Dropbox es un servicio de alojamiento de archivos multiplataforma en la nube, operado por la compañía estadounidense Dropbox. El servicio permite a los usuarios almacenar y sincronizar archivos en línea y entre ordenadores y compartir archivos y carpetas con otros usuarios y con tabletas y móviles.
Ante la necesidad de mantener vinculados los archivos que se almacenaban en la nube con los resguardos en un dispositivo ya sea una pc o laptop, Dropbox nació en junio de 2007.
Recibieron una financiación inicial de Y Combinator, cuando aún estaban disponibles en getdropbox.com. En octubre de 2009 adquirieron su dominio actual, con el que celebraron un 14,14% del mercado mundial de clientes de su servicio de copias de seguridad (basado en el número de instalaciones) en 2011.
La accion comenzo a cotizar en Estados Unidos a inicios del primer trimestre de 2018. Para junio del mismo año las acciones de la compañia de Drew Houston llegaron a un precio de cierre histórico de 42 dólares. sin embargo, posterior a esta situación de entusiasmo y visión de las multiplataformas, el precio de las acciones de Dropbox comenzaron a desender; para diciembre de 2018 las acciones estaban cotizando a un precio cercano de 19 dólares.
Por otro lado, 2019 se caracterizó por ser si bien no un periodo de altos rendimientos, si de un año de estabilidad y certidumbre para la compañia, teniendo una variabilidad en sus acciones de entre los 24 y 25 dólares.
Fuente. Elaboración propia con datos de Yahoo Finance.Sin embargo, pese a la buena estabilidad que presentó en el año previo y en la situación estructural por la que están pasando la mayoría de las acciones, incluyendo a la compañia estadounidense,ésta ha tenido bajas considerables a comienzos del año pese a que la plataforma brinda beneficios de trabajo a larga distancia.
Refiriéndonos a los rendimientos de las acciones de Dropbox, se pueden observar 3 clústers de volatilidad en todo el periódo de cotización.
Fuente. Elaboración propia con salida en R.A comienzos de su entrada a la bolsa, en junio de 2018 se registraron rendimientos de ±13%; el siguiente clúster puede apreciarse en el tercer trimestre de 2019 donde se registraron rendimientos de ±10% aproximadamente.Un último puede reflejarse en los primeros meses de 2020 capturando un rango de rendimientos entre ±15%.
La función de autocorrelacion siempre se refiere al componente de media movil y el componente de autocorrelación parcial refiere al componente autorregresivo.
Entonces en el autorregresivo se pueden ver los efectos de memoria que hay en los valores pasados de los rendimientos. Y en el componente de media movil los efectos de memoria que hay en la media movil de los rendimientos al cuadrado.
Por lo tanto, en el correlograma se puede notar que es altamente probable que el rendimiento que tiene la acción en un momento dado tenga un efecto de arrastre con los rendimientos que tuvo en días previos, tanto en su componente autorregresivo y como en el de media móvil.
El componente autorregresivo nos dice que hay aproximadamente una dependencia del 20% con el rendimiento anterior.
Por tanto, el panorama que nos brindan los gráficos de autocorrelación es de que los rendimientos sí tienen una estructura de memoria y que por lo tanto se requiere de herramientas más sofisticadas para poder modelar esté tipo de series
Por otro lado, al realizar la prueba ARCH nuestro valor p nos arroja un valor de 0.001233 estando por debajo de 0.05 y que por lo tanto, se rechaza la hipostesis hula la cual declara que hay ausencia de efectos ARCH. Por ese motivo, es necesario trabajar con algunas opciones que más adelante podrían dar solución a este problema.
##
## ARCH LM-test; Null hypothesis: no ARCH effects
##
## data: DBX_R
## Chi-squared = 32.325, df = 12, p-value = 0.001233
El siguiente paso será realizar una serie de pruebas tanto ARCH como GARCH presentando los resultados en una tabla reflejando el valor de los coeficientes y los valores p.
Con base en estos criterios, se escogeran los dos mejores modelos explicando los coeficientes e indicando si cumplen con todas las caracteristicas de un modelo bien especificado y estable.
| MODELO | \(\omega\) | \(\alpha_{1}\) | \(\alpha_{2}\) | \(\alpha_{3}\) | \(\alpha_{4}\) | \(\alpha_{4}\) | \(\beta_{1}\) | \(\beta_{2}\) | AKAIKE | BAYES |
|---|---|---|---|---|---|---|---|---|---|---|
| ARCH(1) | 0.000651 (0.000000) | 0.347694 (0.044321) | -4.2157 | -4.1996 | ||||||
| ARCH(2) | 0.000543 (0.000000) | 0.247029 (0.010329) | 0.218796 (0.002682) | -4.2478 | -4.2236 | |||||
| ARCH(3) | 0.000516 (0.000018) | 0.227576 (0.066039) | 0.204914 (0.114951) | 0.05646 (0.283694) | -4.2512 | -4.2189 | ||||
| ARCH(4) | 0.000516 (0.000000) | 0.226918 (0.015098) | 0.173647 (0.034710) | 0.049943 (0.219785) | 0.029134 (0.531779) | -4.2487 | -4.2083 | |||
| GARCH(1,1) | 0.000287 (0.000009) | 0.265955 (0.004343) | 0.44377 (0.000062) | -4.2514 | -4.2271 | |||||
| GARCH(1,2) | 0.000289 (0.000007) | 0.273748 (0.004402) | 0.437071 (0.087853) | 0 (1.000000) | -4.2484 | -4.2161 | ||||
| GARCH(2,1) | 0.000389 (0.000047) | 0.226646 (0.014776) | 0.137476 (0.171958) | 0.246886 (0.119237) | -4.2515 | -4.2192 | ||||
| GARCH(2,2) | 0.000389 (0.019641) | 0.226647 (0.063680) | 0.137474 (0.413357) | 0.246882 (0.490696) | 0 (1.000000) | -4.2477 | -4.2073 |
Tomando como base los valores de cada coeficiente y el valor de probabilidad, podemos aducir razones por las cuales el modelo ARCH(2) y GARCH(1,1) son los mejores modelos.
Los modelos ARCH-GARCH permiten explicar la volatilidad de los activos financieros a partir de la varianza condicional, es decir, a partir de la varianza rezagada.
por tanto, la volatilidad de los resultados esperados para el presente día pueden estar muy explicados principalmente por la volatilidad del día anterior.
https://es.wikipedia.org/wiki/Dropbox