Vista previa del material en texto
EFECTIVO, No.35, enero-junio de 2022, págs. 161-182 © 2022 INSTITUTO TECNOLÓGICO METROPOLITANO - INSTITUCIÓN UNIVERSITARIA ISSN: xxxx-xxxx 161 Contraste de métodos econométricos sobre las criptomonedas y los índices bursátiles de Latinoamérica Contrast of econometric methods on cryptocurrencies and stock market indices in Latin America Natali Montoya López1, Jefferson Alejandro Sabas Cadavid2, Guido Alván Herrera Castillo3 y David Esteban Rodríguez Guevara4 1, 2, 3 Estudiante de Ingeniería Financiera, Instituto Tecnológico Metropolitano, 4 Economista, Especialista en Finanzas, MsC. Admón. Financiera. 1 natalimontoya189615@correo.itm.edu.co 2 jeffersonsabas75093@correo.itm.edu.co 3 guidoherrera152342@correo.itm.edu.co 4 davidrodriguez@itm.edu.co mailto:natalimontoya189615%40correo.itm.edu.co?subject= mailto:jeffersonsabas75093%40correo.itm.edu.co?subject= mailto:guidoherrera152342%40correo.itm.edu.co?subject= mailto:davidrodriguez%40itm.edu.co?subject= Montoya-López, Sabas-Cadavid, Herrera-Castillo, Rodríguez-Guevara Contraste de métodos econométricos sobre las criptomonedas y los índices bursátiles de Latinoamérica162 Resumen El siguiente trabajo presenta un análisis de elección de metodologías de múltiples formas de estimación de índices bursátiles latinoamericanos contrastando su influencia con las criptomonedas, para ello se realizó modelos ARIMA y ARIMA-ARCH o ARIMA-GARCH y modelos VAR – VEC a fin de encontrar uno que permita medir de forma ajustada dichos índices; para su realización se toma una primera etapa de estimación con modelos univariados y después una de modelos bivariados que encuentre una relación entre los índices bursátiles y los Bitcoin. Se concluye que de acuerdo con los resultados que en su mayoría los modelos de mejor ajuste son los modelos ARIMA-GARCH que muestran mejor eficiencia en la bondad de ajuste de los modelos presentados; si bien existe una influencia en los modelos VAR de las criptomonedas sobre los índices bursátiles, su aplicación no muestra un ajuste lo suficientemente fuerte para ajustar un modelo mejor que los ARIMA-GARCH. Palabras clave: ARCH-GARCH, ARIMA, VAR-VEC, Criptomonedas, Índice bursátil. Abstract The following article presents an analysis of the choice of methodologies of multiple forms of estimation of Latin American stock indexes, contrasting their influence with cryptocurrency, for which ARIMA and ARIMA-ARCH or ARIMA-GARCH and VAR - VEC models are used to find one that measure these indexes in an adjusted way. The first estimation stage is taken with univariate models and then one of the bivariate models that finds a relationship between the stock market indexes and Bitcoin. According to the results, it is concluded that most of the models with best performance are ARIMA-GARCH which shows better efficiency in the goodness of fit of the models presented. Although there is an influence in the VAR models of cryptocurrency on stock indexes, their application does not show a strong fit better model than ARIMA-GARCH. Keywords: ARCH-GARCH, ARIMA, VAR-VEC, Cryptocurrency, Stock index. EFECTIVO, No.35, enero-junio de 2022, págs. 161-182 163 Introducción El desarrollo de nuevas tecnologías ha permitido incentivar otros tipos de tendencias de intervención financiera, en donde, en la última década un nuevo sistema transaccional llamado criptomoneda surgió y ha logrado que sean incluidas en los destacados activos usuales del Trading (Sánchez & Arredondo, 2020). Entre las criptomonedas más sobresalientes está el Bitcoin, catalogada como la primera criptomoneda digital, pero en la realidad en orden cronológico fue el eCash, el primer sistema criptográfico monetario electrónico, seguido por el e-Gold, la cual permitió hacer trasferencias instantáneas de valor (Mota-Aragón & Núñez-Mora, 2019). Como indica Porro (2018), las criptomonedas funcionan como una unidad digital de intercambio de valor, utilizadas para enviar y recibir pagos a través de computadores conectados entre sí. Éstas se compran y se cambian por dinero tradicional y se cotizan en mercados financieros donde se especula su valor, igual como se realiza con las otras divisas más comunes. Una de las plataformas por las que se realizan las transacciones de compra y venta de estas divisas digitales es la “Blockchain”, es un sistema seguro, porque basa su tecnología en la criptografía de datos, además maneja transacciones en tiempo real y esto evita riesgos de impagos y fraudes durante el proceso (Martínez-Jenkins, 2016). Monedas como el Bitcoin, ha mostrado una capitalización en el mercado por encima de los 1.100 millones de dólares, seguido por el Ethereum con 244 millones de dólares de capitalización (Coinmarketcap, 2021). Por esta razón, cada día son más las personas que se suman a transar con este tipo de divisas, llevando a que muchas casas de cambio quieran tener participación en Bolsa, como el anuncio que realizó el pasado mes de febrero de 2021, la casa de criptomonedas Voyager Digital a través de su CEO Steve Ehrlich. (Nájera, 2019). Actualmente existen en el mercado alrededor de 8.884 criptomonedas (Coinmarketcap, 2021), dentro de ellas, el bitcoin (BTC), el ripple y el ethereum (ETH), tienen una posición de dominio, porque tienen mayor participación en el mercado. Domínguez-Jurado & García-Ruiz (2019) indican que en Latinoamérica se están abriendo múltiples posibilidades por medio del intercambio de este tipo de dinero digital, debido a que cada vez, el dinero físico ha ido migrando a este tipo de tecnología; sin embargo, presenta retos importantes para los usuarios por los múltiples riesgos inherentes que presenta, las dificultades tecnológicas que todavía existen y la incierta percepción sobre su uso en el mercado (Gartner, 2020). Debido a esta creciente demanda e interés en las criptomonedas y con el propósito de validar el beneficio que traen estas, diversos investigadores han hecho predicciones sobre la volatilidad y las rentabilidades futuras que pueden llegar a tener cada una de estas divisas. Montoya-López, Sabas-Cadavid, Herrera-Castillo, Rodríguez-Guevara Contraste de métodos econométricos sobre las criptomonedas y los índices bursátiles de Latinoamérica164 Bustamante (2016) investigó sobre