Post on 07-Jul-2020
1
Explorando la Interdependencia entre Mercados Financieros: El Impacto de la “Crisis Suprime” de Estados Unidos Hacia México,
Brasil y Chile a través de Bicorrelaciones Cruzadas.
Resumen
El presente estudio indaga en una dimensión poco conocida de las dependencias entre
mercados financieros, comparando situaciones con y sin crisis financieras. Utilizando los
conceptos de Forbes y Rigobon (2001) se explora el grado en que la reciente y profunda “crisis
subprime” afecta la dependencia entre mercados accionarios con fuertes nexos, como son los de
Estados Unidos, México, Brasil y Chile.
Analizando el conjunto de retornos de índices accionarios de los mercados de Estados
Unidos, México, Brasil y Chile, se estudia como una de las recientes crisis financiera, originada
en los Estados Unidos y conocida como “crisis suprime” en sus inicios, afecta la dependencia no
lineal multivariada entre pares de índices. Se propone el uso de bicorrelaciones cruzadas
formulada por Brooks y Hinich (1999) para analizar el efecto de esta prolongada crisis sobre el
comportamiento de los retornos accionarios. Los resultados obtenidos indican que la dependencia
entre los mercados de valores de los países estudiados, no ha cambiado radicalmente luego de la
crisis, por lo que se intuye que sus co-movimientos pueden deberse a circunstancias distintas al
contagio que pudiese existir entre ellos.
Keywords: Crisis financiera, Contagio, Bicorrrelación Cruzada.
2
1. Introducción Entender qué ocurre en una crisis financiera y los efectos que ésta pueda tener en el
mercado donde se origina como en el resto de mercados próximos tiene varias aristas que
merecen mayor investigación. Considerando las propuestas hechas por Forbes y Rigobon (2001)
y Dournbusch, et al (2001), quienes ofrecen distintas formas de entender el concepto de
“contagio”. Si bien, a la fecha no existe un conceso académico generalmente aceptado para
definir “contagio”, la definición que ofrecen Forbes y Rigobon (2001) se puede entender como
una transmisión de “choques económicos” de un país a otro1. Los países o mercados pueden estar
vinculados por cuestiones financieras (mercado de capitales); por vínculos reales (transacciones
comerciales o competitivas), o bien por vínculos políticos (acuerdos cambiarios entre países)
(Toribio, 2012). Así también, Horta et al. (2008), menciona que la definición de Forbes y
Rigobon (2001), presenta dificultad para evaluar los mecanismos de propagación de algún
choque, toda vez que es difícil distinguir si existen cambios antes o después de una crisis. Esto
hace que pueda clasificarse dicha evaluación a través de las teorías basadas en teorías
fundamentales y con ausencia de contagio o teorías basadas en el comportamiento y expectativas
de los agentes económicos bajo la existencia de contagio financiero.
Recientemente se ha estudiado los co-movimientos entre mercados, específicamente los
retornos de índices de valores, a través de modelos econométricos o de series de tiempo que
permitan entender mejor el comportamiento de los mercados en períodos de crisis (King y
Wadhwani, 1989; Corsetti et al., 2005; Chiang et al., 2007; Pantaleo et al., 2011). Los avances en
metodologías cuantitativas, específicamente de la física y de métodos computacionales han
intervenido para facilitar el analisis de los co-movimientos entre mercados financieros
internacionales (Laloux et al., 1999; Plerou et al., 2000; Evans y McMillan, 2009, Sandoval y De
1 Entiéndase como cualquier suceso económico inesperado.
3
Paula, 2011). De hecho existen trabajos que tratan de determinar el grado de dependencia entre
distintos mercados, a través de cópulas condicionales o cópulas a través de Markov Swiching,
para determinar los distintos cambios de régimen que permitan establecer la dependencia entre
ellos (Horta et al., 2010; Aloui et al., 2011; Rodriguez, 2007; Kenourgios et al., 2011).
