UBER Technologies Inc

Descripción

La empresa Uber Technologies Inc s una empresa estadounidense que proporciona a sus clientes a nivel internacional vehículos de transporte con conductor (VTC), a través de su software de aplicación móvil (app), que conecta los pasajeros con los conductores de vehículos registrados en su servicio, los cuales ofrecen un servicio de transporte a particulares. La empresa organiza recogidas en cientos de ciudades de todo el mundo y tiene su sede en San Francisco (California).

Actualemente la empresa cuenta con competidores en todos países donde opera, destacando algunos, como:

Gráficas las series a niveles y en rendimientos

La empresa Uber technologies Inc. demostró su debut en la bolsa de wall street en Mayo del 2019, https://www.forbes.com.mx/consideraciones-sobre-el-debut-de-uber-en-bolsa/ . Si bien, en la apertura estimada de la venta de acciones, en la bolsa de Nueva York, con un valor de US $100,000 millones, por lo cual se convierte en una de las empresas donde se especuala que en el corto plazo no se generen ganacias, https://www.bbc.com/mundo/noticias-47934292. Y así resultó, en la gráfica se muestra como de Mayo a Julio del 2019, se tuvo una tendencia al alza. Poco después, a mediados de Julio de 2019, las acciones se comportaron con una tendencia bajista (Mercado Bear), donde esta se mantuvo hasta mediados de Noviembre. Para la otra mitad del mes, las acciones de la empresa empezaron a tener un comportamiento alcista (Mercado Bull), debido a sus anuncios con expasión de servicios en comida a domicilio y anuncios por el director ejecutivo de Uber, Dara Khosrowshahi, donde afirma que la compañía reportaría ganancias para 2021, haciendo alución a una competitividad futura, así como amazon lo obtuvo: https://www.bbc.com/mundo/noticias-50305163

Otro asunto importante que se debe destacar es en los índces: S&P 500, Nasdaq y DOWN JONES, claro el NYSE Composite, donde debido a anauncios de acuerfdos comerciales, en un corto plazo, de China y EEUU se podrían alcanzar. Además de anuncios del secretario de Comercio, Wilbur Ross, en el cual EEUU dará “muy pronto” licencias a las firmas del país para que puedan hacer negocios con el gigante chino de las telecomunicaciones Huawei https://www.infobae.com/america/eeuu/2019/11/04/records-en-wall-street-el-indice-dow-jones-el-nasdaq-y-el-sp-500-abrieron-con-maximos-historicos/ Todo esto repercute en los índices en los mercados de aciones (ya se han para bull o bear).

Para Finales de Febrero 2020, la empresa volvió a tener un tendencia bajista debido al brote del virus COVID-19, el cual originó una pandemia global y los mercados no tardaron en reflejar el comienzo bajas en índices y empresas. En el caso de Uber, se observó una gran afectación por el virus una rotunda cuarentena. La demanda de sus servicios cayó.

Por lo cual no hay información suficiente para poder lograr un modelo de volatilidad eficiente.

Por parte de los rendimientos en Uber, debido a la información del historial de sus acciones, que sólo se abarca aproximadamente un año, se han idenficado varios clusters. Para entender de primera instancia los clusters (ramificaciones), es necesario conocer que se basan en los principios de k-means y la desviación estandar o varianza. Por lo cual al observar la gráfica de rendimientos, se debe identificar dónde la desviación estandar y/o varianza no tienen un comporamiento homogeneo. Lo cual se deduce que existieron clusters en:

Todos estos clusters señalan que existió mayor volatilidad en el mercado para las acciones de Uber, ya sea por asuntos políticos donde opera la empresa, movimientos de índices o pandemias, ocasionan una mayor volatilidad.

Prueba DFA, PP Y KPSS H0: La serie tiene raíz unitaria

Tabla_1:Prueba de raíces unitarias sobre rendimientos

Preuba Valor p Ho Resultado
Dickey-Fuller 0.01 La serie tiene raíz unitaria Rechazo la Ho
Phillips-Perron 0.01 La serie tiene raíz unitaria Rechazo la Ho
KPSS 0.1 La serie es estacionaria No rechazo la Ho

Autocorrelacion de los rendimientos al cuadrado

Para los efectos de la autocrrelación que se tienen para Uber, los datos señalan en la parte de ACF con un efecto de memoria del 80 % sobre la media movil. Por otro lado, los residusales señalan que se tiene un explicación de memoria alrededor del 30% en el primer rezago, de acuerdo a rendmientos.