la volatilidad de los índices bursátiles comprendidos entre el periodo 2000 al 2014, el autor realiza un análisis de los índices bursátiles de IBOVESPA, SP&500, IBEX35 y utilizando los modelos ARMA, ARCH-GARCH, concluye que el método que da una predicción más acertada para los 3 índices es el GARCH, debido a que es el que mejor da una tendencia acertada que permite estimar la volatilidad real observada en un periodo considerado de tiempo. Otro estudio de Álvarez-Díaz (2019) en el cual se investigó el comportamiento y evolución en específico del Bitcoin desde el año 2009 hasta el año 2018, se concluyó que el Bitcoin es una criptomoneda prometedora, ya que está en conjunto con el blockchain brindan a las personas y al comercio la posibilidad de intercambiar esta moneda en las distintas plataformas de pago que se han ido generando. En el presente artículo de investigación se realiza un análisis bajo algunos modelos econométricos, acerca de cuál es el comportamiento de los precios bajo predicción de las monedas virtuales (Bitcoin, y Litecoin) en cada índice bursátil de algunos países de Latinoamérica para el periodo de 2014 a 2020; Se toman un total de 1289 datos por cada variable y se hace la primera estimación de resultados con el modelo ARIMA, se aplica bondad de ajuste y se dan los pronósticos, el mismo paso se repite con los modelos ARCH-GARCH y los modelos VAR- VEC, buscando siempre cuál de los modelos se acerca a una mejor estimación de los valores estudiados. En la estimación realizada para modelos ARIMA, en ocho de las variables inicialmente propuestas para analizar, se encuentra que Bovespa queda descartada esto porque dicho índice presenta ruido blanco en el modelo, Respecto a las demásvariables existen modelos ARIMA con diferencia uno en todos los modelos. Posterior se revisan modelos ARIMA-ARCH-GARCH, se encuentra que la variable BTC No tiene efectos ARCH-GARCH debido a que sus datos arrojados no convergen. En 5 de las variables se da efectos GARCH principalmente de tipo (1,1), y en una sola variable solo se da efecto ARCH de tipo (4). Para verificar modelos bivariados VAR-VEC evalúan ocho combinaciones de modelos los índices bursátiles y las criptomonedas a fin de evaluar un modelo que explica el movimiento de los índices por medio de las criptomonedas, se encuentra que en tres combinaciones se dan efectos espurios para modelos VAR que se analiza posteriormente en modelo VEC encontrando que no existe cointegración y por tanto no se pueden calcular en factor de relación entre variables. Luego de realizar los análisis correspondientes a cada uno de los modelos y realizando los ajustes correspondientes a cada uno de ellos bajo las metodologías que se brindan, para poder determinar si los datos a analizar se ajustan o no a los modelos propuestos, se puede determinar que teniendo en cuenta los valores del porcentaje del error medio absoluto (MAPE) el modelo que más se ajustó fue el ARCH-GARCH, logrando pronosticar que cuando se imprime un impulso al BTC, el IPC genera una reacción. EFECTIVO, No.35, enero-junio de 2022, págs. 161-182 165 Problema de investigación Torres et al. (2019) y Corredor & Díaz (2018) indican que a partir del Bitcoin (BTC), que es una moneda digital de libre circulación, se fueron creando más monedas virtuales como el Ethereum (ETH), Cardano (ADA), Ripple (XRP), Litecoin (LTC), entre otras y se empezaron a generar transacciones a través de Smartphones, todas bajo la tecnología blockchain que es la cadena de bloques con la información encriptada y acumulada de cada emisor y receptor. Del estudio realizado por Restrepo & Ocampo (2019), se dice que las monedas virtuales han marcado una tendencia alcista por la gran cantidad de oferta y demanda de estos últimos años, se están posesionando en el mercado como un medio de pago alternativo en el intercambio de productos y servicios y se ha analizado que los inversores se vuelven pequeños accionistas porque se convierten en una bolsa de valores alternativa con costos más económicos que la bolsa de valores tradicional. En Latinoamérica, se evidencia que el uso de las criptomonedas es medido por el total de descargas y el volumen transaccional, según Castro et al. (2018) para el año 2018, Brasil ocupa el primer lugar transando más de USD $300.000 con un total de 56.322 descargas, en segundo lugar esta Argentina que transaba más de USD $ 35.000 con un total de 28.979 descargas y por último lugar en la lista se encuentra Venezuela que transaba USD 500 con un total de 604 descargas respectivamente. El mercado de criptomonedas ha generado un gran impacto económico porque su precio y su rendimiento ha ido aumentando cada día más y ha alcanzado las cotizaciones más altas (Torres et al., 2019) y ha llamado la atención de los sectores económicos y políticos, por sus valores tan volátiles que se ha llegado a pensar que pueden tener implicaciones en el lavado de activos, en financiar el terrorismo, comercializar bienes y servicios ilegales o la evasión fiscal. Restrepo & Ocampo (2019). De la investigación del autor Tito-Guanopatin (2020), se encuentra que por medio del modelo autorregresivo (SVAR) que el comportamiento de la criptomoneda es casi igual al de los instrumentos financieros de inversión y buscan la relación que puede existir entre uno o varios índices bursátiles como por ejemplo el índice Dow Jones, S&P500, entre otros, y también la relación que existe con el oro y el petróleo. Basado en lo anterior, se identifican estudios realizados de diferentes autores que utilizan modelos econométricos para proyectar el comportamiento de los precios de las criptomonedas con respecto a los índices bursátiles, uno de ellos es Martínez Jenkins (2016) que se basa en estudios de activos financieros como el bitcoin y el Ethereum con el modelo econométrico GARCH; otro estudio basado y aplicado a rendimientos de índices bursátiles es el propuesto por Montoya-López, Sabas-Cadavid, Herrera-Castillo, Rodríguez-Guevara Contraste de métodos econométricos sobre las criptomonedas y los índices bursátiles de Latinoamérica166 el autor Bustamante Romaní (2016), que utiliza el modelo ARMA, ARCH-GARCH para reunir las volatilidades de los rendimientos y que la utilidad sea usada para los fines