Introducción
El análisis de la incertidumbre cobra importancia en la medida que la misma la definen autores como Knight (1921) y Keynes (1921; 1939) como el desconocimiento de los eventos futuros, lo que repercute en la toma de decisiones de los agentes a la hora de tomar decisiones. Al analizar la incertidumbre, diferentes autores han mencionado elementos que muestran sus impactos en el bienestar económico, como lo es el aumento del costo de oportunidad a la hora de invertir (Bernanke, 1983), poca creencia en las instituciones (Streb, 2000), contracción en el consumo, empleo y el nivel de producción (Bloom, 2009; Cerda et al., 2016 y Haddow et al., 2013).
De igual forma, la economía colombiana se ha caracterizado por su relación con la producción de materias primas energéticas como lo son el petróleo, el carbón y el gas, encontrando así una relación positiva entre los precios de estos bienes y la actividad económica nacional (Gómez, 2015; González & Hernández, 2016; Mendoza & Vera, 2010 y Poncela et al., 2017). En esa línea, hay que resaltar que Basher y Sadorsky (2016), Brahmasrene et al. (2014) y de Truchis y Keddad (2016), han identificado que la alta volatilidad de las materias primas está asociada con momentos de incertidumbre, permitiendo así inferir que, dado que la economía colombiana relaciona su crecimiento con estas materias primas, es factible desarrollar un índice que permita medir la incertidumbre basado en los precios de las materias primas energéticas.
Dado lo anterior, este artículo se propone como objetivo desarrollar un índice que permita medir los niveles de incertidumbre en la economía colombiana. Para ello, se utilizó la metodología de factores dinámicos propuesto por Geweke (1977) usando los datos históricos de los precios del barril de petróleo WTI y Brent, los precios del carbón australiano, el precio del gas y la tasa representativa del mercado (TRM). Seguido de esta introducción, se encuentran las secciones revisión de literatura, modelo econométrico, discusión de resultados y conclusiones.
I. Revisión de literatura
El no conocer qué eventos se aproximan, hace referencia a un término llamado incertidumbre (Knight, 1921; Keynes, 1921; 1939). En esta línea diversos autores como Bernstein (1998) afirman que la incertidumbre se refleja en distintas variables macroeconómicas. Por tanto, Ali et al. (2017), Cooper et al. (2004), Daniel y Moskowitz, (2016) y Gervais et al. (2001) aseveran que la incertidumbre se asocia al comportamiento del sistema económico. Igualmente, hay que anotar que la incertidumbre también se ve asociada al valor de las empresas en el tiempo (Asness et al., 2013 y Moskowintz et al., 2012). Así, diversos investigadores han invertido esfuerzos con el fin de entender las anomalías producidas por este elemento, como Frazzini, (2006), Johnson (2002) y Liu et al, (2008) quienes analizan la incertidumbre desde la racionalidad; a su vez, Cooper et al. (2004), Daniel et al. (1998) y Hong y Stein (1999) plantean el análisis de la incertidumbre desde el comportamiento conductual. Los resultados de dichas investigaciones mencionan que en los momentos de mayor incertidumbre hay información heterogénea que genera fricción en los mercados y características específicas de las empresas. En esa medida Cooper et al (2004) y Novy-Marx (2012) identifican que la historia de las variables macroeconómicas es de gran relevancia para identificar anomalías que desencadenan en incertidumbre.
En los países latinoamericanos -y especialmente en Colombia- la apertura económica y la intensificación de las actividades minero-energéticas ha permitido que las fluctuaciones de las variables exógenas a la economía generen un impacto en ella (Ortiz, 2016). Autores como Candelo (2018), Gómez (2015), González y Hernández (2016), Mendoza y Vera (2010), Poncela et al. (2017), Oviedo y Sierra (2019) y Oviedo y Candelo (2020) han generado evidencia de que la economía colombiana se ve afectada por las fluctuaciones de las materias primas y la tasa de cambio. De acuerdo con lo anterior, autores como Basher y Sadorsky (2016), Brahmasrene et al. (2014), de Truchis y Keddad (2016), Golub (1983), Krugman (1983) y Lof y Nyberg (2017) han encontrado una relación entre los cambios de la tasa representativa del mercado con los precios de las materias primas. Ahora bien, esto toma relevancia en cuanto al análisis de incertidumbre, puesto que Basher y Sadorsky (2016), Brahmasrene et al. (2014), Brander y Krugman (1983), de Truchis y Keddad (2016), Golub (1983) y Lof y Nyberg (2017) plantean que la tasa de cambio y las materias primas son proxys de las anomalías en los mercados mundiales.