Considerando la definición de Forbes y Rigobon (2002), quienes mencionan que si dos
mercados están altamente correlacionados, y la correlación no aumenta después de una crisis
financiera en alguno de los mercados, si no que por el contrario, no existe una variación continua
en su co-movimiento, entonces ambos mercados tienen una alta interdependencia y no puede
considerarse contagio. Así, que la dimensión privilegiada por estos autores es la dependencia
lineal. Sin embargo, hay un corriente importante de investigaciones que enfatizan la verificación
empírica de dependencias no lineal univariada y multivariada.
Con el propósito de investigar esta dimensión menos conocida y menos evidente de
relaciones no lineales entre mercados financieros y la forma en que cambian estas relaciones, en
el presente trabajo se propone utilizar una prueba estadística, la cual se ha utilizado para analizar
la no linealidad multivariada del tipo de cambio entre distintos países, así como precios de
commodities (Brooks y Hinich, 1999; Brooks y Hinich, 2001; Czamanski et al., 2007; Serletis et
al., 2011), la cual determina periodos de dependencia no lineal entre mercados, por medio de
bicorrelación cruzada, utilizando vectores autorregresivos bivariados en alta frecuencia. A
nuestro mejor entender esta es la primera vez que se utiliza este modelo para explorar el impacto
de crisis financieras entre mercados con algún grado de nexo.
De esta manera se ha aplicado dicha prueba para siete series de índices, cuatro de los
Estados Unidos y tres de América Latina, al precio de cierre, para el período 11/02/03 al
28/03/11, para un total de 2.024 observaciones diarias. Se considera a Estados Unidos el referente
4
del estudio, debido a que fue en ese país donde se originó la reciente crisis global, conocida como
“crisis subprime”.
Bajo el concepto de Forbes y Rigobon (2002), se divide la muestra en dos periodos, el
pre-crisis y el post-crisis, para determinar las ventanas significativas que permitan conjeturar si
existió un contagio o simplemente existe una dependencia entre los países.
A partir de estas condiciones el trabajo se ha dividido en cuatro secciones, la segunda trata
sobre la metodología utilizada, la tercera exhibe el análisis de datos y, la cuarta sección presenta
los resultados y finalmente se dan las conclusiones más relevantes.
2. Metodología Estudios previos han encontrado dependencia episódica no lineal en varios mercados
financieros así como también para varias series de tiempo económicas y financieras (Bonilla et al.
2006; Panagiotidis, 2005; Romero-Meza et al., 2007); sin embargo, ha sido menos estudiado la
dependencia no lineal multivariada, entre pares de series, aplicados a mercados emergentes. En
particular, a nuestro mejor entender, no se ha estudiado la dependencia no lineal multivariada
entre mercados accionarios en presencia de crisis globales.
Los supuestos del modelo clásico en series de tiempo es que los errores son
independientes e idénticamente distribuidos, con momentos de primer y segundo orden. El no
cumplimiento de lo anterior puede causar falsas causalidades. Estos supuestos son difíciles que
se cumplan cuando se tienen distribuciones de probabilidad de mayor orden distinto de cero, o
asimetrías en ciertos periodos del tiempo.
Las aplicaciones de metodologías no lineales han tenido recientemente un auge notable,
debido a que han detectado falsas causalidades lineales, ya que entre distintas ventajas que se
tiene en comparación a las lineales, el cálculo de la metodología es no paramétrico, lo que lleva a
5
que no se utilicen distribuciones de probabilidad específicas para encontrar una mejor explicación
en la causalidad, para eliminar los efectos negativos y positivos de las variable independiente
sobre la dependiente, lo cual se pueden encontrar en distintos trabajos (Laloux et al., 1999;
Plerou et al., 1999; Sharifi et al., 2004; Altay, 2004; Tóth y Kertész, 2005; Diks y Panchenko,
2006; Wilcox y Gebbie, 2007; Bekiros y Diks, 2008; De Gooijer y Sivarajasingham, 2008;
Marinazzo et al., 2008; Nakayama y Iyetomi, 2008; Conlon et al., 2009; Bai et al., 2010;
Anoruo, 2011)
Se tiene la muestra de dos series estacionarias y de tamaño N. Donde cada
serie se separa en pequeños marcos (ventanas) de igual longitud no traslapadas. Donde t es un
entero y k es la k-ésima ventana y ambas series tienen covarianzas estacionarias conjuntas, las
cuales han sido estandarizadas. Las hipótesis son: H0: Las series y son
independientes puro ruido blanco y H1: la series y tienen covarianzas cruzadas
o bicovarianzas cruzadas distintas de
cero. Una consecuencia de la invarianza del para las permutaciones
implica estacionariedad lo que lleva a que el valor esperado sea una función de dos rezagos
. Si el máximo rezago usado es , entonces el dominio principal para
las bicovarianzas es el rectángulo (Brooks y Hinich, 1999).