pertinentes y por último el estudio del autor Nájera (2019) llamado “Relaciones del comportamiento de los precios de las criptomonedas” donde analiza las seis principales criptomonedas del mundo con el objetivo de encontrar si existe una correlación entre ellas. Es por esto por lo que la investigación busca responder si se puede encontrar una metodología que permita medir las criptomonedas con los índices latinoamericanos y por medio de análisis estadístico de bondad de ajuste escoger cual es mejor modelo, el univariado o el bivariado. Metodología Modelos ARIMA Para la ejecución de un modelo ARIMA (AutoRegresive Integrated Moving Average), primero se requiere verificar la existencia de estacionariedad y por ende de diferenciación de las series (d), luego verificar el proceso autorregresivo AR y proceso de media móvil MA, creando el modelo ARIMA(p,d,q). Donde p denota el número de términos autoregresivos y q el número de términos de la media móvil invertible, como se muestra en [1]. Donde Xt d es la serie de las diferencias de orden d, ε_t^d es un proceso de ruido blanco, y C, ϕ1,… ,ϕp ,θ1 ,θq son los parámetros del modelo (Villavicencio, 2010). Para la implementación de los modelos ARIMA se deben tener en cuenta las siguientes etapas para su desarrollo: 1) Preparación de los datos: Definir por lo menos una cantidad de mínimo 50 observaciones, además se debe construir un modelo que permita describir la evolución de los datos de la serie en el tiempo. 2) Identificación del modelo: La serie seleccionada debe ser estacionaria en media, varianza y covarianza, en caso de que no se encuentre la Estacionariedad, se deben realizar las transformaciones necesarias para alcanzar dicha Estacionariedad en la varianza. 3) Estimación: Para esta etapa es necesario calcular los parámetros del modelo ARIMA, comenzando por los de menor orden, de acuerdo con Box-Jenkins se recomienda que para la tendencia se utilice la diferencia finita y para estimar P y Q se tome en consideración exclusivamente, los retardos estacionales. 4) Verificación o Validación (Bondad de ajuste): Se realiza una validación, con el fin de determinar qué modelo se encuentra más ajustado que otro, para ello se utilizan varios métodos tales como a) Error Medio (ME), b) Raíz de Error Cuadrático Medio (RMSE), c) Error Absoluto Medio (MAE), d) Error Medio Porcentual (MPE), e) Error Absoluto medio porcentual (MAPE). 5) Pronóstico: los modelos de este tipo son muy EFECTIVO, No.35, enero-junio de 2022, págs. 161-182 167 acertados para realizar pronósticos de corto plazo. Cuando se tienen series que son muy volátiles se puede considerar el comportamiento promedio de su variable, sin dejar de observar sus posibles fluctuaciones dentro de una banda cuyos límites, inferior y superior, lo determinen el error estándar de la regresión.(Dos-Santos & Pacheco, 2017). Modelos ARCH – GARCH (Montenegro, 1981) plantea realizar modelos condicionales de la varianza y es llamado ARCH por sus siglas en inglés (Autorregressive Conditional Heteroscedasticity) y fue introducido por Engle en 1982, este propuso modelar la varianza en función de los errores del pasado, es decir que la varianza del error es tratada como una variable dependiente de los errores del pasado. Este modelo asume la forma de la ecuación [2]: Donde ε_t es una perturbación aleatoria o error aleatorio, Rojas & Palacios (2004), y Novales (2013) indican que en esteproceso no es necesario tener en cuenta los signos, ya que los coeficientes de la ecuación de varianza garantizan que esta será positiva en todos los períodos. Para validar si el modelo se encuentra ajustado es posible utilizar contrastes del multiplicador de Lagrange de Homocedasticidad para el modelo ARCH (q), para validar la normalidad del proceso ϵ_t se puede validar en términos de la varianza estimada del modelo, para comprobar si la insesgadez de la estimación se utiliza una regresión de yt2 sobre una constante y las estimaciones de la varianza, R2 se puede utilizar como una medida de la bondad de ajuste logrado. Al finalizar la serie de los cuadrados la serie ajustada no debe presentar Autocorrelación (de Arce, 1998). Los modelos GARCH llamados así por sus siglas en inglés (Generalized Autorregresive Conditional Heteroscedasticity) son una extensión de los modelos ARCH, en este modelo se valida la volatilidad promedio en un plazo no tan extenso, a través de una auto-regresión que depende de la suma de las perturbaciones rezagadas y de la suma de las varianzas rezagadas como se ve en la ecuación [3]. Montoya-López, Sabas-Cadavid, Herrera-Castillo, Rodríguez-Guevara Contraste de métodos econométricos sobre las criptomonedas y los índices bursátiles de Latinoamérica168 Donde p ≥ 0,q > 0,α0 > 0,αi ≥ 0,i = 1…,q Y γi ≥ 0 i = 1,...,p. Ahora la varianza condicional depende tanto del cuadrado de los errores como de las varianzas condicionales retrasadas p períodos. Si p = 0, se tiene el proceso ARCH(q) en regresión.(Monsegny & Cepeda, 2008). Una de las propiedades de un modelo GARCH, es que los errores se muestran igual que en un modelo ARIMA, por consiguiente, el resultado que se puede esperar es que los residuales al cuadrado de un modelo GARCH ajustado se comporten de la misma manera y es común utilizar los mismos métodos de identificación que se utilizan en los modelos ARIMA. (Ospina & Giraldo, 2009). Para los modelos ARCH y GARCH es posible utilizar los modelos que se derivan de la función de máxima verosimilitud para realizar los ajustes y estimaciones que permitan determinar el mejor modelo, y tener en cuenta los valores de AIC, BIC y los valores de máxima verosimilitud (Rojas & Palacios, 2004) MODELOS VAR - VEC Según (Quintana & Mendoza, 2016), el modelo Vector Autorregresivo (VAR), fue desarrollado por Sims (1980 y 1986) y es útil para realizar análisis práctico de las series de tiempo de tipo económicas ya que no realiza su enfoque desde la teoría y puede explicar el vector de las variables endógenas mediante su comportamiento histórico o sus variables autorregresivas. Los modelos VAR, se utilizan cuando se quieren representar interacciones entre variables de una manera simultánea y están conformados por un conjunto de ecuaciones de forma reducida y sin restringir, esto quiere decir