Igualmente se deben mencionar las investigaciones para Colombia que realizan índices para la medición de la incertidumbre. Entre ellas está la realizada por Partow (1996), el cual usa la productividad marginal del capital como herramienta para medir la incertidumbre. Igualmente, Birchenall (1997), quien usa la variación de la tasa de cambio y la inflación. Por otro lado, Delgado y Rincón (2017) utilizan los instrumentos fiscales en un modelo GARCH. Posada (2010) usa la tasa de cambio real y la inflación en un modelo GARCH para medir la incertidumbre y -en investigaciones más recientes- Gil y Silva (2019) utilizan la metodología planteada por Baker, Bloom y Davis (2016), donde se identifican en los medios de comunicación la palabra de incertidumbre para calcular el índice.
II. Modelo econométrico
En este artículo se siguió la metodología que permite la estimación de los factores no observables, donde se aplican los modelos dinámicos factoriales propuestos por Geweke (1977) y -a su vez- los aplica en una extensión del problema Stock y Watson (2002, 2005, 2011). Los modelos dinámicos factoriales se pueden escribir de manera estática por la ecuación (1):
Así Xt es un vector de N×1 dimensiones, que contiene las variables de la TRM, los precios del petróleo, WTI y Brent, los precios del gas y los precios del carbón. Dicho vector está en función de la suma de dos componentes no observables: un componente que contiene la matriz de información de todas las variables, F t , y un componente idiosincrático o ruido blanco, et , propio de cada variable. De igual manera, Λ es una matriz compuesta por las cargas de los factores, de dimensión N×K y el término ΛF t se define como los componentes comunes de Xt . De igual manera, el término de error et de dimensión N × 1, se caracteriza por tener media cero y varianza constante. Este último puede presentar una poca correlación transversal, en la medida que captura el componente idiosincrático.
El componente idiosincrático de cada variable que está asociada al componente autorregresivo esta dado por:
El número de periodos está dado por t = 1,2,3,… , N y et, representa un proceso de ruido blanco con media cero y varianza constante. De igual manera Ai, es una matriz de N × N , que se describe por Ai = q 1 Ai + q 2 Ai−2 + … + qpAp− N , donde i = 1,2,3… ,N y p, es el número de rezagos. Por último, la estimación del factor dinámico se realiza por máxima verosimilitud.
A. Datos
Los datos usados para la estimación del índice de incertidumbre son de frecuencia mensual, desde enero de 2000 hasta junio de 20201. Entre estos se encuentran las variables de tasa de cambio peso-dólar, el precio del barril de petróleo WTI, el precio del barril de petróleo Brent, el precio spot del gas natural Henry Hub y el precio del carbón australiano. La utilización de estos datos en el índice se debe a que Basher y Sadorsky (2016), Brahmasrene et al. (2014), Brander y Krugman (1983), de Truchis y Keddad (2016), Golub (1983) y Lof y Nyberg (2017) plantean que la tasa de cambio y los precios de las materias primas energéticas son proxys de la incertidumbre, -además de la relación existente entre la economía colombiana con estas variables- lo cual es evidenciado por autores como Candelo (2018), Gómez (2015), González y Hernández (2016), Mendoza y Vera (2010), Oviedo y Sierra (2019), Oviedo y Candelo (2020) y Poncela et al. (2017). En esa línea, estos datos se obtuvieron del Banco Federal St. Louis (FRED, 2020).
La Figura 1 muestra el comportamiento de las variables de estudio. Primeramente, se puede notar que los precios del petróleo WTI, Brent, Carbón y gas en la primera mitad de la década del 2000 hasta el 2008, tuvieron un comportamiento al alza. Por otro lado, la TRM -dada su correlación inversa con los precios de estas materias primas- se comporta de manera contrapuesta. En el momento de la crisis del 2008, el precio de estas materias primas bajó considerablemente, e igualmente la tasa de cambio tiene un comportamiento contrario. Posterior a la crisis subprime, a diferencia del carbón y el petróleo, el gas tuvo un cambio estructural y siguió otra senda de comportamiento. Por otro lado, la cotización del petróleo crece después del 2009, llegando a otro de sus picos en el 2012. Después de este periodo, hay que mencionar que el valor de este hidrocarburo cae en el 2014 debido a una baja demanda, una extensión de la oferta, un cambio del objetivo por parte de la OPEP y la revaluación del dólar estadounidense (World Bank, 2015). Igualmente, también se debe mencionar que, en el 2018, cuando China y Estados Unidos empiezan la guerra comercial, el precio del petróleo baja y - a su vez- la tasa de cambio aumenta significativamente. Respecto a crisis más recientes, en enero de 2020 -donde empieza la expansión del COVID19- la tasa de cambio aumenta hasta puntos históricos y lo inverso ocurre con la valoración del petróleo. Además de lo anteriormente mencionado, se debe decir que la valoración del carbón tiene un comportamiento similar a los precios del petróleo.
