Pronóstico de Liquidez para el Banco Central a través de los Factores Autónomos

...

El modelo estructural de series de tiempo es aquel en el cual la tendencia, la estacionalidad, el ciclo y el error, más otros componentes relevantes, son modelados explícitamente. En líneas generales, un modelo estructural pretende describir una o más series de tiempo de interés a través del reconocimiento de que determinadas componentes no observables pero interpretables y estimables están presentes en la serie (Harvey A. C., 1989); por ejemplo, se puede considerar la descomposición clásica en que la serie es una suma de tendencia, estacionalidad y una componente irregular. A partir de la adopción de un modelo estructural correctamente especificado, es posible no sólo hacer previsiones de valores futuros de la serie de interés, sino también hacer interpretaciones consistentes de su evolución histórica.

Los resultados empíricos presentados por Bindseil y Seitz (2001), se refieren al período comprendido entre enero de 1994 y febrero de 2001. Exploran las propiedades de series de tiempo y la interacción dinámica de los factores autónomos de liquidez: Depósitos del gobierno, Billetes del banco, Otros activos netos y Reservas netas. Los resultados presentados sugieren que los dos enfoques principales, es decir, el enfoque basado en ARIMA, y ​​el enfoque STS son potentes. El mejor modelo de predicción es una combinación de los modelos ARIMA y STS, esto puede señalar el hecho de que ciertos patrones estacionales pueden no estar completamente capturados por una estructura lineal. La evaluación del rendimiento de los modelos también se llevó a cabo en el contexto de la gestión de la liquidez del Eurosistema. El error en la previsión de las necesidades de liquidez debido a la previsión de los billetes en circulación nunca excede ± 1 mil millones de euros para cualquiera de los modelos.

Cabrero, Camba-Mendez y Hirsch, (2002), determinan un modelo, a través de la combinación de ARIMA-base (Hillmer, marzo 2012), y Serie de tiempo Estructurales (STS) (Andrew Harvey, Julio 2012), para obtener los mejores resultados dado que el Modelo ARIMA tiene la mejor proyección en horizontes de 5 días o más, mientras que el STS es mejor en horizontes de 1 a 4 días.

La literatura confirma la diversidad de los métodos estadísticos existentes para el análisis de series de tiempo, sin necesidad de reproducir ninguna estructura económica particular. En primer lugar, destacan los también denominados enfoques univariados mecánicos, que imponen una estructura estadística que fuerza una descomposición de la serie en dos elementos, uno de carácter transitorio y otro de comportamiento más permanente o de largo plazo. Entre estos métodos se puede mencionar el método de tendencia segmentada, los filtros de Hodrick-Presscot (HP), de Baxter-King, y de Wavelets, el método de “running media smoothing” y las estimaciones no-paramétricas tipo kernel. En segundo lugar, originarios de la crítica de insuficiente especificación de los modelos univariados están las metodologías de descomposición multivariadas, que relacionan un conjunto de variables con la variable estudiada, de manera de capturar con mayor certeza los componentes permanentes de esta última serie. Entre los enfoques más populares en esta categoría se pueden mencionar la descomposición de Cochrane, el método multivariado de Beveridge Nelson, los VAR estructurales y la metodología de estado-espacio (State-Space) o variables latentes (Contreras E., Pino A., & Pizzinga, 2006).

Un modelo STS otorga una medición cuantitativa acerca de la forma como se comportó la economía en el pasado frente a una serie de eventos, que pueden haber sido decisiones de política monetaria o fiscal, o hechos de la economía mundial. A su vez, el modelo permite cuantificar el efecto de la evolución previsible de estas variables a futuro, tomando en cuenta, además, la forma como los agentes reaccionan frente a las eventuales decisiones de política, Banco Central de Chile (2003).

- Data y metodología

- Data

Se utiliza la información contenida en el balance diario en formato estandarizado del BC , en el periodo comprendido del 2004 al 2016.

Tabla 1: Variables y Cuentas Incluidas – Periodo 2004-2016

Variable

Cuentas Incluidas

Total de Datos

EMIS

Emisión Monetaria

3,218

OFAN: Otros Factores Autónomos Netos

Otros Activos Externos L/P, Depósitos para Encaje M/E, Inversiones Obligatorias en M/E, CB, Letras del BC , Capital y Reservas, Otros Activos Netos OFAN

51,488

CA: Pasivos con OSD y OSF

Obligaciones OSD, Reservas OSD BC , Depósitos Demanda de Divisas, Depósitos encaje M/E y M/N, Inversiones Obligatorias M/E y M/N

48,270

OMA_FP: Saldos Valores emitidos por BC , Saldos Repos, Facilidades permanentes de inversión y crédito (FPI, FPC)

LBC SPNF, LBC OSD, LBC OSF, LBC OSR, OMA, FPC, REPOS, FPI, FPC

54,706

LBC MNL: Saldos Valores Adjudicados subastas de Liquidez

Saldo de Letras del BC Adjudicadas

3,218

OBSPNF: Saldos pasivos con el sector público no financiero

Obligaciones Gobierno Central, Obligaciones sector público no Financiero, Letras del BC del Gobierno Central, Letras del BC Otras Sociedades del sector público no Financiero

35,398

CBSPNF: Saldos Activos BC con sector público no financiero

Crédito Bruto Gobierno Central, Crédito Bruto OSPNF

12,872

RIN: Saldo neto tenencias Activos Internacionales de C/P

Activos de Reserva Oficial, Pasivos C/P, Depósitos de encaje M/E, Inversiones Obligatorias M/E, RIN

16,090

La agrupación de las cuentas de la tabla 1, permitió confeccionar el balance de acuerdo