que los valores de las variables del modelo no aparecen como variables explicativas en ninguna de las ecuaciones (Novales, 2017). Donde yt es un vector de variables endógenas, dt es un vector de componentes determinísticos (constante, tendencia y dummies estacionales o de intervención) y vt es un vector de innovaciones. (Morales & Morales, 2012). Se debe realizar un proceso para determinar si existen raíces unitarias, a este proceso se le conoce como la prueba de raíces unitarias de Dickey-Fuller aumentada (ADF) y se puede probar bajo la ecuación [4]: Los modelos VEC como menciona Quintana & Mendoza (2016) son utilizados para determinar la función de cointegración que existe entre las variables, la condición que deben presentar es que al realizar la combinación lineal de dos o más variables, debe ser estacionaria de acuerdo a lo propuesto por Engle y Granger (1987), la prueba puede realizarse en dos pasos EFECTIVO, No.35, enero-junio de 2022, págs. 161-182 169 a) realizar la prueba de raíz unitaria a las series de regresión para determinar el orden de integración sea 1 y b) Estimar la regresión. Para determinar la bondad de ajuste como lo indica Patilea & Raïssi (2013)de un modelo VAR-VEC se debe utilizar la prueba Box-Pierce o Ljung- Box y valores críticos de tipo Chi cuadrado. Descripción de los datos Para el desarrollo analítico del presente estudio de investigación, se opta por trabajar con una metodología cuantitativa, realizando una recolección de los datos a través de la página WEB Investing.com de las criptomonedas Bitcoin (BTC) y Litecoin (LTC) y los índices bursátiles: IPC (México), BOVESPA (Brasil), MERVAL (Argentina), CLX IPSA (Chile), IBGVL (Perú), COLCAP (Colombia). Los datos corresponden a la conducta del precio diario de las Criptomonedas en dólares y los índices bursátiles de las diferentes bolsas de valores de los principales países de Latinoamérica desde el 2014 hasta el 2020, las variables a trabajar son las siguientes: Tabla 1 Variables de Criptomonedas e Índices Bursátiles LATAM Variable Descripción Unidades BTC Moneda digital, creada en 2009 por Satoshi Nakamoyto y se utiliza para adquirir productos y servicios. 1BTC/Dólar LTC Moneda digital, creada en 2011 por Charlie Lie se utiliza para adquirir productos y servicios. 1LTC/Dólar IPC Índice Bursátil de precios y cotizaciones que se compone por las acciones de las 35 empresas más negociadas en el mercado accionario de México. Peso Mexicano/Dólar BOVESPA Índice Bursátil de precios y cotizaciones que se compone por las acciones de las 50 empresas más importantes que cotizan en la bolsa de valores de Sao Paulo. Real Brasilero/Dólar MERVAL Índice Bursátil de precios y cotizaciones que se compone por las acciones de las 10 empresas más importantes que cotizan en la bolsa de valores de Argentina. Peso Argentino/Dólar CLX Índice Bursátil de precios y cotizaciones que se compone por las acciones de las 30 empresas más importantes que cotizan en la bolsa de valores de Chile. Peso Chileno/Dólar IGBVL Índice Bursátil de precios y cotizaciones que se compone por las acciones de las 25 empresas mayor liquidez que cotizan en la bolsa de valores de Perú. Sol/Dólar COLCAP Índice Bursátil de precios y cotizaciones que se compone por las acciones de las 20 empresas más liquidas que cotizan en la bolsa de valores de Colombia. Peso Colombiano/Dólar Montoya-López, Sabas-Cadavid, Herrera-Castillo, Rodríguez-Guevara Contraste de métodos econométricos sobre las criptomonedas y los índices bursátiles de Latinoamérica170 De cada una de las variables de la Tabla 1, se analizaron un total de 1289 datos diarios comprendidos en el periodo 2014 a 2020. Del análisis de los datos se puede deducir que, para diciembre de 2017, el Bitcoin y el Litecoin superaron su máximo de precios históricos, es decir, la especulación para ese periodo de tiempo es que fueron muy cotizados. Tabla 2 Estadística Descriptiva Variable Media Mediana Q 25% Q 75% Desv. Est Coef. Var JB Pv JB BTC 4917.5 3745.9 435.7 8445.4 4853.1 98.69 292.03 0.000 LTC 45.41 40.85 3.79 60.73 53.08 116.91 2614.9 0.000 IPC 44578 44718 42855 47454 3755 8.42 65.269 0.000 BOVESPA 74124 72583 53864 94491 21610 29.15 86.951 0.000 MERVAL 25059 25458 13052 33164 12011 47.93 70.452 0.000 CLX 4492 4230 3919 5105 669 14.90 109.6 0.000 IGBVL 16636 16725 13968 19699 3383 20.34 84.762 0.000 COLCAP 1395 1387 1303 1520 153 10.98 37.58 0.000 Dentro de los hallazgos obtenidos en el resumen estadístico de las criptomonedas y los índices bursátiles de Latinoamérica de la Tabla 2, se refleja que el Bitcoin y Litecoin presentan una alta volatilidad en sus valores y se identifica entre la alta diferencia que presentan los cuartiles 25 y 75, ya que en ambas el valor se sube más del 100% en la concentración de los precios. En los índices bursátiles se evidencia que el índice Bovespa tiene los datos con mayor dispersión con respecto a su media, es decir tiene la mayor variabilidad de los 6 índices evaluados, por ende no será tenido en cuenta para los demás modelos. La totalidad de datos evaluados con laprueba de Jarque-Bera, dan como resultado que se rechaza la hipótesis nula y no siguen una distribución normal. Tabla 3 Matriz de correlación Criptomonedas e Índices Bursátiles - Periodo 2014-2020 BTC LTC IPC BOVESPA MERVAL CLX IGBVL COLCAP BTC 1 LTC 0.8001 1 IPC -0.0922 0.2327 1 BOVESPA 0.8087 0.5524 -0.1328 1 MERVAL 0.8707 0.5997 -0.1479 0.9394 1 CLX 0.5104 0.7115 0.5592 0.5758 0.5408 1 EFECTIVO, No.35, enero-junio de 2022, págs. 161-182 171 IGBVL 0.7308 0.6976 0.2421 0.8423 0.7897 0.8401 1 COLCAP 0.2805 0.4377 0.4744 0.4198 0.2371 0.6656 0.6925 1 La Tabla 3 muestra la matriz de correlación de los índices bursátiles y las monedas virtuales escogidas para realizar el análisis del comportamiento de los precios de estas; se observa que las correlaciones más significativas y positivas fueron los índices Merval con Bovespa con un 93% de relación; seguida del índice Merval con la moneda BTC con 87% y por ultimo las bolsas de IGBVL y Bovespa con 84% respectivamente. También, se observan correlaciones negativas o inversas entre el IPC y el BTC con un -9%, al igual que Bovespa con IPC en -13% y Merval con el IPC con un -14%. La criptomoneda Bitcoin tiene alta correlación con 