Empresa ALIBABA GROUP HOLDING

Logotipo ALIBABA GROUP HOLDING

ALIBABA GROUP HOLDING opera a través de sus subsidiarias en el comercio online y móvil mediante la oferta de productos, servicios y tecnología que permiten a los comercios, marcas y otras empresas transformar la forma de comercializar, vender y operar en la República Popular China (China), así como a nivel internacional. Sus negocios consisten en el comercio, la informática en la nube, los medios de comunicación móviles y de entretenimiento, así como otras iniciativas de innovación. A través de filiales participadas, también participa en los sectores de logística y servicios locales. El comercio minorista en China que opera la empresa, incluye: el destino de compras en línea de China (Taobao Marketplace); la plataforma de terceros para las marcas y los minoristas de China (Tmall) y la plataforma de ventas y marketing para ventas flash (Juhuasuan). La empresa opera el comercio al por mayor en China e incluye el mercado mayorista a nivel nacional de China (1688.com), así como el de comercio global (Alibaba.com)[1].

PRIMERA PARTE:DESCRIPCIÓN DE LAS SERIES

Precio de Cierre BABA: enero 2013 - enero 2021

En la figuira 1 se presenta la tendecia que presenta el activo de Alibaba Group holding en el periodo comprendido del 01 de enero de 2015 al 14 de enero de 2021. A principios de 2015 presenta una tendecua a la baja, debido al derrumbe de las cotizaciones por a la salida masiva de inversores ante la denuncia sobre sobornos y falta de controles internos que la involucrarón dando como resulatdo una baja en el precio del activo[2].

Figura 1. Precio de cierre BABA

En la figura 2 se pueden apreciar los rendimientos de BABA que fluctuan entre el 0.1% y etre el -0.009 aproxiamdamente. Presentando un mayor porcentaje en rendimiento durante el mes de julio de 2017 y un bajo rendimiento en el mes de enero del presente año. Destacando que en octubre de 2020 las acciones de BABA (Alibaba) alcanzaron su máximo histórico, puesto que, los títulos del gigante chino en la bolsa neoyorquina sobrepasaron por primera vez en su historia la barrera de los 300 dólares por acción. Sin embargo, los rendimientos de BABA presetaron una tendecia a la baja a finales del 2020 debido a que la fintech del fundador de Alibaba no cumplio con los requisitos para protagonizar la mayor salida a Bolsa de la historia, lo que provocó que la empresa presentara cambios en el entorno regulatorio[3]

Figura 2. Rendimientos de BABA

SEGUNDA PARTE: MODELO ARIMA

MODELO ARIMA

Como una pequeña introducción se tiene que a la combinación formada por procesos autorregresivos y de medias móviles se conoce como proceso ARMA. Llamado también proceso mixto, si este contiene p términos autorregresivos y q términos de medias móviles, se dice que es de orden ARMA (p,q).

Por otro lado, también se tiene el análisis de un histograma, el cual recordemos que el histograma es la representación gráfica de un grupo de datos estadísticos. Estos, agrupados en intervalos numéricos o en función de valores absolutos. El histograma es entonces un gráfico que permite mostrar cómo se distribuyen los datos de una muestra estadística o de una población. Esto, respecto a alguna variable numérica.

Gráfico 3.Histogramas a niveles de BABA

La figura 3 muetra el histograma a niveles de BABA muestra que durante el periodo de muestra nos idica que el indice tuvo mayores repeticiones se dio en 426 puntos,es de decir 48 veces más.Mientras que, la mayor distribución destaca entre 200 y 300 puntos.

Respecto a los rendimientos (grafica 4), pareciera ser que dicha grafica presenta una distribución normal. Sin mebargo, la distribución de dichos rendimientos oscila entre un 3%.

Gráfico 4.Histogramas a rendiminetos BABA

¿Qué son los QQ PLOTS? En estadística, un gráfico Q-Q (“Q” viene de cuantil) es un método gráfico para el diagnóstico de diferencias entre la distribución de probabilidad de una población de la que se ha extraído una muestra aleatoria y una distribución usada para la comparación.[4]

Gráfico 5.QQ-Plot a niveles

La figura anterior (gráfico 5) muestra los cuantiles teóricos o la distribución contra la que se están comparando los precios y que esta es en contra una distribución normal; si la distribución empírica fuera así, entonces los puntos de dispersión deberían de distribuirse en torno a la recta.

