| ASHR (a niveles) | 0.4992 | 0.5443 | 0.01 |
| ASHR (rendimientos) | 0.01 | 0.01 | 0.1 |
Para cada de prueba partimos de las siguientes hipótesis:
Phillips-Perron
\(^{a/}H0\): La serie tiene raíz unitaria.
\(^{a/}H1\): La serie es estacionaria.
DFA
\(^{b/}H0\): La serie tiene raíz unitaria.
\(^{b/}H1\): La serie es estacionaria.
KPSS
\(^{c/}H0\): La serie es estacionaria.
\(^{c/}H1\): La serie no es estacionaria.
Nota:
Si valor “p” > 0.05 –> Acepto H0.
Si valor “p” < 0.05 –> Rechazo H0 y acepto H1.
De acuerdo a los resultados obtenidos en cada una de nuestras pruebas aceptamos las siguientes hipótesis:
ASHR a niveles
\(^{a/}H0\): La serie tiene raíz unitaria.
\(^{b/}H0\): La serie tiene raíz unitaria.
\(^{c/}H1\): La serie no es estacionaria.
La serie a niveles es una “caminata aleatoria” como el precio de cualquier otro instrumento financiero, esto quiere decir que depende del dato anterior o que el precio esta influenciado por el anterior. Por tal motivo tenemos el problema de raíz en la serie.
ASHR en rendimientos
\(^{a/}H1\): La serie es estacionaria.
\(^{b/}H1\): La serie es estacionaria.
\(^{c/}H0\): La serie es estacionaria.
La serie en rendimientos no tiene raíz unitaria, porque es el resultado de la apliacación de primeras diferencias a nuestra serie en precios o a niveles que originalmente era una “caminata aleatoria”. Por lo tanto al aplicar primeras diferencias la serie cambia y no tiene raíz unitaria y a esto se debe que esta sea estacionaria, proceso que es conocido como “ruido blanco”.
Modelos ARIMA
Existen distintas metodologías que ayudan a elegir el modelo que mejor represente la serie de tiempo entre los diversos modelos existentes. La metodología propuesta por los profesores G.E.P Box y G.M. Jenkins en el año 1970, logró identificar, ajustar, y verificar los modelos ARIMA adecuados, a esta se le conoce como metodología de Box-Jenkins. Y es aplicable a modelos ARIMA.
En el siguiente gráfico se muestran los componentes de autocorrelación ACF y PACF de ASHR a niveles. Cabe destacar que en ACF hay problemas de autocorrelación en cada rezago, mientras que para PACF el valor sobresale por mucho de la banda del correlograma, esto quiere decir que el precio actual esta ampliamente influenciado por el precio de cierre anterior, adémas de que no cumple los supuestos de estacionariedad por ser una “caminata aleatoria”.
Ahora a continuación se muestran los componentes de autocorrelación ACF y PACF de ASHR en rendimientos.
En los componentes de autocorrelación ACF y PACF de ASHR en rendimientos se puede observar que aún existen problemas de autocorrelación. En ACF los problemas de autocorrelación aparecen desde el rezago 2 hasta el rezago 30. En lo que refiere a PACF, sucede lo mismo. Sin embargo en ambos casos los problemas de autocorrelación no son para todos los rezagos. Ademas de que a comparación del gráfico anterior ya no existe el problema de raíz unitaria.
El primer ajuste que se realiza para el pronóstico de ASHR es utilizando la función autoarima de R, que nos propone una combinación de ARIMA(2,1,3) para corregir los problemas de autocorrelación.
Series: ASHR
ARIMA(2,1,3)
Coefficients:
ar1 ar2 ma1 ma2 ma3
0.0125 -0.9574 -0.0789 0.9034 -0.0902
s.e. 0.0210 0.0212 0.0351 0.0300 0.0331
sigma^2 estimated as 0.4891: log likelihood=-1389.19
AIC=2790.39 AICc=2790.45 BIC=2821.46
Ljung-Box test
data: Residuals from ARIMA(2,1,3)
Q* = 64.054, df = 25, p-value = 2.824e-05
Model df: 5. Total lags used: 30Los resultados obtenidos por la función de autoarima en R, nos muestra que aun no se han corregido los problemas de autocorrelación, esto se observa en los rezagos 6,7,10,20 y 30 de ACF. Al aplicar la prueba Ljung-Box donde la hipótesis nula es H0:los datos estan distribuidos de forma independiente, esto quiere decir que los resultados del ARIMA no están correlacionados, sin embargo en nuestra prueba rechazamos esa hipótesis debido a que el valor “p” es mucho menor a 0.05.
En el siguiente gráfico tenemos un pronostico a 20 días con los resultados obtenidos por la funcion de autoarima en R.
Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
1313 25.78807 24.89177 26.68437 24.41730 27.15884
1314 25.80634 24.58015 27.03253 23.93104 27.68163
1315 25.65810 24.20074 27.11545 23.42926 27.88693
1316 25.63876 23.99366 27.28385 23.12280 28.15471
1317 25.78044 23.94677 27.61411 22.97608 28.58479
1318 25.80072 23.78634 27.81511 22.71998 28.88146
1319 25.66534 23.50178 27.82890 22.35645 28.97422
1320 25.64422 23.34908 27.93936 22.13411 29.15434
1321 25.77358 23.34029 28.20686 22.05218 29.49497
1322 25.79541 23.22405 28.36676 21.86286 29.72795
1323 25.67184 22.98155 28.36213 21.55740 29.78628
1324 25.64939 22.85149 28.44730 21.37037 29.92842
1325 25.76741 22.85553 28.67929 21.31408 30.22075
1326 25.79038 22.76285 28.81790 21.16018 30.42058
1327 25.67768 22.54815 28.80720 20.89147 30.46388
1328 25.65428 22.43120 28.87736 20.72501 30.58356
1329 25.76189 22.43971 29.08407 20.68105 30.84272
1330 25.78563 22.36219 29.20907 20.54993 31.02132
1331 25.68291 22.16866 29.19715 20.30833 31.05748
1332 25.65889 22.06061 29.25718 20.15579 31.16200Debido a que no se corrigieron los problemas de estacionariedad, no obtuvimos resultados lo suficientemente confiables.
A continuación, se muestra la estabilidad del modelo de raices invertidas para el modelo ARIMA(2,1,3). Se puede observar en el gráfico que el modelo aun es muy inestable debido a que los problemas de autocorrelación aun no han sido totalmente corregidos.
Criterio de información Arkaike para ARIMA(2,1,3)
[1] 2790.39Debido a que los problemas de estacionariedad no han sido corregidos para el ARIMA (2,1,3), realizaremos un nuevo modelo para ver si se puede mejorar el pronóstico.
Propuesta del modelo ARIMA(5,1,5)
Call:
arima(x = ASHR, order = c(5, 1, 5))
Coefficients:
ar1 ar2 ar3 ar4 ar5 ma1 ma2 ma3 ma4
0.4645 -0.6041 -0.2813 0.3887 -0.683 -0.5478 0.5241 0.2421 -0.4
s.e. NaN NaN NaN NaN NaN NaN NaN NaN NaN
ma5
0.6871
s.e. NaN
sigma^2 estimated as 0.4776: log likelihood = -1376.09, aic = 2774.17
Ljung-Box test
data: Residuals from ARIMA(5,1,5)
Q* = 32.317, df = 20, p-value = 0.04003
Model df: 10. Total lags used: 30Los resultados obtenidos con el modelo ARIMA (5,1,5) disminuye significativamente los problemas de autocorrelación de acuerdo a los resultados de la prueba Ljung-Box.
A continuación tenemos el grafico del pronostico:
Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
1313 25.72116 24.83553 26.60679 24.36671 27.07561
1314 25.69039 24.48893 26.89184 23.85292 27.52785
1315 25.50521 24.11126 26.89915 23.37335 27.63706
1316 25.45539 23.90972 27.00107 23.09149 27.81930
1317 25.56756 23.86074 27.27437 22.95721 28.17791
1318 25.64128 23.76548 27.51709 22.77249 28.51008
1319 25.57083 23.53551 27.60614 22.45808 28.68358
1320 25.56913 23.38098 27.75729 22.22264 28.91563
1321 25.66779 23.32543 28.01014 22.08546 29.25011
1322 25.68649 23.20406 28.16893 21.88994 29.48305
1323 25.55833 22.96219 28.15447 21.58788 29.52878
1324 25.50721 22.81107 28.20334 21.38383 29.63059
1325 25.59512 22.79470 28.39555 21.31224 29.87800
1326 25.64278 22.73562 28.54995 21.19665 30.08891
1327 25.56360 22.55675 28.57046 20.96501 30.16219
1328 25.54097 22.43726 28.64468 20.79426 30.28769
1329 25.63397 22.42762 28.84032 20.73028 30.53766
1330 25.67159 22.36383 28.97935 20.61281 30.73037
1331 25.57592 22.17888 28.97297 20.38059 30.77125
1332 25.52789 22.04903 29.00674 20.20744 30.84833Adémas de que el modelo es mejor, continua siendo estable.
Criterio de información Arkaike para ARIMA(5,1,5)
[1] 2774.172| FECHA | DATO REAL | DATO PRONOSTICADO ARIMA(2,1,3) | DATO PRONOSTICADO ARIMA(5,1,5) |
|---|---|---|---|
| 23/03/2020 | 24.86 | 25.78 | 25.72 |
| 24/03/2020 | 26.03 | 25.8 | 25.69 |
| 25/03/2020 | 26.20 | 25.65 | 25.5 |
| 26/03/2020 | 26.81 | 25.63 | 25.45 |
Conclusión y sugerencia de compra:
Los resultados del pronostico obtenidos por medio de la función de autoarima de R se acercan más a los datos reales adémas de que el criterio de informacion Akaike es menor, sin embargo debido a la contingencia sanitaria por el COVID-19 la recomendación seria comprar, ya que los precios del activo van a la baja, sin embargo más adelante estos podrían recuperarse, ya que China se posiciona como la segunda potencia más grande del mundo, y de este modo los compradores podrían generar rendimientos altos.
Referencias: [1]ETF.COM. (2020). ASHR Xtrackers Harvest CSI 300 China A-Shares. ETF. Recuperado el 7 de abril de 2020, de https://www.etf.com/ASHR#overview
[2]IVESTORPLACE. (2020). Chinese Stocks Are Signaling an Important Red Flag. Recuperado el 7 de abril de 2020, de https://investorplace.com/2020/02/chinese-stocks-are-signaling-an-important-red-flag/