3 de los 6 índices bursátiles evaluados, mientras que la criptomoneda Litecoin presenta una relación media con 4 de las 6 bolsas analizadas. Resultados Modelos ARIMA Los siguientes son modelos ARIMA estimados según los criterios de la metodología Box – Jenkins, para tal efecto, se analizan todas las variables de las series de tiempo seleccionadas en serie de niveles, como se muestran en la Tabla 4. Tabla 4 Resultados de modelos ARIMA Variable ARIMA Coef P-value AIC RMSE MAE MAPE BTC (1,1,1) AR1 -0.867 0.000 19100.90 400.733 178.6811 3.183 MA1 0.818 0.000 LTC (2,1,2) AR1 0.759 0.000 8897.40 7.619 2.4937 4.596 AR2 -0.585 0.000 MA1 -0.858 0.000 MA2 0.790 0.000 IPC (1,1,1) AR1 -0.521 0.002 19520.00 471.530 342.7503 0.787 MA1 0.599 0.001 MERVAL (0,1,1) MA1 -0.052 0.07 21241.42 920.589 512.7753 1.991 Montoya-López, Sabas-Cadavid, Herrera-Castillo, Rodríguez-Guevara Contraste de métodos econométricos sobre las criptomonedas y los índices bursátiles de Latinoamérica172 CLX (2,1,2) AR1 -0.571 0.000 13712.51 49.399 33.333 0.763 AR2 -0.403 0.000 MA1 0.772 0.000 MA2 0.549 0.000 IGBVL (1,1,1) AR1 0.894 0.000 16944.96 173.527 119.302 0.742 MA1 -0.830 0.000 COLCAP (1,1,0) AR1 0.252 0.000 10879.60 16.487 10.790 0.801 Los resultados de la Tabla 4 corresponden a los valores calculados de un proceso ARIMA de las variables objeto de estudio de esta investigación; se procede a realizar la prueba de diferenciación para cada una de las ellas tal como lo sugiere la metodología Box- Jenkins encontrando para todas las series el modelo apropiado ARIMA donde sus p-valor sean menores al nivel de significancia definido 0,05 y encontrando los criterios de evaluación para cada uno de los modelos. Luego de realizar las pruebas a las variables mencionadas anteriormente, se encontró que para la serie de nivel de Bovespa no fue posible seleccionar un modelo ARIMA adecuado ya que su p-valor sobrepasaba el nivel de significancia de 0.05, además porque los valores de los coeficientes no eran significativos, asimismo para la serie de nivel de MERVAL el valor p de la prueba es mayor a 0.05, por lo tanto no se rechaza la hipótesis nula y se logra concluir que la serie no es un proceso estacionario, se validan los errores de este modelo y el resultado obtenido es un ruido blanco ya que los residuales fluctúan alrededor de su media con una variabilidad constante, es decir que los errores son homocedásticos. Modelos ARCH-GARCH De acuerdo con los resultados obtenidos de la Tabla 5, se observa que para la serie IGBVL hay efecto ARCH (4), la volatilidad no es constante, es decir que el modelo ARMA ajustado no capturo la dinámica de la volatilidad, para el resto de las variables se puede decir que hay un agrupamiento de volatilidad, es por esto que hay efecto GARCH en cada una de las series estudiadas. Tabla 5 Resultados de modelos ARCH-GARCH ARIMA ARCH/ GARCH Ω α1 α2 α3 α4 β1 AIC RSME MAE MAPE BTC(1,1,1) No Tiene efectos ARCH-GARCH EFECTIVO, No.35, enero-junio de 2022, págs. 161-182 173 LTC(2,1,2) (2,1) 0.006 0.04 0.12 0.76 4.14 8.56 3.021 5.78 IPC(1,1,1) (1,1) 14100.33 0.09 0.84 15.03 473.41 343.54 0.78 CLX(2,1,2) (1,1) 29.44 0.07 0.90 10.31 49.71 33.294 0.76 IGBVL(1,1,1) (4) 11528.36 0.14 0.18 0.16 0.15 12.98 174.87 120.062 0.74 COLCAP(1,1,0) (1,1) 17.85 0.21 0.72 8.04 17.04 10.7425 0.79 Asimismo, como en el proceso ARIMA se procede a realizar la prueba de heteroscedásticidad para cada una de las series tal como lo sugiere la metodología Box- Jenkins encontrando el modelo apropiado ARCH-GARCH cumpliendo con las restricciones y condiciones, en donde sus p-valor sean menores al nivel de significancia definido 0,05, α y Ω deben ser > 0 y de igual manera β >= 0 y que 1 < α + β > 0 y para terminar se encuentran los criterios de evaluación para cada uno de los modelos. (Gallego, 2016) Y por último los resultados obtenidos en la Tabla 5 muestran que las criptomonedas BTC no arroja ningún resultado para los modelos ARCH-GARCH, como si los muestra el LTC, que arroja un modelo GARCH (2,1) con un componente Autorregresivo (2,2) en la serie de tiempo comprendida entre el 2014-2020. Modelos VAR Para el desarrollo de las estimaciones de los modelos VAR- VEC se tomaron las siguientes combinaciones entre criptomonedas y los índices bursátiles de la siguiente manera: IPC-BTC, IPC-LTC, IGBVL-BTC, IGBVL -LTC, CLX-BTC, CLX-LTC, COLCAP-BTC Y COLCAP-LTC. En cada una de estas combinaciones se requiere evidenciar que variable afecta de forma directa la otra con la que se combinó. Se debe iniciar el proceso verificando que las variables sean estacionarias y hallar las diferenciaciones necesarias para lograrlo. Cada combinación de variables se trabajó con el máximo de diferencias para que cada modelo pueda quedar equilibrado, luego se procede por la prueba de causalidad de Granger, para verificar que exista causalidad y definir la dirección de cada combinación como se puede observar en la Tabla 6. Tabla 6 Causalidad en sentido Granger hasta con 12 lags (Se le realiza para cada combinación)5 Variables Clase Granger P-valor Sentido Causalidad IPC y BTC Univariada 0.000 Y ~ X 5 Todas las series evaluadas a primera diferencia teniendo en cuenta los resultados previos de los modelos ARIMA. La realización de las pruebas a 12 lags se establece por la temporalidad mensual máxima posible. Montoya-López, Sabas-Cadavid, Herrera-Castillo, Rodríguez-Guevara Contraste de métodos econométricos sobre las criptomonedas y los índices bursátiles de Latinoamérica174 IPC y LTC Espuria ------ ----- IGBVL y BTC Bivariada 0.000 X ~ Y Y ~ X IGBVL y LTC Espuria ------ ----- CLX y BTC Bivariada 0.000 X ~ Y Y ~ X CLX y LTC Univariada 0.000 Y ~ X COLCAP y BTC Univariada 0.000 Y ~ X COLCAP y LTC Espuria ------ ---- De los 10 modelos que se analizaron, el 50% de estos no presentaron causalidad, lo que indica que la variable no se afecta ninguna con la otra y se dio en las combinaciones de los modelos IPC y LTC, IGBVL y LTC y COLCAP y LTC. Para todos los otros modelos que presentaron causalidad se le procede a realizar las pruebas de Autocorrelación Serial de Residuales, Normalidad de Residuales y Homocedasticidad de la Varianza en los residuos, las cuales se evidencian en la se debe considerar que cuando se aplican modelos VAR la