Estrés del mercado

A lo largo del siglo XX y XXI, los economistas y analistas financieros han desarrollado herramientas para medir el estrés (o presión de la volatilidad) en los distintos sectores de los mercados de cada economía. Para economías abiertas al mundo, el mercado de bonos generalmente representa el mayor mercado de cada país. Esto se debe a tres razones fundamentales: primero, los gobiernos de turno encuentran compradores para su deuda (la cual sirve para financiar sus agendas); segundo, los privados venden sus obligaciones o deuda; tercero, este mercado representa la demanda y oferta por la moneda de un país.

Por lo anterior, diferentes autores han propuesto distintos indicadores para medir el estrés, es decir, trazabilidad respecto a la exaltación del consenso generalizado en el mercado de bonos. Esto tiene como consecuencia la creación de un sistema de alarmas para detectar ataques especulativos, devaluación de la moneda por parte de los planificadores centrales y el posicionamiento táctico de carteras de inversión.

Es por esto y dada la contingencia nacional de los mercados financieros que he decidido implementar un indicador que mida lo propuesto, y con ello entender hasta dónde puede llegar la actual "carnicería" que vive el mercado de bonos y el IPSA. Este artículo estará dividido en cuatro partes: la primera se hará una explicación teórica breve del indicador; la segunda, una implementación en Python (fórmula y gráficos); la tercera, una discusión sobre la evolución del indicador y sobre cómo llegamos a ese nivel; la cuarta y final, una conclusión sobre el trabajo realizado.

Explicación Indicador

Siguiendo el trabajo de Eichengreen, Rose y Wyplosz (1995), el Exchange Market Pressure Index (EMPI) se formula de la siguiente manera:

$$EMPI_{t} = \frac{\Delta E_{t}}{\sigma_{E}^{2}} - \frac{\Delta R_{t}}{\sigma_{R}^{2}} + \frac{\Delta i_{t}}{\sigma_{i}^{2}}$$

El EMPI pretende mostrar cómo se contienen adecuadamente las presiones cambiarias. Tres factores explican la absorción de las presiones, los cuales son: 

• El factor E representa la depreciación de la moneda local y se mide por los cambios mensuales en el tipo de cambio. Este factor refleja la presión que enfrenta la moneda local para mantener su valor en relación con otras monedas en el mercado cambiario.
• El factor R representa el agotamiento de las reservas internacionales y se mide por los cambios mensuales en las reservas de divisas del Banco Central. Este factor refleja la capacidad del Banco Central para intervenir en el mercado cambiario y mantener el valor de la moneda local a través de la compra o venta de divisas.
• El factor i representa el aumento de las tasas de interés de referencia y se mide por los cambios mensuales en la tasa de interés de referencia de la política monetaria. Este factor refleja la capacidad del Banco Central para influir en la demanda de activos locales y silenciar las presiones cambiarias a través de cambios en las tasas de interés.
• Los símbolos sigma representan la volatilidad de cada factor en la ecuación. La volatilidad es una medida de la magnitud de los cambios en cada factor, lo que indica la incertidumbre y el riesgo asociados con la presión cambiaria en cada factor.

En conjunto, el EMPI proporciona una medida de la presión cambiaria sistemática que enfrenta una economía determinada y puede ser utilizado como una herramienta para evaluar el riesgo asociado con la devaluación de la moneda local. Además, el EMPI también se utiliza como una herramienta para evaluar la capacidad del Banco Central para suprimir las expectativas de devaluación de la moneda y actuar como un regulador del mercado cambiario.

Implementación en Python

Antes de continuar, quisiera que tuvieras en mente que los autores del artículo utilizaron la base de datos del FMI (Fondo Monetario Internacional) y aplicaron un tratamiento a los datos, el cual no está documentado. Aunque mencionan lo que hicieron, no publicaron el código ni el conjunto de datos utilizado. Por lo tanto, para implementar el código, utilicé las variables mencionadas, pero usé la base de datos del Banco Central de Chile y un tratamiento similar. Esto se debe a que la periodicidad de los datos que tengo es diferente a la de ellos y, probablemente, la estructura de las series sea distinta.