Bajo la hipótesis nula, y son puro ruido blanco, entonces
excepto cuando r=s=0. Se sabe que un par de series son dependientes,
si existe un segundo o tercer rezago entre las dos series entonces o para al
menos un valor de r o un par de valores respectivamente. Así correlación cruzada y la
bicorrelación cruzada se denota por
x(tk ) y(tk )
x(tk ) y(tk )
x(tk ) y(tk )
Cxy(r) = E x(tk )y(tk + r)[ ] Cxxy(r,s) = E x(tk )x(tk + r)y(tk + s)[ ]
E x(t1)x(t2 )y(t3)[ ] (t1, t2 )
Cxxy (−r, s) = Cxxy (r, s) L < N
1≤ r ≤ L,−L ≤ s ≤ L{ }
x(tk ) y(tk )
Cxy(r)yCxxy(r, s) = 0∀r, s
Cxy(r) Cxxy(r, s) ≠ 0
(r, s)
6
(1)
y
(2)
donde .
La bicorrelación cruzada puede ser vista como una correlación entre el valor actual de una
de las series y el valor previo de la correlación cruzada entre las dos series. La sumatoria en el
caso de segundo orden (1) no incluye el término contemporáneo y es realizada sobre los residuos
del proceso autorregresivo ajustado, para filtrar la estructura univariada autocorrelacionada tal
que correlaciones contemporáneas no sean la causa de rechazos. Para el caso de la prueba de
tercer orden, el test se aplica sobre los residuos bivariados del modelo de vectores autorregresivos
que contiene un término contemporáneo en una de las ecuaciones. La motivación por realizar este
paso de pre-blancura es remover cualquier indicio de correlación lineal o de correlación cruzada,
así, cualquier dependencia remanente entre las series tendrá una forma no lineal. Así, se puede
mostrar que:
(3)
(4)
(5)
(6)
Bajo la hipótesis nula. Sea . El estadístico para la correlación cruzada y la
bicorrelación cruzada no cero está dado por:
Cxy(r) =1
(N − r)x(tk )y(tk + r),r
t=1
N−r
∑ ≠ 0
Cxxy(r, s) =1
N −mx(tk )x(tk + r)y(tk + s)
t=1
N−m
∑
m = max(r, s)
E Cxy(r)⎡⎣ ⎤⎦ = 0,
E Cxxy(r) = 0⎡⎣ ⎤⎦,
E Cxy2 (r)⎡⎣ ⎤⎦ =
1N − r
,
E Cxxy2 (r,s)⎡⎣ ⎤⎦ =
1N −m
,
L = Nc ,0 < c < 0.5
7
(7)
y
(8)
respectivamente. Estos estadísticos son conjuntos o tests compuestos para la correlación cruzada
y la bicorrelación cruzada (de modo similar al Ljung-Box aplicado para la autocorrelación),
donde el número de correlaciones probadas es L y el número de bicorrelaciones cruzadas
probadas es L(2L-1). De acuerdo a Hinich (1996) y son asintóticamente con L y
grados de libertad, respectivamente, cuando .