estacionariedad requiere que se cumplan dos condiciones a) que mantenga una media constante en el tiempo, y b) Una varianza o una dispersión también constante. Los resultados de estas pruebas muestran que se rechazó la hipótesis nula en las relaciones VAR que si se podían ejecutar; estas pruebas muestran que los residuales están correlacionados, no se distribuyen normal y la varianza no es contante. Al encontrar Heterocedasticidad en losresultados se concluye que la varianza del error es volátil y puede contener variables no explicadas. En la , se muestran los resultados de estas pruebas muestran que se rechazó la hipótesis nula en las relaciones VAR que si se podían ejecutar; estas pruebas muestran que los residuales están correlacionados, no se distribuyen normal y la varianza no es contante. Al encontrar Heterocedasticidad en los resultados se concluye que la varianza del error es volátil y puede contener variables no explicadas. En la tabla 7, se muestra que en los resultados de estas pruebas se rechazó la hipótesis nula en las relaciones VAR que si se podían ejecutar; estas pruebas muestran que los residuales están correlacionados, no se distribuyen normal y la varianza no es contante. Al encontrar heterocedasticidad en los resultados se concluye que la varianza del error es volátil y puede contener variables no explicadas. Tabla 7 Pruebas de Especificación sobre los residuales de los modelos VAR en P-value EFECTIVO, No.35, enero-junio de 2022, págs. 161-182 175 Modelo Autocorrelación serial Normalidad Heterocedasticidad (IPC/BTC) 0.000 0.000 0.000 (IGBVL/BTC)) 0.000 0.000 0.000 (CLX/BTC) 0.000 0.000 0.000 (CLX/LTC) 0.000 0.000 0.000 (COLCAP/BTC) 0.000 0.000 0.000 Una vez verificadas las pruebas de especificación, se generan los diferentes modelos VAR para aquellas variables que presentaron causalidad con los índices bursátiles, se realiza la prueba de bondad de ajuste como se muestra a continuación en las tablas de la 8 a la 13. Tabla 8 Variables β1xt-1 B1Yt-1 β2xt-2 B2Yt-2 β3xt-3 β3xt-3 B3Yt-3 β4xt-4 B4Yt-4 IGBVL 0.08 0.01 0.04 0.01 -0.001 -0.001 -0.01 0.06 0.01 BTC 0.01 -0.03 -0.24 0.11 0.06 0.06 0.04 -0.08 0.07 Variables β5xt-5 B5Yt-5 β6xt-6 B6Yt-6 β7xt-7 β7xt-7 B7Yt-7 β8xt-8 B8Yt-8 IGBVL -0.02 0.01 0.07 0.01 0.01 0.01 -0.01 -0.01 0.03 BTC -0.04 0.04 0.03 0.02 0.004 0.004 -0.002 -0.06 0.01 Variables β9xt-9 B9Yt-9 β10xt-10 B10Yt-10 β11xt-11 β11xt-11 B11Yt-11 ut IGBVL 0.03 -0.003 0.06 0.01 0.02 0.02 0.03 1.23 BTC 0.21 -0.01 0.003 0.15 0.01 0.01 -0.06 16.99 Medidas AIC(n) HQ(n) SC(n) RSME MAE MAE MAPE 22.28 22.35 22.46 171.54 118.62 118.62 1.69 Tabla 9 Coeficientes Estimados para IPC-BTC Variables β1xt-1 B1Yt-1 β2xt-2 B2Yt-2 β3xt-3 β3Yt-3 B4xt-4 B4Yt-4 ut IGBVL 0.048 0.118 -0.094 0.067 0.010 0.021 -0.040 -0.014 -4.206 BTC 0.029 -0.040 -0.032 0.094 0.039 0.039 -0.058 0.073 18.889 Medidas AIC(n) HQ(n) SC(n) RSME MAE MAPE 24.301 24.328 24.373 16.292 10.756 0.88076 Tabla 10 Coeficientes Estimados para las Ecuaciones IGBVL/BTC Variables β1xt-1 B1Yt-1 β2xt-2 B2Yt-2 β3xt-3 β3xt-3 B3Yt-3 β4xt-4 B4Yt-4 IGBVL 0.08 0.01 0.04 0.01 -0.001 -0.01 0.06 0.01 0.01 Montoya-López, Sabas-Cadavid, Herrera-Castillo, Rodríguez-Guevara Contraste de métodos econométricos sobre las criptomonedas y los índices bursátiles de Latinoamérica176 BTC 0.01 -0.03 -0.24 0.11 0.06 0.04 -0.08 0.07 0.07 Variables β5xt-5 B5Yt-5 β6xt-6 B6Yt-6 β7xt-7 β7xt-7 B7Yt-7 β8xt-8 B8Yt-8 IGBVL -0.02 0.01 0.07 0.01 0.01 -0.01 -0.01 0.03 0.03 BTC -0.04 0.04 0.03 0.02 0.004 -0.002 -0.06 0.01 0.01 Variables β9xt-9 B9Yt-9 β10xt-10 B10Yt-10 β11xt-11 β11xt-11 B11Yt-11 ut IGBVL 0.03 -0.003 0.06 0.01 0.02 0.03 1.23 BTC 0.21 -0.01 0.003 0.15 0.01 -0.06 16.99 Medidas AIC(n) HQ(n) SC(n) RSME MAE MAE MAPE 22.28 22.35 22.46 171.54 118.62 118.62 1.69 Tabla 11 Coeficientes Estimados para las Ecuaciones CLX/BTC Variables β1xt-1 B1Yt-1 β2xt-2 B2Yt-2 β3xt-3 B3Yt-3 β4xt-4 B4Yt-4 CLX 0.19 0.02 0.003 0.01 -0.08 -0.01 0.07 0.01 BTC -0.23 -0.04 -0.84 0.10 -0.16 0.06 -0.48 0.09 Variables β5xt-5 B5Yt-5 β6xt-6 B6Yt-6 β7xt-7 B7Yt-7 β8xt-8 B8Yt-8 CLX 0.04 0.00 -0.07 0.01 0.01 -0.01 -0.08 0.002 BTC 0.23 0.04 0.07 0.02 -0.24 -0.01 -0.08 0.01 Variables β9xt-9 B9Yt-9 β10xt-10 B10Yt-10 β11xt-11 B11Yt-11 β12xt-12 B12Yt-12 ut CLX 0.01 -0.01 -0.01 -0.01 0.02 0.01 0.01 0.01 -0.53 BTC 0.10 0.01 -0.72 0.15 0.33 -0.05 0.05 0.03 15.80 Medidas AIC(n) HQ(n) SC(n) RSME MAE MAPE 19.74 19.82 19.94 48.02 33.21 3.63 Tabla 12 Coeficientes Estimados para las Ecuaciones CLX/LTC Variables β1xt-1 B1Yt-1 β2xt-2 B2Yt-2 β3xt-3 B3Yt-3 β4xt-4 B4Yt-4 CLX 0.20 -0.06 -0.02 0.45 -0.10 0.92 0.09 -0.04 LTC 0.00 -0.10 -0.01 0.10 -0.004 0.20 -0.01 -0.001 Variables β5xt-5 B5Yt-5 β6xt-6 B6Yt-6 β7xt-7 B7Yt-7 β8xt-8 B8Yt-8 CLX 0.03 -0.25 -0.07 -0.20 0.02 0.15 -0.11 0.13 LTC 0.003 -0.11 0.01 -0.05 -0.01 -0.14 0.002 0.10 Variables β9xt-9 B9Yt-9 β10xt-10 B10Yt-10 β11xt-11 B11Yt-11 β12xt-12 B12Yt-12 ut CLX 0.002 0.01 0.01 0.14 0.01 0.40 0.02 0.05 0.05 LTC -0.002 0.05 -0.01 0.04 0.01 -0.04 -0.01 -0.01 0.10 Medidas AIC(n) HQ(n) SC(n) RSME MAE MAPE 11.84 11.91 12.04 48.53 33.48 4.3 Tabla 13 Coeficientes Estimados para las Ecuaciones COLCAP/BTC EFECTIVO, No.35, enero-junio de 2022, págs. 161-182 177 Variables β1xt-1 B1Yt-1 β2xt-2 B2Yt-2 β3xt-3 B3Yt-3 β4xt-4 B4Yt-4 COLCAP 0.25 0.004 0.02 0.001 -0.10 -0.001 -0.03 0.01 BTC 0.66 -0.03 -1.52 0.09 0.55 0.05 -0.20 0.07 Variables β5xt-5 B5Yt-5 β6xt-6 B6Yt-6 β7xt-7 B7Yt-7 β8xt-8 B8Yt-8 COLCAP 0.07 -0.001 -0.01 0.0002 -0.02 0.01 -0.01 0.002 BTC 0.91 0.03 -0.96 0.02 0.05 -0.01 0.42 0.001 Variables β9xt-9 B9Yt-9 β10xt-10 B10Yt-10 β11xt-11 B11Yt-11 β12xt-12 B12Yt-12 ut COLCAP 0.08 -0.002 -0.06 0.00 0.06 0.003 -0.04 0.001 -0.26 BTC 0.42 -0.01 -0.47 0.15 0.004 -0.06 1.97 0.03 17.24 Medidas AIC(n) HQ(n) SC(n) RSME MAE MAPE 17.57 17.64 17.77 16-jul 10.71 2.94 Considerando que yt corresponde a las variables endógenas, yt-i equivalen a las variables rezagadas, zt son las variables exógenas, ut son los errores no correlacionados serialmente, y por último βi,B corresponden a los coeficientes de la regresión. Se procede a generar los estudios mediante impulso-respuesta para cada uno de los modelos propuestos, con lo cual se pretende observar cual sería la reacción de cada una de las variables dependientes, en caso de que alguna de las