Electronic Arts Inc.

Ticker: EA

Electronic Arts Inc. Es una empresa estadounidense que se dedica a la creación y publicación de videojuegos, conocida por sus videojuegos relacionados con deportes como el fútbol, béisbol, baloncesto entre otros.

es una compañía en el mercado de valores de EE. UU. Y tiene una participación en 185 ETF que cotizan en EE. UU. EA tiene alrededor de 23,9 millones de acciones en el mercado ETF de EE. UU. El mayor poseedor de ETF de EA es Invesco QQQ Trust (QQQ), con aproximadamente 3.16 millones de acciones. Los inversores también pueden encontrar de interés que el ETF con la mayor asignación a las acciones de EA es el ETF Invesco S&P 500 Equal Weight Communication Services (EWCO), con una ponderación de cartera del 5,90%. En promedio, los ETF de EE. UU. Asignan 0,60% de EA a sus carteras.

Además, EA es una de las acciones favoritas de los ETF de Vanilla y Multi-factor. También es más probable que pertenezca a ETF de base amplia. El ETF de mejor desempeño en los últimos 12 meses con EA como holding es el ETF VanEck Vectors Video Gaming y eSports (ESPO), con una rentabilidad del 26,94%.[1]
Precio de Cierre de Eelectronic Arts Inc: enero 2015 - abril 2020

Fuente: Elaboración propia con salida de R.

Las acciones de EA han tenido un efecto ascendente desde el año 2015, esto se ha debido a que introdujeron juegos honorados que han brindado entretenimiento duradero en sus servicios en vivo y forjan relaciones más profundas con una audiencia global creciente en consolas, dispositivos móviles y PC. Basicamente lo anterior, ha impactado en el incrementado del consumo en sus videojuegos, tales como FIFA, The Sims, Madden NFL, entre otros.

Con base a las nuevas herramientas que han estado ofreciendo en todas las plataformas de juego, brindan una experiencia única que genera competencia con otras empresas desarrolladoras y distribuidoras de videojuegos. A grandes rasgos, eso provocó que EA haya alcanzado un máximo histórico en el precio de sus acciones, llegando los 148.93 dlls el 18/Jul/2018, es decir, un incremento del 32.40% en los precios de sus acciones (comparando la fecha inicial de este análisis con el máximo histórico).

La caída que se generó en EA en 2018, sin duda, fue gracias a que el lanzamiento de FIFA 2019 no tuvo el recibimiento que todos esperaban y que también surgieron problemas para aumentar los ingresos obtenidos de los juegos móviles.

Como en todas las acciones, el efecto del COVID-19 también afecto a Electronic Arts, pero fue un efecto en cierto modo ‘’positivo’’, ya que la pandemia de algún modo impulso el consumo digital de entretenimiento y EA se supo adaptar pese a las medidas de trabajo que tomaron debido a la pandemia.

(
Rendimientos logaritmicos de Eelectronic Arts Inc: enero 2015 - abril 2020

)

Fuente: Elaboración propia con salida de R.

Haciendo análisis de estacionariedad en nuestra serie, vemos que se cumple una característica importante en los rendimientos, ya que tienen un proceso de reversión a la media.

En los rendimientos registrados de EA, se pueden observar 5 aglomeraciones de volatilidad en la serie: Tenemos una a principios de 2015 y 2016, en 2018 tenemos 2, una a principios del mismo año y la otra a mediados. Finalmente vemos como se construye una cuarta a principios del 2020.

Con base a las aglomeraciones, se concluye que la varianza no es constante en el tiempo y se va a tener que condicionar.

Pruebas de raíces unitarias sobre los rendimientos
Prueba Valor P Ho Resultado
Dickey-Fuller 0.01 La serie tiene raíz unitaria Rechazo Ho
Phillips-Perron 0.01 La serie tiene raíz unitaria Rechazo Ho
KPSS 0.1 La serie es estacionaria No rechazo Ho

Fuente: Elaboración propia con salida de R.

Los resultados de las pruebas de la serie en rendimientos, indican que no hay presencia de raíces unitarias y confirman la estacionariedad de la variable, sin embargo, el gráfico de rendimientos nos muestra que las aglomeraciones de volatilidad (aunque tienen un proceso de reversión a la media) su varianza no es constante en el tiempo, por lo que se requiere hacer uso de modelos de volatilidad.
Autocorrelación de los rendimientos de TESLA y prueba ARCH

Fuente: Elaboración propia con salida de R.