Pero lo que se puede apreciar en la grafica es que es que hay una parte de la distribución que se asocia a la línea recta, sin embargo, aunque pareciera que son son más los datos los que se asocian a la linea recta, la distribución se despega de la normalidad.

Gráfico 6.QQ-Plot a rendimientos de BABA

Por otro lado, el gráfico 6. QQ-Plot de rendimientos BABA presenta una tendecia similar a la gráfica de QQ-Plot a niveles, es decir,la mayoria de la parte central de la distribución esta pegada a la recta, dando como resultado una media constante (afirmando así uno de los supuestos de estacionariedad). No olvidando que aun con este resultado significa que hay una normalidad en los datos, puesto que, lo normal en instrumentos financieros que los datos no seas normales.

PRUEBAS DE RAÍCES UNITARIAS

La Prueba de Dickey-Fuller busca determinar la existencia o no de raíces unitarias en una serie de tiempo. La hipótesis nula de esta prueba es que existe una raíz unitaria en la serie. El cual se puede presentar de la siguiente manera para su mejor compresión:

Prueba de hipótesis para PP y DFA:

Prueba de hipótesis para KPSS:

Tabla 1. Pruebas de raíces unitarias

Varieble DFA (valor - p) PP (valor - p) KPSS
BABA (A NIVEL) 0.99 0.2452 0.01
BABA (EN RENDIMIENTO) 0.99 0.01 0.10

De acuerdo a los criterios de las hipotesis arriba mencionadas se puede determinar que con la prueba de DFA y PP a nivel la serie presenta raiz unitaria. Además de que tomando en cuenta el criterio de KPSS a nivel para determinar si la serie es estancionaria nos encotramos con que la serie no es estacionaria. En cuanto a los rendimientos con la prueba DFA Nos muestra que la seire tiene raiz unitaria y con la prueba PP la serie no tiene raiz unitaria. Ahora con la prueba KPSS el resultado que arroja es que la serie es estacionaria.

MODELO ARIMA

Grafico 7. Componentes de autocorrelación ACF y PACF

Tabla 2. Modelos ARIMA

Modelo Ljung-Box (valor p) AIC Dato real Dato pronosticado Diferencial
Auto-ARIMA(3,1,2) 0.1198 8560.8 245.51 241.553 3.957
ARIMA (3,1,1) 0.0008958 8572.39 245.51 242.7366 2.77

Al revisar el correlograma, se identifican componentes de autocorrelación tanto en el procero Autorregresivo (PACF) y en el proceso de media móvil (ACF).

El primer ajuste que se hace para el pronóstico de BABA es utilizando la función auto.arima de R, el cual propone una combinación de ARIMA(3,1,2) para corregir los problemas de autocorrelación.

Modelo 1: AUTO-ARIMA (3,1,2)

Grafico 8. RESUTADOS DEL AUTO-ARIMA(3.1.2) 

Series: BABA 
ARIMA(3,1,2) 

Coefficients:
          ar1      ar2      ar3     ma1     ma2
      -0.9450  -0.7451  -0.0851  0.9282  0.7278
s.e.   0.1156   0.0979   0.0283  0.1143  0.0940

sigma^2 estimated as 12.66:  log likelihood=-4274.42
AIC=8560.84   AICc=8560.89   BIC=8593.07


    Ljung-Box test

data:  Residuals from ARIMA(3,1,2)
Q* = 8.7415, df = 5, p-value = 0.1198

Model df: 5.   Total lags used: 10

Grafico 9. Prueba de estabilidad (Raices inversas)

Al observar el gráfico de la pueba de estabilidad, nos percatamos que en efecto hay una estabilidad en la serie, sin embargo los problemas de autocorreracion que presenta el modelo no han sido resueltos, es por ello que se plantea el modelo que a continuación se presenta.

Grafico 10. Propuesta: ARIMA(3.1.1) 


Call:
arima(x = BABA, order = c(3, 1, 1))

Coefficients:
          ar1      ar2      ar3     ma1
      -0.3511  -0.0029  -0.0597  0.3299
s.e.   0.1874   0.0270   0.0257  0.1864

sigma^2 estimated as 12.73:  log likelihood = -4281.19,  aic = 8572.39


    Ljung-Box test

data:  Residuals from ARIMA(3,1,1)
Q* = 22.72, df = 6, p-value = 0.0008958

Model df: 4.   Total lags used: 10

Grafico 11. Prueba de estabilidad (Raices inversas)

Aunque la propuesta del modelo anterior presenta una mejora aun siguen presentes lo problemas de autocorrelación.Ya que, el modelo ARIMA (3,1,1) presenta una mayor estabilidad que el modelo AUTO-ARIMA(3,1,2).