variables independientes sufriera un cambio. Se puede ver gráficamente como responden las variables ante un impulso a una de ellas, en a) Se muestra la reacción de las variables IPC y BTC, en b) Se muestra la reacción de las variables CLX y BTC; en c) Se muestra la reacción de las variables IGBVL y BTC y en d) Corresponde a la respuesta del COLCAP y BTC, en cada una de las combinaciones de las variables anteriores el impulso lo recibió el BTC. Figura 1 Graficas de impulso respuesta. a. Relación entre IPC/BTC, b. Relación entre IGBVL/BTC, c. Relación entre CLX/BTC, d. Relación entre COLCAP/BTC A B C D Montoya-López, Sabas-Cadavid, Herrera-Castillo, Rodríguez-Guevara Contraste de métodos econométricos sobre las criptomonedas y los índices bursátiles de Latinoamérica178 Modelos VEC Los resultados de la Tabla 13 muestran para la prueba Dickey-Fuller que los residuales no son estacionarios para los modelos VEC presentados, es decir, las variables estudiadas no están cointegradas ya que el p-value es mayor al nivel de significancia de 0.05 por lo tanto no existen una relación de largo plazo entre ellas. Tabla 13 Pruebas de Especificación Modelos VEC Modelo VEC Dickey-Fuller Aumentada Cointegración IPC/LTC 0.37 No existe cointegración IGBVL/LTC 0.24 No existe cointegración COLCAP/LTC 0.11 No existe cointegración Para determinar cuál es el modelo que mejor explica a los índices se explican en la Tabla 14. Tabla 14. Elección del Modelo Optimo ARIMA Bondad de ajuste IPC CLX IGBVL COLCAP AIC 19520.00 13712.51 28984.50 10879.60 RMSE 471.53 49.39 183.29 16.49 MAE 342.75 33.32 115.49 10.79 MAPE 0.78 0.76 0.74 0.80 EFECTIVO, No.35, enero-junio de 2022, págs. 161-182 179 ARCH-GARCH IPC CLX IGBVL COLCAP AIC 15.038 10.31 12.982 8.05 RMSE 473.41 49.71 174.87 17.04 MAE 343.54 33.29 120.06 10.74 MAPE 0.788 0.76 0.75 0.80 VAR IPC/BTC CLX/BTC IGBVL/BTC COLCAP/BTC AIC 24.30 19.74 22.29 17.57 RMSE 468.03 48.02 171.54 16.07 MAE 342.20 33.21 118.62 10.71 MAPE 0.88 3.63 1.69 2.94 En la Tabla 14.se realizala comparación de los valores de la bondad de ajuste de cada uno de los modelos propuestos, con los cuales se analiza cuál de ellos es el más ajustado. Teniendo en cuenta que los valores son similares para el RMSE y el MAE en cada uno de los modelos, se procede a determinar el mejor modelo con la medida del MAPE, arrojando como resultado que la serie que más se ajusta se encuentra bajo el modelo ARCH-GARCH. Conclusiones Al estimar el modelo ARIMA de las variables estudiadas en este trabajo de investigación, se logra identificar que todas las series de las criptomonedas y los índices bursátiles presentan tendencia, por ende las series no son estacionarias, no presentan media ni varianza constante, con el proceso realizado de las series de nivel se logró convertir cada una de las series en estacionarias con su primera diferenciación para todos las variables estudiadas, no se trabajó con los rendimientos de las series seleccionadas debido a que arrojaban valores poco significativos; por ende, se excluyó la serie de nivel Bovespa ya que el resultado obtenido no fue el adecuado para el avance de este estudio. Además, la serie Merval arrojó un Ruido blanco ya que su p-valor fue mayor a 0.05. Para la estimación del modelo ARCH-GARCH de la serie de tiempo de la criptomoneda BTC, no se obtuvo un óptimo resultado debido a que su ARMA no es el más adecuado, para todas las demás series de nivel se obtuvieron modelos ARCH-GARCH (1,1) que permiten explicar mejor la volatilidad observada en el periodo seleccionado a partir de la varianza rezagada. En los modelos VAR se analiza el sentido de causalidad dando como resultado que el 80% de los modelos, la moneda virtual Bitcoin es la que más impacto tiene sobre los índices bursátiles; se muestra la relación univariada y bivariada entre los modelos evaluados y se logra evidenciar mediante la prueba de Impulso-respuesta la influencia que tiene la moneda en comparación Montoya-López, Sabas-Cadavid, Herrera-Castillo, Rodríguez-Guevara Contraste de métodos econométricos sobre las criptomonedas y los índices bursátiles de Latinoamérica180 con los índices bursátiles. De las combinaciones que se analizaron, aquellas que no arrojaron un modelo VAR, se les aplica el modelo VEC, donde se puede concluir que no existe cointegración en un 60% de las combinaciones, por consiguiente, no se tendrán en cuenta los resultados del modelo VEC para este trabajo de investigación. Es posible encontrar una metodología que permita medir los índices bursátiles latinoamericanos comparados con las criptomonedas, se concluye que de acuerdo con los resultados de la bondad de ajuste aquel que tenga un valor de MAPE menor es el modelo más ajustado, es decir, el modelo que más ajusta los errores es el ARCH-GARCH ya que muestra que la varianza de los errores en este modelo es menor. Referencias Alonso, J. C. (2010). Tutorial para Pruebas de Raíces Unitarias : Dickey-Fuller Aumentado y Phillips- Perron en EasyReg. No 25, 25. Álvarez-Díaz, L. J. (2019). Cryptocurrencies: Evolution, growth and perspectives of Bitcoin. Población y Desarrollo, 25(49), 130–142. https://doi.org/10.18004/pdfce/2076- 054x/2019.025.49.130-142 Bustamante, R. (2016). Estimación de modelos de volatilidad en series de rendimientos bursátiles: 2000-2014. Pensamiento Crítico, 20(1), 25–41. https://doi.org/10.15381/pc.v20i1.11482 Castro, W. J., Cespedes, G. T., Chaparro, A. S., Correa, C. M., & Garzon, E. F. (2018). Revisión Y Análisis De Las Criptomonedas En Colombia. Eco-Piloto 12 [11], 204–227. http://repository. unipiloto.edu.co/handle/20.500.12277/9302 Coinmarketcap. (2021). Corredor, J. A., & Díaz, D. (2018). Blockchain y mercados financieros: aspectos generales del impacto regulatorio de la aplicación de la tecnología blockchain en los mercados de crédito de América Latina. Derecho PUCP, 81, 405–439. https://doi.org/10.18800/derechopucp.201802.013 de Arce, R. (1998). Introducción a Los Modelos Autorregresivos Con Heterocedasticidad Condicional (Arch). June 2000. https://www.uam.es/otroscentros/klein/doctras/doctra9806.pdf Domínguez-Jurado, J. M., & García-Ruiz, R. (2019). Blockchain y las criptomonedas: el caso bitcoin. Oikonomics, 10, 58–73. https://doi.org/10.7238/o.n10.1813 