Para asegurarse de que el modelo de volatilidad es adecuado, se prueba si hay efectos ARCH. La prueba de efectos ARCH ayuda a identificar si los rezagos son significativos. Esto ayudara a identificar si se pueden aplicar modelos volatilidad.
Prueba Valor P H0 Resultado
ARCH Test 6.14e-14 La serie no tiene efectos ARCH Rechazo H0
Fuente: Elaboración propia con salida de R.
Con base al resultado anterior, se concluye que la serie tiene efectos ARCH.
Modelos ARCH
El primer modelo a implementar es un ARCH 1
\[σ^{2}_{t} = ω + α_{1} u^{2}_{t-1}\]
Sustituyendo los valores.
\[σ^{2}_{t} = 0.000901 + 0.136218 u^{2}_{t-1}\]
Interpretaciones: -La volatilidad de EA se explica en un 13.62% por la volatilidad de un día anterior. -El intercepto de la ecuación de la varianza, es 0 por que se estan modelando los rendimientos.
Grafica de ARCH 1 vs Rendimientos
Fuente: Elaboración propia con salida de R.
El segundo modelo a implementar es un ARCH 2 \[σ^{2}_{t} = ω + α_{1} u^{2}_{t-1} + α_{2} u^{2}_{t-2}\]
Sustituyendo los valores.
\[σ^{2}_{t} = 0.000742 + 0.103749_{1} u^{2}_{t-1} + 0.171812 u^{2}_{t-2}\]
Interpretaciones: -La volatilidad de EA se explica en un 10.37% por la volatilidad de un día anterior y en un 17.18% la de dos dias anteriores. -De manera conjunta, el modelo ARCH(2) captura poco más del 27% de la volatilidad de TESLA.
Grafica de ARCH 2 vs Rendimientos
Fuente: Elaboración propia con salida de R.
El tercer modelo a implementar es un ARCH 3 \[σ^{2}_{t} = ω + α_{1} u^{2}_{t-1} + α_{2} u^{2}_{t-2}+ α_{3} u^{2}_{t-3}\]
Sustituyendo los valores.
\[σ^{2}_{t} = 0.000601 + 0.072249 u^{2}_{t-1} + 0.169942 u^{2}_{t-2}+ 0.186087 u^{2}_{t-3}\]
Interpretaciones: -La volatilidad de EA se explica en un 7.22% por la volatilidad de un día anterior, en un 16.99% la de dos dias anteriores y en un 18.60% la de tres dias anteriores -De manera conjunta, el modelo ARCH(3) captura poco más del 42.82% de la volatilidad de TESLA.
Grafica de ARCH 3 vs Rendimientos
Fuente: Elaboración propia con salida de R.
El cuarto modelo a implementar es un ARCH 4 \[σ^{2}_{t} = ω + α_{1} u^{2}_{t-1} + α_{2} u^{2}_{t-2}+ α_{3} u^{2}_{t-3}+ α_{4} u^{2}_{t-4} \]
Sustituyendo los valores.
\[σ^{2}_{t} = 0.000601 + 0.072018 u^{2}_{t-1} + 0.169726 u^{2}_{t-2}+ 0.187714 u^{2}_{t-3}+ 0.000000 u^{2}_{t-4} \]
Interpretaciones: -La volatilidad de EA se explica en un 7.20% por la volatilidad de un día anterior, en un 16.97% la de dos dias anteriores, en un 18.77% la de tres dias anteriores. -De manera conjunta, el modelo ARCH(4) captura poco más del 42.94% de la volatilidad de TESLA.
Grafica de ARCH 4 vs Rendimientos
Fuente: Elaboración propia con salida de R.
Modelos GARCH
El primer modelo a implementar es un GARCH (1,1)
\[σ^{2}_{t} = ω + α_{1} u^{2}_{t-1}+ β_{1}u^{2}_{t-1}\]
Sustituyendo los valores.
\[σ^{2}_{t} = 0.000004 + 0.030644 u^{2}_{t-1}+ 0.968356u^{2}_{t-1}\]
Interpretaciones: -La varianza condicional de EA se explica en un 3% por la volatilidad de un día anterior y en un 96.83% por la varianza ajustada a un periodo. -¿Por qué varianza condicional? Porque la volatilidad o los rendimientos están condicionados a la varianza rezagada, es decir, depende del tiempo.
Grafica de GARCH (1,1) vs Rendimientos
Fuente: Elaboración propia con salida de R.
El primer modelo a implementar es un GARCH (1,2)
\[σ^{2}_{t} = ω + α_{1} u^{2}_{t-1}+ β_{1}u^{2}_{t-1}+ β_{2}u^{2}_{t-2}\]
Sustituyendo los valores.
\[σ^{2}_{t} = 0.000005 + 0.041726 u^{2}_{t-1}+ 0.553377u^{2}_{t-1}+0.403898u^{2}_{t-2}\]
Interpretaciones: -La varianza condicional de EA se explica en un 4% por la volatilidad de un día anterior, un 55.33% por la varianza ajustada a un periodo y un 40.38% rezagada en dos periodos.
Grafica de GARCH (1,2) vs Rendimientos
Fuente: Elaboración propia con salida de R.
El primer modelo a implementar es un GARCH (2,1)
\[σ^{2}_{t} = ω + α_{1} u^{2}_{t-1}+ α_{2}u^{2}_{t-1}+ β_{1}u^{2}_{t-2}\]
Sustituyendo los valores.
\[σ^{2}_{t} = 0.000004 + 0.030656 u^{2}_{t-1}+ 0.000000u^{2}_{t-1}+ 0.968344u^{2}_{t-2}\]
Interpretaciones: -La varianza condicional de EA se explica en un 3% por la volatilidad de un día anterior, un 0% por la por la volatilidad de dos dias anteriores y un 96.38% rezagada en dos periodos.
Grafica de GARCH (2,1) vs Rendimientos
Fuente: Elaboración propia con salida de R.
El primer modelo a implementar es un GARCH (2,2)
\[σ^{2}_{t} = ω + α_{1} u^{2}_{t-1}+ α_{2}u^{2}_{t-2}+ β_{1}u^{2}_{t-1}+β_{2}u^{2}_{t-2}\]
Sustituyendo los valores.
\[σ^{2}_{t} = 0.000006 + 0.042838 u^{2}_{t-1}+ 0.013126u^{2}_{t-2}+ 0.080263u^{2}_{t-1}+0.862773u^{2}_{t-2}\]
Interpretaciones: -La varianza condicional de EA se explica en un 4.2% por la volatilidad de un día anterior, un 1% por la volatilidad de dos dias anteriores, un 8% por la varianza ajustada a un periodo y un 86.27% rezagada en dos periodos.
Grafica de GARCH (2,2) vs Rendimientos
Selección de modelo y simulación de los rendimientos
Para elegir el mejor modelo, se presentan los resultados de los parámetros obtenidos de todas las especificaciones ARCH y GARCH, así como el criterio de información de Akaike y el criterio bayesiano de Schwarz de los mismos.
\[ Modelo\] \[ ω \] \[α_{1}\] \[α_{2}\] \[α_{3}\] \[α_{4}\] \[β_{1}\] \[β_{2}\] \[Akaike\] \[ Bayes\]
ARCH(1) 0.000901 0.136218 -4.0576 -4.0498
ARCH(2) 0.000742 0.103749 0.171812 -4.1169 -4.1052
ARCH(3) 0.000601 0.072249 0.169942 0.186087 -4.1594 -4.1439
ARCH(4) 0.000601 0.072018 0.169726 0.187714 0.000000 -4.1578 -4.1384
GARCH(1,1) 0.000004 0.030644 0.968356 -4.2014 -4.1898
GARCH(1,2) 0.000005 0.041726 0.553377 0.403898 -4.2012 -4.1856
GARCH(2,1) 0.000004 0.030656 0.000000 0.968344 -4.2002 -4.1847
GARCH(2,2) 0.000006 0.042838 0.013126 0.080263 0.862773 -4.1999 -4.1805