3. Datos Los siete índices que se utilizan en este análisis son: Down Jones Industrial (DJI);
National Association of Securities Dealers Automated Quotation (NASDAQ); New York Stock
Exchange (NYSE) y, Standard & Poor’s 500 (S&P 500), todos ellos para los Estados Unidos. Los
otros tres, pertenecientes a América Latina son: México: Índice de Precios y Cotizaciones (IPC);
Brasil: Bolsa de Valores de Sao Paulo (BVSP) y, Chile: Índice de Precio Selectivo de Acciones
(IPSA); todos ellos a precio de cierre diario.
Para determinar si existe una dependencia entre ellos o equivalentemente explorar un tipo
de “contagio” menos evidente, se calcula primeramente el retorno de cada una de las series, a
través de diferencias de logaritmos. Los datos fueron obtenidos del trabajo de Ladislav y
Miloslav (2013).2
2 Se analizan esas siete series porque son los datos que tenían la misma longitud.
Hxy(N ) = (N − r)Cxy2 (r),
r=1
L
∑
Hxxy(N ) = ' (N −m)Cxxy2 (r, s)
r=1
L
∑s=−L
L
∑ ('− s ≠ −1,1,0)
Q*
Hxy Hxxy χ 2
L(2L −1) N→∞
8
En la figura 1, se presenta el conjunto de series en términos de su rendimiento, se observa
que el mayor cambio entre ellas surge entre mediados del 2007 y finales del 2009, aunque
existieron otras crisis con anterioridad. En el presente trabajo solo se analiza el periodo de la
“crisis suprime”, lo cual se muestra en una pantalla (rectángulos) en gris en la misma figura. En
la tabla 1, se presentan los estadísticos descriptivos, así como el estadístico Jarque-Bera, el cual
trabaja sobre la hipótesis nula de que los datos tienen una distribución normal, misma que se
rechaza con el 5% de significancia. Aunque no se muestran los resultados de la prueba KPSS
para estacionalidad, ésta no rechaza su hipótesis nula de estacionalidad, así como los resultados
de las pruebas ADF y PP, bajo la hipótesis nula de raíz unitaria, ambas pruebas a un nivel de
significancia del cinco por ciento, se encuentran disponibles.
Figura 1. Rendimiento diario para el período 11/02/03- 28/03/11
-0.13
-0.08
-0.03
0.02
0.07
0.12
Tasa DJI
Tasa NASDQ
Tasa NYSE
Tasa S&P
Tasa BVSP
Tasa IPC
Tasa IPSA
9
Tabla 1. Estadísticos descriptivos de las series de rendimiento
Estadísticos DJI NASDQ NYSE S&P IPC BVSP IPSA
Media 0.0002 0.0003 0.0002 0.0002 0.0009 0.0009 0.0007
Desviación
Estándar 0.0124 0.0148 0.0142 0.0135 0.0140 0.0191 0.0106
Varianza 0.0002 0.0002 0.0002 0.0002 0.0002 0.0004 0.0001
Curtosis 10.8289 7.0242 10.7307 11.1421 5.7497 5.3137 10.9014
Asimetría 0.0700 -0.0279 -0.2984 -0.1548 0.0903 -0.0864 0.0784
Jarque-Bera 40281.3179 17417.0617 39761.1048 42717.8294 11865.9052 10328.0414 40808.9545
Asimismo, la muestra se divide en dos periodos 11/02/03 al 31/07/07 y del 01/08/07 al
28/03/11, los cuales son períodos pre-crisis y post-crisis, respectivamente. En las tablas 2 y 3 se
muestran sus estadísticos, respectivamente.3
Tabla 2. Estadísticos descriptivos de las series de rendimiento para el período pre-crisis
Estadísticos Tasa DJI Tasa
NASDQ
Tasa
NYSE
Tasa
S&P
Tasa
BVSP Tasa IPC
Tasa
IPSA
Observaciones 1123 1123 1123 1123 1123 1123 1123
Media 0.0004 0.0005 0.0006 0.0004 0.0015 0.0015 0.0011
Desviación Estándar 0.0075 0.0103 0.0079 0.0077 0.0158 0.0111 0.0084
Varianza 0.0001 0.0001 0.0001 0.0001 0.0003 0.0001 0.0001
Curtosis 2.1183 1.0192 7.3117 1.7234 0.8828 2.9437 2.9618
Asimetría -0.1039 -0.0506 0.0551 -0.1177 -0.3022 -0.2061 -0.5717
Jarque-Bera 1290.6915 629.8694 10411.7946 1010.7295 656.1193 2102.8747 2238.7712
3 Al igual que la serie completa, no muestran los resultados de la prueba KPSS para estacionalidad, la cual no se rechaza su hipótesis nula de estacionalidad, así como los resultados de las pruebas ADF y PP, bajo la hipótesis nula de raíz unitaria, ambas pruebas a un nivel de significancia del 5%, se encuentran disponibles.