Prueba ARCH H0: No hay efectos ARCH

#Tabla_2:Preuba de efectos ARCH

Prueba Valor p Ho Resultado
ARCH test 2.99E-11 La serie No tiene efectos ARCH Rechazo H0

Modelos de volatilidad

8.1 ARCH (1)

Parámetro Coeficiente
\(\omega\) 0.000928
\(\alpha_(1)\) 0.535985

8.2 ARCH (2)

Parámetro Coeficiente
\(\omega\) 0.000637
\(\alpha_(1)\) 0.286947
\(\alpha_(2)\) 0.331841

8.3 ARCH (3)

Parámetro Coeficiente
\(\omega\) 0.000433
\(\alpha_(1)\) 0.204512
\(\alpha_(2)\) 0.27462
\(\alpha_(3)\) 0.275292

8.4 ARCH (4)

Parámetro Coeficiente
\(\omega\) 0.00038
\(\alpha_(1)\) 0.19954
\(\alpha_(2)\) 0.17918
\(\alpha_(3)\) 0.27864
\(\alpha_(4)\) 0.1312

8.5 GARCH (1,1)

Parámetro Coeficiente
\(\omega\) 0.000175
\(\alpha_(1)\) 0.275322
\(\beta_(1)\) 0.599772

8.6 GARCH (1,2)

Parámetro Coeficiente
\(\omega\) 0.000165
\(\alpha_(1)\) 0.270636
\(\beta_(1)\) 0.614311
\(\beta_(2)\) 0

8.7 GARCH (2,1)

Parámetro Coeficiente
\(\omega\) 0.000219
\(\alpha_(1)\) 0.208211
\(\alpha_(2)\) 0.139156
\(\beta_(1)\) 0.497969
\(\beta_(2)\) 0

8.7 GARCH (2,2)

Parámetro Coeficiente
\(\omega\) 0.000219
\(\alpha_(1)\) 0.208231
\(\alpha_(2)\) 0.139168
\(\beta_(1)\) 0.497972
\(\beta_(2)\) 0

Selección de modelo y simulación de los rendimientos

De acuerdo a las simulaciones que se hicieron, tanto para modelos ARCH y GARCH, se obtuvieron los siguientes resultados (ver la tabla). de los cuales se ha tenido que seleecionar al modelo ARCH(3) debido a que los coeficientes obtenidos son significativos con un valor p menor al 5% , además de que la suma de éstos da como resultado un 75% (menor a 1). Por otra parte de seleccionó al modelo GARCH (1,1), debido a que los coeficientes obtenidos son significativos (valor p menor al 5%). Si bien el modelo GARCH (1,2) e incluso el GARCH(2,1) presentan mejores coeficientes, éstos no son significativos (valor p mayor al 5%), por lo cual Se eligió el modelo que mejor se adapta al vlaor p.

Modelo \(\omega\) \(\alpha_(1)\) \(\alpha_(2)\) \(\alpha_(3)\) \(\alpha_(4)\) \(\beta_(1)\) \(\beta_(2)\) AKAIKE BAYES
ARCH(1) 0.000928 0.535985 -3.7007 -3.672
ARCH(2) 0.000637 0.286947 0.331841 -3.8336 -3.7906
ARCH(3) 0.000433 0.204512 0.27462 0.275292 -3.9177 -3.8604
ARCH(4) 0.00038 0.19954 0.17918 0.27864 0.1312 -3.9242 -3.8525
GARCH(1,1) 0.000175 0.275322 0.599772 -3.9141 -3.8711
GARCH(1,2) 0.000165 0.270636 0.614311 0 -3.9086 -3.8513
GARCH(2,1) 0.000219 0.208211 0.139156 0.497969 -3.9134 -3.856
GARCH(2,2) 0.000219 0.208231 0.139168 0.497972 0 -3.9052 -3.8335

Simulación con los rendimientos y resultados

Como se puede observar en las gráficas, la primera reprsenta los rendimientos reales de Uber, la segunda el modelo ARCH(3) y la tercera el modelo GARCH(1,1). Dado que los clusters que se tienen en:

Donde se muestra que para ambos modelos, se tiene una simulación no muy idéntica a los clusters, debido a que estamos manejando números aleatorios, no hay suficientes datos, debido a que uber sólo lleva un año en la bolsa de valores. Aunque se identifica que el modelo ARCH (3) refleja, de cierta forma, el comportamiento de los rendimientos de Uber.

Conclusión

Los modelos de GARCH y ARCH que se asentaron para el caso de uber son efientes; ya que son herramientas útiles en casos donde existe una gran volatilidad, y donde se puede encontrar clusters que ayuden a indentificar la desviación estandar heterogenea a lo largo de un periodo. Esto facilita la forma de coonocer el comportamiento de una serie en rendimientos, ya sea para acciones, tipo de cambio, etc.