La Tabla 1 muestra el coeficiente de correlación entre las variables de estudio. Aquí se puede identificar la relación negativa entre los precios de las materias primas del petróleo, carbón y gas respecto a la tasa representativa del mercado, lo cual se puede evidenciar, en la Figura 1 dado su comportamiento inverso. De igual manera, se puede resaltar la relación positiva entre todos los productos minero-energéticos. Hay que mencionar que la relación inversa más fuerte la comparte la tasa de cambio con los precios del petróleo, con un coeficiente mayor de -0,55. De igual manera, la correlación, entre los precios del petróleo y el carbón es alta, teniendo un coeficiente mayor a 0,7; es evidente que el comportamiento de los precios del petróleo Brent y WTI es muy similar, con un coeficiente cercano a 1.
Tabla 1
Coeficiente de correlación de series originales
| TRM | GAS | COAL | BRENT | WTI | |
| TRM | 1 | ||||
| GAS | -0,328 | 1 | |||
| COAL | -0,255 | 0,01599 | 1 | ||
| BRENT | -0,564 | 0,1066 | 0,7915 | 1 | |
| WTI | -0,594 | 0,2199 | 0,7831 | 0,982297 | 1 |
Para estimar el índice de incertidumbre, se multiplica por (-1) el precio de cada materia prima, con el fin de que estos tengan comportamiento conjunto con la tasa de cambio y no generar sesgos a la hora de analizar la incertidumbre. En esa medida, el factor a estimar está compuesto por las siguientes variables:
Donde cada uno de los vectores de información de las materias primas, se multiplica por (-1).
III. Discusión de resultados
La Figura 2 muestra los resultados del Índice de incertidumbre (IMIFE) propuestos en este trabajo. Inicialmente, se puede identificar que los altos niveles de incertidumbre están asociados a bajos precios de las materias primas y altos valores de la tasa de cambio. De igual manera, los bajos niveles de incertidumbre están asociados a altas valoraciones de las materias primas y bajas cotizaciones de la tasa de cambio colombiana; lo cual concuerda con autores como Candelo (2018), Gómez (2015), González y Hernández (2016), Mendoza y Vera (2010), Oviedo y Candelo (2020) y Poncela et al. (2017), quienes afirman que la economía colombiana se ve afectada positivamente por los altos precios de las materias primas y que existe un comportamiento contrario respecto la tasa de cambio.
Respecto a los momentos de crisis como el 2008, se puede notar que este índice tiene un aumento vertiginoso, lo cual permite identificar que en la crisis subprime, la economía nacional pasó de bajos niveles de incertidumbre debido a los precios históricos de las materias primas, a altos momentos de incertidumbre cuando los mismos tienen una caída vertiginosa. En esa misma línea, a mitades del 2014 donde los precios de los hidrocarburos bajaron por factores ya mencionados, existe un aumento de este índice, e igualmente un menor crecimiento de la economía nacional. También este indicador muestra aumentos de la incertidumbre, en el año 2018 por la guerra comercial entre Estados unidos y China, y a su vez, muestra niveles de incertidumbre históricos en abril del 2020, debido a la llegada del COVID 19 a Colombia.
Figura 2
Estimación del índice mensual de incertidumbre financiera y económica (IMIFE)
Fuente: elaboración propia
De igual manera, vale resaltar que este índice también capta los pequeños momentos de incertidumbre en la economía, puesto que evidencia pequeños aumentos en momentos como lo fueron el 11 de septiembre del 2001 (en el atentado de las torres gemelas) y en el mes de octubre del 2016 (donde se efectuó el plebiscito por la paz en Colombia). es importante resaltar que, aunque este índice capta esos pequeños momentos de incertidumbre, sus mayores beneficios se notan en momentos de grandes crisis económicas.