10
Tabla 3. Estadísticos descriptivos de las series de rendimiento para el período post-crisis
Estadísticos Tasa DJI Tasa
NASDQ
Tasa
NYSE
Tasa
S&P
Tasa
BVSP Tasa IPC Tasa IPSA
Observaciones 901 901 901 901 901 901 901
Media -0.0001 0.0001 -0.0002 -0.0002 0.0002 0.0002 0.0003
Desviación Estándar 0.0166 0.0189 0.0193 0.0184 0.0225 0.0169 0.0129
Varianza 0.0003 0.0004 0.0004 0.0003 0.0005 0.0003 0.0002
Curtosis 6.4001 4.9515 5.5710 6.1661 5.5727 4.9386 10.1981
Asimetría 0.1140 0.0078 -0.2158 -0.0831 0.0588 0.2623 0.3534
Jarque-Bera 6463.7010 4017.7403 5048.7577 6066.3233 4988.1008 3943.8770 15880.5401
4. Resultados
Para poder rechazar la hipótesis nula de independencia entre series de retornos, de
acuerdo al estadístico de Hinich, se aplica para cada par de series de datos el test propuesto. A
continuación cada par de serie se divide en ventanas de 25 observaciones, obteniendo un total de
44 y 36 ventanas para el período pre-crisis y post-crisis, respectivamente. Los cálculos se
realizan con un c = 0,25, un umbral de 0,05 y a distintos niveles de VAR.
Un resultado importante de este estudio es que no se encuentran mayores diferencias entre
periodos significativos de bicorrelación cruzada, analizando los períodos pre-crisis y post-crisis.
Así por ejemplo, antes de la crisis, las ventanas significativas corresponden a períodos lejanos del
período de análisis. Así también, los periodos de bicorrelación cruzada que se han encontrado
son para tres índices de los Estados Unidos con México, y un índice de los Estados Unidos con
Brasil (ver tabla 1). Para el caso del periodo post-crisis, se encuentran periodos de bicorrelación
cruzada en su mayoría a finales del año 2008, 2009 y 2010, entre los índices de los Estados
Unidos y el índice de Chile, y uno de los Estados Unidos con el índice de México (ver tabla 2).
11
Tabla 1. Períodos significativos de bicorrelación cruzada para el periodo pre-crisis.
Tabla 2. Períodos significativos de bicorrelación cruzada para el periodo post-crisis.
Con los resultados presentados en las tablas 1 y 2, se muestra que no existe un “contagio”,
medido por no linealidad multivariada, significativo considerando la “crisis suprime” de los
Estados Unidos hacia los tres países de América Latina. Por lo tanto, se podría afirmar que los
períodos que fueron significativos, que en su mayoría fueron relacionados con México, -más bien
es por la cercanía del país o como mencionan Forbes y Rigobon (2002)- existe una
interdependencia, que de acuerdo a los resultados presentados es de forma unidireccional, es
decir, que la bicorrelación de afectación está en sentido de Estados Unidos hacia México y no
viceversa.
