Aplicación del modelo de los tres factores de Fama

French al mercado accionario colombiano y su

comparación con el CAPM

Yurany Arismendy Hincapié

Santiago Marín López

Resumen
Eugene Fama y Kenneth French argumentaban como el modelo tradicional de
valoración de activos, conocido como el Capital Asset Pricing Model (CAPM) utiliza
una sola variable para describir el rendimiento de una cartera y como esto genera
algunas anomalías que están relacionadas y como las mismas pueden ser
corregidas por el modelo de los tres factores de Fama y French. Lo que se busca
es evaluar la viabilidad del modelo Tres Factores en el mercado colombiano y para
ello se estimarán ambos modelos y se compararán los resultados con el fin de
comprobar el poder explicativo del modelo Tres Factores.

Abstract
Eugene Fama and Kenneth French argued that the traditional asset valuation model
known as Capital Asset Pricing Model (CAPM) has some anomalies due to the use
of a single variable to describe a portfolio’s return, those anomalies are related and
are corrected by the Fama-French Three-Factor model. The objective of this article
is to evaluate the viability of the Three-Factor model in the Colombian market, to
reach this, both models will be estimated, then the results will be compared to finally
find out the explicative power of the Three-Factor model.
1. Introducción
El mundo contemporáneo ha traído consigo una apertura de los mercados
financieros y de bienes. Esto no solo implica que los países tienen más
oportunidades para negociar sus productos con el exterior sino que las entidades
extranjeras que tengan capital destinado para la inversión busquen en países
emergentes como Colombia una posibilidad para invertir sus recursos.

Lo anterior combinado con el hecho de que en el territorio nacional existen entidades

y productos que manejan grandísimas cantidades de dinero como los Fondos de
Pensiones y las Carteras Colectivas ha convertido el tema de administración de
portafolios en un menester para quiénes se desenvuelven en el mundo de las
finanzas en el país.

En general, las entidades tanto extranjeras como nacionales, no usan los mercados
financieros para especular, pues sería descabellado pensar que los Fondos de
Pensiones van a arriesgar el dinero de las pensiones de los colombianos en los
mercados financieros, por lo cual su principal objetivo no es el de generar beneficios
(lo cual no significa que generar beneficios no se pueda hacer) sino el de mantener
el poder adquisitivo de su dinero, es decir, contrarrestar el efecto de la inflación.

Por estas razones, los portafolios que a menudo se escogen como destinos de
inversión son aquellos que están conformados por activos llamados de bajo riesgo.
Esta característica significa que son activos poco volátiles, con poca reacción ante
cambios bruscos en el mercado, lo cual es deseable si se tiene en cuenta que los
mercados contemporáneos funcionan bajo las expectativas que existan en el
mercado y un anuncio de alguna entidad importante como la FED puede generar
caos y volatilidad en el medio.

Desde su publicación, la teoría de Harry Markowitz (Markowitz, 1952) ha sido el

canon a seguir para administrar portafolios aunque hoy en día pueden encontrarse
variaciones como el modelo Black-Litterman (Black & Litterman, 1991). En cambio,
cuando se habla de medir el riesgo de un activo, desde su nacimiento y hasta la
actualidad la regla ha sido el modelo CAPM (Lintner, 1969; Mossin, 1966; Sharpe,
1964). El problema ha aparecido con el paso del tiempo, nuevas personas han
estudiado el modelo y sugieren que tiene problemas como una relación débil en la
regresión (Jensen, Black, & Scholes, 1972) y anomalías que no son capturadas por
el CAPM (Fama & French, 1993).

Por tal motivo, han surgido varias innovaciones que buscan corregir el modelo
CAPM original. Una de ellas es conocida como el modelo Tres Factores publicado
por Eugene Fama y Kenneth French en 1992 y 1993 (Fama & French, 1992, 1993)
donde se trata de corregir el modelo CAPM tradicional al incluir dos nuevas variables
explicativas en el modelo.

Este nuevo modelo, ha recibido críticas bastante favorables por la comunidad

(Rubio, 2004) pero no ha sido muy aplicado alrededor del mundo. Por lo cual lo que
se busca es evaluar la viabilidad que presenta este modelo para ser aplicado en el
mercado colombiano mediante su aplicación práctica y al mismo tiempo utilizar los
resultados arrojados por este modelo de dos maneras: primero realizar una
comparación con los resultados que arroja el modelo CAPM y segundo conformar
un portafolio con los activos menos riesgosos y estimar el Valor en Riesgo (VaR)
por medio de un modelo de la familia ARCH.