https://doi.org/10.18004/pdfce/2076-054x/2019.025.49.130-142 https://doi.org/10.18004/pdfce/2076-054x/2019.025.49.130-142 https://doi.org/10.15381/pc.v20i1.11482 http://repository.unipiloto.edu.co/handle/20.500.12277/9302 http://repository.unipiloto.edu.co/handle/20.500.12277/9302 https://doi.org/10.18800/derechopucp.201802.013 https://www.uam.es/otroscentros/klein/doctras/doctra9806.pdf https://doi.org/10.7238/o.n10.1813 EFECTIVO, No.35, enero-junio de 2022, págs. 161-182 181 Dos-Santos, M. (Universidad A. N., & Pacheco, F. U. (Universidad de O. (2017). Pronóstico del comportamiento de los precios del petróleo empleando los modelos ARIMA. IX, 19–34. https:// revistas.uo.edu.cu/index.php/aeco/article/download/3187/2805 Gallego, J. (2016). Grado en economía 2015-2016 trabajo fin de grado. Universidad de Cantabria. Gartner, A. (2020). Factores que inciden en la intención de uso de criptomonedas desde la perspectiva del comportamiento del consumidor Factores que inciden en la intención de uso de criptomonedas desde la perspectiva del comportamiento del consumidor. Martínez-Jenkins, A. (2016). Modelo GARCH para la volatilidad de las criptomonedas Bitcoin y Ether. 16. Monsegny, M. C., & Cepeda, E. (2008). MODELOS ARCH, GARCH Y EGARCH: APLICACIONES A SERIES FINANCIERAS. XXVII, 287–320. https://www.redalyc.org/pdf/2821/282122032011.pdf Montenegro, A. (1981). Econometria intermedia y básica. En Journal of Chemical Information and Modeling (Vol. 53, Número 9). Morales, A., & Morales, J. (2012). Los determinantes económico-financieros del tipo de cambio en México: Un modelo de vectores autorregresivos [VAR]. Anfeca, 17. Mota-Aragón, B., & Núñez-Mora, J. A. (2019). Estimación de la distribución multivariada de los rendimientos de los tipos de cambio contra el dólar de las criptomonedas Bitcoin, Ripple y Ether. Revista Mexicana de Economía y Finanzas, 14(3), 447–457. https://doi.org/10.21919/remef. v14i3.409 Nájera, J. A. (2019). Relaciones en el comportamiento de los precios de las criptomonedas: un análisis econométrico a través de modelos VAR y VEC. En Estocástica: Finanzas y Riesgo (Vol. 9). http://estocastica.azc.uam.mx/index.php/re/article/view/111 Novales, A. (2013). Modelos ARCH univariantes y multivariantes. En Departamento de Economía Cuantitativa Universidad Complutense. https://www.ucm.es/data/cont/media/www/pag- 41459/Arch.pdf Novales, A. (2017). Modelos vectoriales autoregresivos (VAR). Universidad Complutense de Madrid, 58. Ospina, F., & Giraldo, D. (2009). Aplicación de los modelos GARCH a la estimacion del VAR de acciones colombianas. Revista Soluciones de Postgrado EIA, 3, 11–24. Patilea, V., & Raïssi, H. (2013). Corrected portmanteau tests for VAR models with time-varying https://revistas.uo.edu.cu/index.php/aeco/article/download/3187/2805 https://revistas.uo.edu.cu/index.php/aeco/article/download/3187/2805 https://www.redalyc.org/pdf/2821/282122032011.pdf http://estocastica.azc.uam.mx/index.php/re/article/view/111 https://www.ucm.es/data/cont/media/www/pag-41459/Arch.pdf https://www.ucm.es/data/cont/media/www/pag-41459/Arch.pdf Montoya-López, Sabas-Cadavid, Herrera-Castillo, Rodríguez-Guevara Contraste de métodos econométricos sobre las criptomonedas y los índices bursátiles de Latinoamérica182 variance. Journal of Multivariate Analysis, 116, 190–207. https://doi.org/10.1016/j. jmva.2012.12.004 Porro, M. (2018). Modelos de análisis de criptomonedas basado en aprendizaje automático y series temporales. Universidad Central de Venezuela. Quintana, L., & Mendoza, M. Á. (2016). Econometría aplicada usando R. En Econometría Aplicada Utilizando Regresiones. http://saree.com.mx/econometriaR/ Restrepo, J. M., & Ocampo, M. (2019). Las criptomonedas: ventajas y desventajaspara la economía de las personas y las empresas en la ciudad de Medellín. En Journal of Chemical Information and Modeling (Vol. 8, Número 9). https://dspace.tdea.edu.co/ bitstream/handle/tda/561/LAS CRIPTOMONEDAS VENTAJAS Y DESVENTAJAS. pdf;jsessionid=51D09B1159A321F4CEEC391BAD1C4BAD?sequence=1 Rojas, A. E., & Palacios, Y. A. (2004). Modelos ARCH, una aplicación en el pronóstico de la volatilidad de las acciones cotizadas en la bolsa de valores de Perú. Sánchez, L., & Arredondo, J. (2020). Prediciendo el precio del Bitcoin, y más. Suma de Negocios, 11(24), 42–52. https://doi.org/10.14349/sumneg/2020.v11.n24.a5 Tito-Guanopatin, J. (2020). 18. Impacto en la cotización del Bitcoin ante variaciones en las cotizaciones de índices bursátiles, commodities y tipos de cambio. Un Análisis al período 2012 – 2019. https:// bibdigital.epn.edu.ec/bitstream/15000/20888/1/CD 10409.pdf Torres, W., Verdugo, M., & Mosquera, E. (2019). Las Criptomonedas y su aplicación en Colombia [Universidad Agustiniana]. http://scioteca.caf.com/bitstream/handle/123456789/1091/ RED2017-Eng-8ene.pdf?sequence=12&isAllowed=y%0Ahttp://dx.doi.org/10.1016/j. regsciurbeco.2008.06.005%0Ahttps://www.researchgate.net/publication/305320484_ SISTEM_PEMBETUNGAN_TERPUSAT_STRATEGI_MELESTARI Villavicencio, J. (2010). Introducción a Series de Tiempo Por: John Villavicencio CONTENIDO (pp. 1–34). http://www.estadisticas.gobierno.pr/iepr/LinkClick.aspx?fileticket=4_BxecUaZmg%3D https://doi.org/10.1016/j.jmva.2012.12.004 https://doi.org/10.1016/j.jmva.2012.12.004 http://saree.com.mx/econometriaR/ https://dspace.tdea.edu.co/bitstream/handle/tda/561/LAS CRIPTOMONEDAS VENTAJAS Y DESVENTAJAS.pdf;jse https://dspace.tdea.edu.co/bitstream/handle/tda/561/LAS CRIPTOMONEDAS VENTAJAS Y DESVENTAJAS.pdf;jse https://dspace.tdea.edu.co/bitstream/handle/tda/561/LAS CRIPTOMONEDAS VENTAJAS Y DESVENTAJAS.pdf;jse https://doi.org/10.14349/sumneg/2020.v11.n24.a5 https://bibdigital.epn.edu.ec/bitstream/15000/20888/1/CD 10409.pdf https://bibdigital.epn.edu.ec/bitstream/15000/20888/1/CD 10409.pdf http://scioteca.caf.com/bitstream/handle/123456789/1091/RED2017-Eng-8ene.pdf?sequence=12&isAllowed=y http://scioteca.caf.com/bitstream/handle/123456789/1091/RED2017-Eng-8ene.pdf?sequence=12&isAllowed=y http://scioteca.caf.com/bitstream/handle/123456789/1091/RED2017-Eng-8ene.pdf?sequence=12&isAllowed=y http://scioteca.caf.com/bitstream/handle/123456789/1091/RED2017-Eng-8ene.pdf?sequence=12&isAllowed=y http://www.estadisticas.gobierno.pr/iepr/LinkClick.aspx?fileticket=4_BxecUaZmg%3D