Sería interesante profundizar este tipo de estudios explorando aspectos específicos de esta
crisis global sobre los mercados latinoamericanos indicados. Puede haber otros elementos no
capturados por el modelo estadístico que limiten el grado de dependencia no lineal. Por ejemplo,
para el mercado financiero chileno se puede plantear como hipótesis que esta economía contaba
# y % de ventanas
significativasFechas
# y % de ventanas
significativasFechas
# y % de ventanas
significativasFechas
# y % de ventanas
significativasFechas
# y % de ventanas
significativasFechas
# y % de ventanas
significativasFechas
Cxxy 1(2.3) 07/04/04-12/05/04 3(6.8)
08/09/03-13/10/03
10/11/04-10/12/04
14/11/06-21/12/06
1(2.3) 16/04/07-22/05/07 1(2.3) 04/10/04-10/11/04 3(6.8)
26/05/03-30/06/03
11/11/05-19/12/05
19/12/05-24/01/06
1(2.3) 24/01/05-03/03/05
Resultado de ventanas significativas
NASDQ-NYSE S&P-IPC NASDQ-IPCDJI-S&P NASDQ-BVSPDJI-IPC
VAR(6)VAR(6) VAR(5)VAR(5)VAR(6) VAR(5)
# y % de ventanas significativas Fechas
# y % de ventanas
significativasFechas # y % de ventanas
significativas Fechas # y % de ventanas significativas Fechas
Cxxy 2(5.6)30/12/08-05/02/09
10/08/09-15/09/091(2.8) 13/03/08-18/04/08 1(2.8) 27/10/10-03/12/10 1 (2.8) 02/07/08-07/08/08
DJI-IPSAVAR(3)
Resultado de ventanas significativas
VAR(6)VAR(5) VAR(5)NYSE-IPSAS&P-IPC S&P-IPSA
12
con excedentes de recursos en la forma de fondos soberanos por varios miles de millones de
dólares.
Conclusiones
En el presente trabajo se ha estudiado el co-movimiento entre pares de series de índices de
valores de Estados Unidos, México, Brasil y Chile, a través de un método multivariante el cual
permite determinar la bicorrelación cruzada entre series. Dicha prueba permite determinar formas
de dependencia no lineal de tercer orden entre pares de series, siendo una herramienta adicional a
las pruebas de causalidad de Granger, sin embargo, desde el punto de vista no lineal con dicha
prueba lleva involucrado el concepto de Forbes y Rigobon (2001), específicamente para el
acontecimiento de la crisis suprime, para lo cual se separaron las series en dos períodos, uno
denominado pre-crisis y otro post-crisis. Con el único fin de que si se encuentran dependencias
no lineales en ambos períodos, entonces existe un contagio y no es aplicable el concepto Forbes y
Rigobon (2001).
Los resultados obtenidos muestran que existen algunos períodos de dependencia no lineal,
alejados del evento de la crisis suprime, lo cual demuestra que en lugar de que exista un contagio,
existen algunos mecanismos que puedan reflejarse como un contagio o una interdependencia, ya
que con esta metodología aplicada, no se determina exactamente si existió un contagio en la
“crisis suprime” o no.
Lo que sí es cierto es que se encuentran ventanas significativas de bicorrelación cruzada
alrededor del 1994, que es cuando existió una crisis en México, conocido como “efecto tequila”.
Esto permite que en futuras investigaciones, se necesite tal vez analizar las mismas series
separándolas de las crisis de 1994, para estudiar entonces si se puede aplicar el concepto de
Forbes y Rigobon (2001).
13
Así también los resultados obtenidos muestran un efecto positivo en la administración de
portafolios, específicamente en el análisis de riesgos, ya que permite una reducción del riesgo
entre los mercados si llegara existir una crisis como la estudiada en este trabajo. Al mismo
tiempo, los hallazgos inducen a que las autoridades encargadas de las decisiones
macroeconómicas financieras de los países de América Latina, cada vez tienen mejores tomas de
decisiones que permitan que no se vean afectados por crisis como la analizada.