Para el código, utilicé el cliente que desarrollé para la API del Banco Central. Puedes encontrar una introducción sobre cómo funciona en el artículo "Cliente para la API del Banco Central". El resto del código está escrito en Python estándar, por lo que si tienes dudas, te recomiendo buscar su documentación en Google. Por otro lado, el código está bastante documentado y, cuando algo no sea explícito, lo mencionaré en el paso correspondiente. No realicé correcciones ortográficas en los comentarios del código.

• Paso 1 - Librerías y funciones básicas

• Paso 2 - Solicitar los datos a la API

• Paso 3 - Creación de las variables

• Paso 4 - Tratamiento de los datos

• Paso 5: Graficar los resultados
• Distribución de los datos (resulto ser normal)

• Evolución historica

Discusión

El EMPI indica que el mercado de divisas está experimentando un alto nivel de estrés, lo que se extiende naturalmente al mercado de bonos y al IPSA. Esta situación se debe principalmente a la decisión del Banco Central de Chile de aumentar drásticamente la tasa de política monetaria (TPM), lo que ha llevado a que las expectativas de los participantes del mercado se desplomen.

En mi opinión, es hora de poner fin a esta tendencia y volver a un régimen monetario más flexible. Es esencial estabilizar el tipo de cambio ya que su fluctuación es una de las principales causas de la inflación interanual.

Continuar elevando las tasas perjudicará profundamente al mercado de capitales y a las pequeñas y medianas empresas, y demostrará la incapacidad del Banco Central para manejar la situación actual. Como dijo el ex presidente de la Fed, Ben Bernanke, la política monetaria es en gran parte una cuestión de psicología. Por lo tanto, mi propuesta es aumentar la liquidez en la economía mediante la reducción de la TPM y la reactivación de programas de liquidez fuertes.

Mi propuesta de inducir liquidez a la economía vía la baja en la TPM y reactivar de manera fuerte los programas de liquidez, es basado en la relación empírica entre el nivel de la TPM y las expectativas de los consumidores. El alto R2 de la convexidad, nos revela que las herramientas del Banco Central son mas bien psicológicas (manejo de las expectativas) y no monetarias.

Es sabido que dentro de los objetivos del Central es velar por la estabilidad de la moneda (mantener la inflación baja y estable en el tiempo). También, debe promover la estabilidad y eficacia del sistema financiero, velando por el normal funcionamiento de los pagos internos y externos. ¿Pero cómo inducir una recesión vía el alza en la TPM ayuda a tus objetivos? Probablemente en el corto plazo se “solucione”, pero es solo un parche (como se conoce en el mundo programador) que realmente no soluciona el problema de fondo (un desequilibrio entre la oferta de bienes y servicios, respecto a la demanda interna).

Una política monetaria laxa permitiría subir las expectativas del país, lo que en consecuencia generaría emprendimientos, ergo, flujos de capitales hacia el país (lo que tanto está persiguiendo Marcel y su equipo en EE.UU). Estabilizar la inflación se resuelve con mas “cosas” en la economía, no con recesiones.

Conclusión

Fue un trabajo bastante interesante, el cual revelo la ineficacia de las herramientas monetarias del banco central o al menos el poco entendimiento sobre su funcionamiento por parte de los participantes. Espero que en el mediano plazo el Central revierta su política monetaria actual, ya que de otra manera el aterrizaje suave que están planificando en conjunto a Marcell, podría convertirse en uno forzoso. Las consecuencias de tal aterrizaje las pagaríamos los pagadores de impuestos vía devaluación de la moneda, es decir, vía el impuesto a la pobreza.

Fuentes

Eichengreen, B., Rose, A. K., & Wyplosz, C. (1995). Exchange market mayhem: The antecedents and aftermath of speculative attacks. Economic Policy, 10(21), 249–312.

Indranarain Ramlall. (2019). Tools and Techniques for Financial Stability Analysis: Vol. First edition. Emerald Publishing Limited.