TERCERA PARTE:MODELO DE VOLATILIDAD

Prueba ARCH

La volatilidad es una característica inherente a las series de tiempo financieras. En general, no es constante y en consecuencia los modelos de series de tiempo tradicionales que suponen varianza homocedástica, no son adecuados para modelar series de tiempo financieras. Engle (1982) introduce una nueva clase de procesos estocásticos llamados modelos ARCH, en los cuales la varianza condicionada a la información pasada no es constante, y depende del cuadrado de las innovaciones pasadas. Bollerslev (1986) generaliza los modelos ARCH al proponer los modelos GARCH en los cuales la varianza condicional depende no solo de los cuadrados de las perturbaciones, como en Engle, sino además, de las varianzas condicionales de períodos anteriores. En 1991, Nelson presenta los modelos EGARCH, en los cuales formula para la varianza condicional un modelo que no se comporta de manera simétrica para perturbaciones positivas y negativas, como sucede en los modelos GARCH; expresando otro rasgo de la volatilidad: su comportamiento asimétrico frente a las alzas y bajas de los precios de un activo financiero. Un elevado número de trabajos sobre modelos de volatilidad se han publicado en las últimas décadas. Ver Poon y Granger (2003), Hansen y Lunde (2006) y Novales y Gracia (1993).[5]

MODELO GARCH(2,1)

Tabla 3. Modelos ARCH Y GARCH

Modelo Omega Alfa 1 Alfa 2 Beta 1 Beta2 AKAIKE BAYES
ARCH(1) 0.000403 0.114556 —– —– —– -4.2801 -4.8633
ARCH(2) 0.000358 0.08333 0.13229 —– —– -4.8857 -4.8756
GARCH(1,1) 0.000058 0.06876 —– 0.80421 —– -4.8918 -4.8817
GARCH(1,2) 0.000056 0.06821 —– 0.79292 0.01469 -4.8904 -4.8769
GARCH(2,1) 0.000056 0.06781 0.00000 0.80807 —– -4.8909 -4.8769
GARCH(2,2) 0.000118 0.04852 0.08822 0.00002 0.60212 -4-8911 -4.8742

Para elegir el mejor modelo, se presentaron 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, tal como se muestra en la tabla 3. Se elige el ARCH(2) y el GARCH(2,1) como los mejores modelos (de acuerdo a los criterios de información) de cada familia para simular los rendimientos de BABA a partir de los parámetros obtenidos.

CONCLUSIÓN

Es preciso señalar que en el análsis de este instrumento fianciero a traves de los diferentes modelos, nos sirve para analizar el comportamiento de BABA tanto a niveles como en rendimientos y como complemento se realiazaron histogramas y gráficos QQ-Plot que permitieron visualizar la distribución que siguen las series y la mayor parte de la concentración tanto en precios como en rendimientos. También se realizaron pruebas de raíz unitaria para determinar estacionariedad en la serie, posterior a ello se realizo la utocorrelación, en el cual se determino que el modelo ARIMA(3,11) corrige la autocorrelació, no es su totalidad, pero si mejora el pronostico.

Por último, pero no menos importante, se realizarón pruebas con los modelos ARCH-GARCH que permiten explicar la volatilidad de los activos financieros a partir de la varianza condicional, es decir, a partir de la varianza rezagada. Donde el modelo que mejor caracteriza la volatilidad de BABA se presento en el ARCH(2) y el GARCH(2,1).

REFERENCIAS

[1]https://en.wikipedia.org/wiki/Alibaba_Group [2]https://www.iprofesional.com/notas/205252-Las-acciones-de-Alibaba-cayeron-88-por-las-acusaciones-de-falsificacin-de-productos [3]https://www.expansion.com/empresas/tecnologia/2020/11/03/5fa1691f468aebe3168b465e.html [4]https://es.wikipedia.org/wiki/Gr%C3%A1fico_Q-Q [5]http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S0121-47722008000100011 [6]https://rpubs.com/Ana_JP/TESLA_ARCHGARCH [7]https://rpubs.com/Ana_JP/EDZ_ARIMA

NOTA: No se lograron visualizar las ultimas gráficas de modelo de volatilidad.