Introducción

El ETF de Utilites Select Sector SPDR Fund (XLU) es un ETF que replica el comportamiento de las empresas incluídas en el índice S&P 500. Además dicho ETF incluye empresas de las siguientes industrias: incluye empresas de las siguientes industrias: servicios públicos de electricidad, agua y productores independientes de energía eléctrica renovable y servicios de gas.

En este trabajo, se analizará el comportamiento de dicho ETF y además, se realizará un pronóstico de su comportamiento, el método utilizado será la descomposición STL, la cuál nos permitirá observar diversos componentes de la serie, tales como su tendencia y su estacionalidad, estos, son importantes ya que definen el comportamiento de dicha serie, además, se utilizarán diversas ventanas de tiempo para realizar el pronóstico, tomando como referencia la ventana de 252 días, la cuál coincide con los días del calendario bursátil.

Como ya se mencionó, este ETF es una réplica del comportamiento de diversas empresas del índice S&P 500, por lo que es importante observar cómo ha sido su comportamiento a lo largo de los años, la muestra utilizada parte del 1 de enero de 2015 hasta el 10 de noviembre del año en curso, por lo que, se tienen datos suficientes para analizar si existe algún tipo de tendencia. Dicho comportamiento se muestra en el gráfico 1.

En dicho gráfico, se puede observar el comportamiento registrado por este ETF en los últimos 5 años, en general, se observa que existe una tendencia alzista a lo largo del periodo seleccionado, sin embargo, han existido diversas bajas en el precio de dicho ETF, por ejemplo, el 14 de noviembre de 2016 se observó un mínimo de 46 dólares al cierre, posteriormente, el precio nuevamente presentó una alza hasta alcanzar un máximo local de 56.87 dólares en el siguiente año, es decir, el 14 de noviembre de 2017, posteriormente se presentó de nueva cuenta una baja en dicho precio, llegando a registrar un nuevo mínimo de 47.56 dólares el 8 de febrero de 2018, a partir de esta fecha, la serie presentaba una tendencia a la alza con algunas bajas y recuperaciones rápidas hasta alcanzar el máximo absoluto de 70.98 USD el 18 de febrero de 2020.

Sin embargo, debido a la contingencia mundial del COVID-19, se presentó una caída abrupta de dicho precio, cayendo hasta los 44.93 dólares el 23 de marzo del año en curso, esta fecha coincide con la fase más fuerte de la pandemia en el continente europeo, habiendo presentado efectos devastadores en el continente asiático de manera previa, sin embargo, a partir de esa fecha se presenta una rápida recuperación de sus precios, que, aunque presentan diversas caídas, mantienen un alza si se generaliza su comportamiento en los últimos meses, por último, el 10 de noviembre del año actual, se ha alcanzado un nuevo máximo de 66.26 USD.

Descomposición de la variable XLU

Utilizando el método STL para la descomposición de variables, es posible observar diversos componentes importantes que definen el comportamiento de la serie, uno de ellos, y probablemente de los más importantes es la estacionalidad, la estacionalidad indica un comportamiento cíclico que se presenta durante periodos específicos de tiempo, por ejemplo, en variables reales de la economía, existen comportamientos repetidos que se presentan de acuerdo a las estaciones del año, así que.

De acuerdo con Cleveland. (1990) la descomposición de la serie de tiempo presenta los siguientes componentes:

Tendencia \(\left (T_{t} \right )\), que representa la evolución de la serie en el largo plazo.

Fluctuación cíclica-estacional \(\left ( S_{t} \right)\), que refleja las fluctuaciones de carácter periódico, pero no necesariamente regular, a medio plazo en torno a la tendencia. Esto componente refiere también variaciones climatológicas, las vacaciones, las fiestas, etc. Este componente es frecuente hallarlo en las series econ?micas, y se debe a los cambios en la actividad económica.

Movimientos Irregulares \(\left ( I \right )\), que pueden ser aleatorios, la cual recoge los pequeños efectos accidentales, o erráticos, como resultado de hechos no previsibles, pero identificables a posteriori (huelgas, catástrofes, etc.).

La asociación de estos cuatro componentes en una serie temporal, Y, puede responder a distintos esquemas; así, puede ser de tipo aditivo: \[Y_t= T_t + S_t + e_t\] También puede tener una forma multiplicativa: \[Y_t=T_t *S_t *e_t\]

O una combinación de ambos \[Y_t=T_t*S_t +e_t\] El precio del activo será sometido al proceso de descomposición descrito anteriormente. En primera instancia, se realizará una propuesta utilizando una ventana de tiempo correspondiente al calendario bursátil, es decir: \(w=252\) La descomposición se muestra en el gráfico 2.

Gráfico 2. Descomposición de variables de XLU, w = 252 días

Fuente: Elaboración Propia con datos de Yahoo Finance

En este gráfico es posible observar el comportamiento de los componentes de la variable de precios de cierres del ETF correspondiente al Ticker XLU, en este, podemos observar que existe una tendendia a la alza muy clara, presentando una tendencia suavizada hacia la baja correspondiente al transcurso del año 2020, por otra parte, se puede observar que el componente estacional indica que la serie comunmente suele tener una baja en la primera cuarta parte del año, presentando un alza en los meses restantes, hasta que, de nueva cuenta, se presenta una baja correspondiente a los últimos días de cada año.

Ahora, analicemos el comportamiento estacional de cada año, mostrado en el gráfico 3.