Esta crisis financiera global afectó menos a los mercados emergentes latinoamericanos
que otras crisis. Así como se mencionó el caso de Chile con importantes reservas en dólares, lo
que ha significado mantener una de las mejores clasificaciones crediticias de la región. También,
esta crisis se ha caracterizado por súper ciclos de commodities, tales como los altos precios del
cobre, petróleo y otras materias primas, que han permitido aislar a los mercados latinoamericanos
de los vaivenes de la crisis global llamada “subprime”.
Así sería interesante para futuras investigaciones aislar el efecto de los precios de los
commodities en el desempeño de los mercados financieros de cada economía.
Referencias Aloui, R., Aïssa, M. & Nguyen, D. (2011). Global financial crisis, extreme interdependences,
and contagion effects: the role of economic structure?. Journal of Banking & Finance, 35(1),
130-141.
Altay, E. (2004). Cross-autocorrelation between small and large cap portfolios in the Gand
Turkish stock markets. Journal of Financial Management and Analysis, 17(2), 77-92.
Anoruo, E. (2011). Testing for linear and nonlinear causality between crude oil Price changes
and stock market returns. International Journal of Economic Sciences and Applied Research,
4(3), 75-92.
14
Bai, Z., Wong, W. & Zhang, B. (2010). Multivariate linear and nonlinear causality tests.
Mathematics and Computers in Simulation, 81(1) 5-17.
Bekiros, D. & Diks, C. (2008). The nonlinear dynamic relationship of exchange rates: Parametric
and nonparametric causality testing. Journal of Macroeconomics, 30(4) 1641-1650.
Brooks, C. & Hinich, M. (1999).Cross-correlation and cross-bicorrelations in sterling exchange
rates. Journal of Empirical Finance, 6(4), 385-404.
Brooks, C. & Hinich, M. (2001). Bicorrelations and cross-bicorrelation as non-linearity test and
tolos for exchange rate forecasting. Journal of Forecasting, 20, 181-196.
Bonilla, C.A., R. Romero-Meza, and M. Hinich, (2006), Episodic nonlinearity in Latin American
stock market indices, Applied Economics Letters 13, 195 – 199.
Chang, T., Nam, B. & Li, H. (2007). Dynamic correlation analysis of financial contagion:
evidence from Asian markets. Journal of International Money and Finance, 26, 1206-1228.
Conlon, T., Ruskin, H.J. & Crane, M. (2009).Cross-correlation dynamics in financial time series.
Physica A, 388(5), 705-714.
Corsetti, G., Pericoli, M. & Sbracia, M. (2005). Some contagion, some interdependence. More
pitfalls in tests of financial contagion. Journal of International Money and Finance, 24(8), 1177-
119.
Czamanski, D., Dormaar, P., Hinich, M. & Serletis, A., (2007). Episodic nonlinearity and
nonstationarity in Alberta’s power and natural gas markets. Energy Economics, 29(1), 94-104.
De Gooijer, J. & Sivarajasingham, S. (2008). Parametric and nonparametric Granger causality
testing: linkages between international stock markets. Physica A: Statistical Mechanics and its
Applications, 387(11), 2547-2560.
Diks, C. & Panchenko, V. (2006). New statistic and practical guidelines for parametric Granger
15
causality testing. Journal of Economics Dynamics and Control, 30(9-10), 1647-1669.
Dournbusch, R. Park, Y. & Claessens, S. (2001). Contagion: Why crises spread and how this can
be stopped, In International Financial Contagion (eds) Claessens, S. and Forbes, K. New York:
Springer, 19-42.
Evans, T. & McMillan, D. (2009). Financial co-movement and correlation: Evidence from 33
international stock market índices. International Journal of Banking, Accounting and Finance,
1(3), 215-241.
Forbes, K. & Rigobon, R. (2001). Measuring contagion: conceptual and empirical issues. In
International Financial Contagion (eds) Claessens, S. and Forbes, K. New York: Springer, 43-66.
Forbes, K., & Rigobon, R. (2002). No contagion, only interdependence: measuring stock market
co-movements, The Journal of Finance, 57(5), 2223-61
Hinich, M. J. (1996). Testing for dependence in the input to linear time series model, Journal of
Nonparametric Statistics, 6, 205-221.