Se elige el ARCH(3) y el GARCH(1,1) como los mejores modelos (de acuerdo a los criterios de información) de cada familia para simular los rendimientos de Electronic Arts a partir de los parámetros obtenidos.

Simulación del ARCH(3) y GARCH (1,1) vs rendimientos
Conclusión

Los modelos ARCH-GARCH, nos permiten hayar una justificación a la volatilidad de los activos financieros con base a la varianza condicional (varianza rezagada).

Se concluye que los modelos que mejor caracterizan la volatilidad de Electronic Arts son el ARCH(3) y el GARCH(1,1).

Anexo.Visualizando el contexto, las empresas desarrolladoras y distribuidoras de videojuegos podrian generar bastante competencia entre ellas, con base a las nuevas consolas de videojuegos (PS5 y XBOX Serie x). Si EA (una empresa pinera de los videojuegos) se adapta a los productos que podrian ofrecer en un futuro estas consolas (realidad virtual, modos de juego, etc) y el mercado las recibe bien, podria venirse un efecto bastante considerable en el precio de sus stocks.

*Bibliografía [1] ETF.com Insight. (2020). EA Electronic Arts Inc. Citado el 21 de Junio de 2020, de https://www.etf.com/stock/EA?__cf_chl_jschl_tk__=b2eeaa2f247f3a99a81ed585265dd5d1390cfc63-1592694350-0-AUnCSi3e2vrBqq6gz2eA-G5Vhyf9a_e03YqDGgvtR5IUqbFRLtPPIQ8u9rutVqJy45JNppgeM2mkrv9NriiwwkKz8WaLs4tn7O6vo3roQaZHUMR1zIuKCPnWBDjwMEr6JynJMJfeD49D5chFojmgodiAqjERubqDIIh461bZzudkh_YYaJeIqae64Gz0AY48rvK5zyz6iuGfr_dBAkVFYAn97-scWMglidlp6FctgJojCDKC2EUyO66LPzqE0R__wknZkrVKSrkgBbWs8HRCkYz5NrkzD_Or-t_j-Dtl3ZgbJIiJ67MlQ1nl4t_imnAO9ZkEP8km5nxw_aHZaKPX5kE