Fuente: Elaboración Propia con datos de Yahoo Finance

En esta gráfica, se observa que en el año 2015, se comenzó con un comportamiento estacional a la baja que se extendió durante todo el año, sin embargo, se observa un comportamiento cercano a la lateralidad a partir de la segunda mitad del año. Por otra parte, en 2016 existe un comportamiento diferente, comenzando con un alza que se extendió hasta terminada la primera mitad del año, posteriormente se observó de nueva cuenta una baja en el crecimiento de dicha variable, retomando un alza en la última parte del año. Asimismo, es posible distinguir que en 2017 y 2018 existieron comportamientos estacionales similares, presentando un alza generalizada durante la mayor parte del año, concluyéndolo con una baja en el último mes de este. En 2019 se observa que todo el año presentó un alza en el crecimiento de la variable. Por último, en 2020 se inicia el año con un comportamiento alzista, continuando con una baja abrupta provocada por la contingencia sanitaria del COVID-19 y posteriormente se observa un comportamiento a la alza con algunos picos.

A continuación se muestra una gráfica del pronóstico a 100 días de la variable utilizando la ventana mencionada de 252 días.

Fuente: Elaboración Propia con datos de Yahoo Finance

En este pronóstico, se observa que el comportamiento esperado de la serie toma una lateralidad para, posteriormente, tener una nueva baja en el precio de sus acciones. Este pronóstico es apegado al comportamiento de la serie para el año 20202, ya que presenta una caída anterior a la primera mitad del año siguiente, aunque la caída pronóstica es menor a la presentada en la serie.

Pronóstico utilizando una propuesta de ventana distinta.

Debido a la cantidad de datos disponibles, se ha optado por utilizar una ventana menor al promedio de días cotizados por año, el cual fue de 251.6, en este caso, la ventana utilizada será de 248 días, esto debido a que no existe una gran falta de información de los datos, los únicos datos faltantes son los correspondientes a los últimos dos meses del año 2020, que en realidad son pocos datos comparados con la serie completa, por lo tanto se consideran despreciables, además, elegir una ventana más pequeña provocaría un sobre ajuste en la descomposición de la variable utilizada. A continuación se presentan los resultados presentados por la ventana elegida.

Gráfico 5. Descomposición de variables de XLU, w = 248 días

Fuente: Elaboración Propia con datos de Yahoo Finance

En esta gráfica no se observan cambios importantes si se compara con la descomposición tomando una ventana de 252 días, el único cambio que se presenta es en el comportamienton estacional de la serie, presentando la caída algunos días después comparada con la ventana de 252 días, sin embargo, la tendencia y el componente irregular se mantienen iguales. A continuación se muestra el gráfico estacional por año de la serie y se describirá si existe algún cambio.

Fuente: Elaboración Propia con datos de Yahoo Finance

Aquí, sí se presentan cambios importantes, para iniciar, se observa que el comportamiento de 2020 se extiende mucho más, esto debido al ajuste realizado por una ventana menor, podemos observar que el comportamiento del año en curso llega cerca del final. Por otra parte, los comportamientos de 2017 y 2018 son distintos, pasando de mostrar una tendencia bajista a finales del año a continuar con el alza, además, estos años presentan una menor lateralidad.

Ahora, se presenta el pronóstico utilizando la ventana de 250 días.

Fuente: Elaboración Propia con datos de Yahoo Finance

En este caso, el pronóstico indica que existe un comportamiento muy similar de la serie en los 100 días próximos, esto, debido a que una ventana con 4 días menos no afecta de manera considerable al comportamiento de la serie ni al pronóstico.

Por último, en la tabla 1 se presenta una comparación de los pronósticos de 252 y 248 días junto al precio que presentó dicho activo, además, se muestran los criterios de información de Akaike (AIC) y el criterio Bayesiano de Schwartz (BIC)

Cuadro 1. Comparación de Pronósticos con el precio real del día 11 de noviembre de 2020

Fecha	Precio Real	Pronóstico w=252	Diferencial w=252	Akaike w=252
11-nov-20	$66.51	$64.37	$-2.14	9192.502

Fecha	Precio Real	Pronóstico w=248	Diferencial w=248	Akaike w=240
11-nov-20	$66.51	$64.41	$-2.10	9179.930

Fuente: Elaboración Propia con datos de Yahoo Finance

En este cuadro se puede observar que la ventana de 248 presenta un diferencial menor con respecto al precio pronosticado, además de presentar un criterio de Akaike menor, lo cuál hace que esta ventana sea la elegida como óptima para realizar el pronóstico de nuestro de activo.

Se consideraron ventanas de tiempo menores, sin embargo, a pesar de que estas presentaban un mejor criterio de Akaike, a su vez presentaban problemas con el sobreajuste y un pronóstico más alejado del precio real de cierre, es por este motivo que la ventana de 248 días fue la elegida para presentar en este trabajo.

Conclusiones.

Basado en el análisis realizado en este estudio, se recomienda mucha discreción a la hora de comprar este activo, ya que, si bien, presenta un comportamiento a la alza a partir del mes de marzo, el pronóstico y la descomposición muestran que el precio caerá eventualmente, por lo que todas las ganancias que se presenten antes de este periodo serán insignificantes e incluso se presentarán pérdidas. No se recomienda comprar este activo al menos en el corto plazo, sin embargo, dada la tendencia presentada en años anteriores, es prudente mantener esta variable en estudio para determinar si es posible que se retome esta tendencia ascendente y de este modo, comprar este activo para maximizar los rendimientos.

Referencias.

Cleveland, R.B. and Cleveland, W.S. (1990) STL: A Seasonal-Trend Decomposition Procedure Based on Loess. Journal of Official Statistics, 6, 3-33.

https://www.ssga.com/us/en/institutional/etfs/funds/the-utilities-select-sector-spdr-fund-xlu