Horta, P., Mendes, C. & Vieira, I. (2008). Contagion effects of the US subprime crisis on
developed countries. Working paper, University of Evora.
Horta, P., Mendes, C. & Vieira, I. (2010). Contagion effects of the subprime crisis in the
European NYSE Euronext markets. Portuguese Economic Journal, 9(2), 115-140.
Kenourgios, D., Samitas, A. & Paltalidis, N. (2011). Financial crisis and stock market contagion
in multivariate time-varying asymmetric framework. Journal of International Financial Markets,
Institutions & Money, 21(1), 92-106.
King, M. & Wadhwani, S. (1989). Transmission of volatility between stock markets, Research
working paper series, number 2910.
Ladislav, K. & Miloslav, V. (2013). Measuring capital market efficiency: global and local
correlations structure.
16
Laloux, L, Cizeau, P., Bouchaud, J. & Potters, M. (1999). Noise dressing of financial correlation
matrices. Physical Review Letters, 83(7), 1467-1470.
Laloux, L., Cizeau, P., Bouchaud, J. & Potters, M.(1999). Noise dressing of financial correlation
matrices, Physic Review Letters, 83, 1467-1470.
Marinnazo, D., Pellicoro, M. & Stramaglia, S. (2008). Kernel method for nonlinear Granger
causality. Physical Review Letters, 100(14), 1-4.
Nakayama, Y. & Iyetomi, H. (2008, November). Analysis of dynamical cross correlation in
financial time series. Working Paper The 7th International Conference on Computational
Intelligence in Economics and Finance, Taoyuan, Taiwan.
Panagiotidis, T., (2005), Market capitalization and efficiency. Does it matter? Evidence from the
Athens Stock Exchange, Applied Financial Economics, Volume 15, Issue 10, 707-713.
Pantaleo, E., Tumminello, M., Lillo, F. & Mantegna, R. (2011). When do improved covariance
matrix estimators enhance portfolio optimization? An empirical comparative study of nine
estimators. Quantitative Finance, 11(7), 1067-1080.
Plerou, V., Gopikrishman, P., Rosenow, B., Amaral, L., Guhr, T. & and Stanley, H. (2002).
Random matrix approach to cross-correlations in financial data, Physical Review E, 65, 1-18.
Plerou, V., Gopikrishnan, P., Rosenow, B., Amaral, L., Guhr, T. & Stanley, H. (1999). Universal
and non-universal properties and cross correlations in financial data. Physical Review Letters,
83(7), 1471-1474.
Rodriguez, J.C. (2007). Measuring financial contagion: a copula approach. Journal of Empirical
Finance, 14, 401-423.
Romero-Meza, R., Bonilla, C.A. and Hinich, M.J. (2007), Nonlinear Event Detection in the
Chilean Stock Market, Applied Economics Letters, Vol. 14, pg. 987 -991.
17
Sandoval, L. & De Paula, I. (2011). Shocks in financial markets, price expectation, and damped
harmonic oscillators. Quantitative Finance, 1-23.
Serletis, A., Malliaris, A.G., Hinich, M.J. & Gogas, G., (2012). Episodic Nonlinearity in Leading
Global Currencies. Open Economics Review, 23, 337-357.
Sharifi, S., Crane, M., Shamaie, A. & Ruskin, H. J. (2004). Random matrix theory for portfolio
optimization: a stability approach. Physica A, 335 (3-4), 629–643.
Toribio, J. (2012). El contagio económico y financiero. en La crisis en Europa: ¿Un problema de
deuda soberana o una crisis del euro? (coord.) Fernández, F. España: Fundación de Estudios
Financieros, 29-38.
Tóth, B. & Kertész, J. (2005). Increasing market efficiency: evolution cross-correlations of stock
returns. Physica A, 360 (2), 505-515.
Wilcox, D. & Gebbie, T. (2007). An analysis of cross-correlations in and emerging market.
Physica A: Statistical Mechanics and its Applications, 375(2), 584-598.