La Figura 3 muestra la comparación del índice de incertidumbre calculado y el índice de precio de las acciones colombianas normalizados. Inicialmente, se puede observar el comportamiento contrario que tienen dichos indicadores, lo que permite identificar que los momentos donde aumenta la incertidumbre, los precios -en general- de las acciones colombianas disminuyen. Lo anterior, muestra la consistencia que tiene este indicador al momento de dar indicios de incertidumbre, puesto que autores como Asness et al. (2013) y Moskowintz et al. (2012) identifican que en los tiempos de incertidumbre el valor de las empresas en el tiempo cambia.
Para determinar el impacto que tiene la incertidumbre en la economía se ha planteado un vector autorregresivo (VAR) propuesto por Sims (1980), el cual resuelve el problema de la endogeneidad de las variables, permitiendo así observar el efecto de un choque de una variable sobre la otra. Para resolver la estimación de este modelo, se usa el indicador de seguimiento económico (ISE) para Colombia y el IMIFE. Se utilizan datos mensuales del año 2005 hasta mayo de 2020 por la disponibilidad de estos. Para la estimación de este modelo, se usan las variables en diferencias con el fin de analizar el ciclo económico. Vale mencionar que las series, en su primera diferencia son estacionarias, y el modelo se estima a 13 rezagos donde se cumple la no autocorrelación.
La Figura 4 muestra la función impulso respuesta generalizada del modelo a dos desviaciones estándar, donde se puede identificar que la economía colombiana reacciona negativamente al aumento de la incertidumbre, mostrando así una relación negativa entre los momentos de alta incertidumbre y la actividad económica.
Dados los resultados del índice, este puede ser usado por diferentes agentes, como los inversionistas, a quienes les permite identificar caídas del mercado accionario. De igual forma puede ser usado por los elaboradores de política económica, en la medida que altos niveles de incertidumbre están asociados a un bajo crecimiento económico. Por último, este indicador también puede ser usado por los gerentes de las empresas privadas con el fin de redireccionar sus estrategias para el cumplimiento de los objetivos organizacionales.
Conclusiones
Este artículo tuvo como objetivo desarrollar un índice que permita medir los niveles de incertidumbre en la economía colombiana. Para ello se siguió la metodología que permite la estimación de variables no observables, donde se aplican los modelos dinámicos factoriales propuestos por Geweke (1977) y -a su vez- lo aplica en una extensión del problema Stock y Watson (2002, 2005, 2011).
Entre los resultados -inicialmente- se puede identificar que los altos niveles de incertidumbre están asociados a bajos precios de las materias primas y altos valores de la tasa de cambio. De igual manera, los bajos niveles de incertidumbre están asociados a altas valoraciones de las materias primas y bajas cotizaciones de la tasa de cambio colombiana. Igualmente, en los momentos de crisis -como el caso del año 2008-, se puede notar que este índice tiene un aumento acelerado, lo cual permite identificar que en la crisis subprime la economía nacional pasó de bajos niveles de incertidumbre-por precios históricos de las materias primas- a altos momentos de incertidumbre cuando los mismos tiene una caída vertiginosa. También se puede notar que este índice tiene un aumento acelerado, lo cual permite identificar que en la crisis subprime la economía nacional pasó de bajos niveles de incertidumbre -debido a los precios históricos de las materias primas- a altos momentos de incertidumbre cuando los mismos tienen una caída vertiginosa. En esa misma línea, a mitades del año 2014 -cuando los precios de los hidrocarburos bajaron por factores ya mencionados-, existe un aumento de este índice, e igualmente un menor crecimiento de la economía nacional. Este indicador también muestra aumentos de la incertidumbre en el año 2018 por la guerra comercial entre Estados unidos y China y, a su vez, muestra niveles de incertidumbre históricos en abril del 2020 debido a la llegada del COVID 19 a Colombia.
Por último, se realizó la comparación del IMIFE calculado y el índice de precios de las acciones colombianas. Inicialmente, se puede observar el comportamiento contrario que tienen dichos indicadores, lo que permite inferir que los momentos donde aumenta la incertidumbre, los precios de las acciones colombianas disminuyen. Lo anterior, muestra la consistencia que tiene este indicador al momento de dar indicios de incertidumbre. En esa misma línea, se puede probar que la economía colombiana reacciona negativamente al aumento de la incertidumbre, mostrando así una relación negativa entre los momentos de alta incertidumbre y la actividad económica.