2. Marco teórico

2.1. Modelo CAPM

El modelo “Capital Assets Pricing Model” (o CAPM) nació en la década de los 60´s
bajo la influencia del trabajo que había desarrollado Harry Markowitz sobre
portafolios de inversión y diversificación en 1952 (Markowitz, 1952). El objetivo
principal de este modelo es el poder estimar la rentabilidad de activos financieros
con base en su riesgo y además encontrar un indicador representativo del riesgo de
cada activo con respecto al mercado (Lintner, 1969; Mossin, 1966; Sharpe, 1964).
Este indicador se representa por medio de la letra griega  .

2.1.1. Supuestos del modelo CAPM (Brealey, Myers, Allen, Izquierdo, & Soria,
2006)
Los supuestos que sirven como base fundamental del modelo CAPM son los
siguientes:

- Todos los inversionistas son racionales. Es decir que se comportan bajo el

modelo de media- varianza de Harry Markowitz, buscando maximizar la rentabilidad
y minimizar el riesgo (Markowitz, 1952).
- Los inversionistas solo deben preocuparse por el riesgo sistemático (o no
diversificable) ya que estos tienen la posibilidad de diversificar sus activos.
- El mercado es eficiente, por lo tanto toda la información es simétrica 1.
- El mercado está libre de impuestos y de costos de transacción.
- Existe competencia perfecta en el mercado, por lo tanto ningún inversionista
es capaz de influenciar el precio de los activos.

Hay autores que identifican otros supuestos como por ejemplo que el CAPM es un
modelo estático (D. Moreno & Gutiérrez, 2010) pero en general, los supuestos
expuestos anteriormente son los más fundamentales y permiten que el modelo
CAPM pueda ser utilizado.

2.1.2. Formulación matemática del modelo CAPM (Lintner, 1969; Mossin,

1966; Sharpe, 1964)
Matemáticamente, el modelo CAPM tiene la siguiente estructura:

Ecuación 1. Modelo CAPM

Rit  R ft      RMt  R ft   et

1
Todas las partes cuentan con la misma información.
Dónde:

Ri : es el retorno del activo i .

R f : es la tasa libre de riesgo.

RM : es el retorno del mercado.

 : es la constante que se genera al estimar el modelo. Muchos autores no la

consideran (M. A. Moreno, 2010).

 : matemáticamente es la pendiente de la recta de regresión y analíticamente

representa la sensibilidad del retorno de los activos con respecto a cambios en el
retorno del mercado.

et : es la perturbación estocástica presente en el modelo. Generalmente en finanzas

esta perturbación recibe el nombre de “Anomalías no observables” o simplemente

“Anomalías”.

Para explicar más detalladamente el modelo, se utilizará la siguiente representación

de la Ecuación 1 que es mucho más intuitiva y es más utilizada a la hora de hacer
estimaciones:

Ecuación 2. Forma alternativa del modelo CAPM

Rit  R ft      RMt  R ft   et

La Ecuación 2 permite observar que el CAPM es simplemente la relación que existe

entre la prima2 de cada activo (variable endógena) y la prima de mercado (variable
exógena) por lo cual si se realiza una buena estimación del modelo, este podría ser
utilizado para hacer pronósticos sobre el rendimiento de algún activo en periodos
futuros.

2
En este contexto, el término “prima” significa exceso de rentabilidad con respecto a la tasa libre de riesgo.
El coeficiente  es el intercepto de la recta de regresión e indica cuanto es la prima
del activo cuando la prima de mercado toma el valor de cero, es decir, que el
mercado obtuvo una rentabilidad igual a la tasa libre de riesgo.

Finalmente el coeficiente  es la pendiente de la recta de regresión e indica la

sensibilidad que existe entre la prima de cada activo y la prima de mercado.

2.1.3. Análisis del coeficiente 

Si bien anteriormente se había llegado a la conclusión de que el parámetro  es la
pendiente de la recta de regresión y mide la sensibilidad del retorno de un activo
con respecto al retorno de mercado, es importante profundizar un poco más pues
este coeficiente es quizá el componente más útil del modelo.

Teniendo en cuenta que este coeficiente está asociado al retorno de mercado,

permite llegar a la conclusión de que el riesgo que éste permite estimar es el riesgo
de mercado también llamado riesgo sistémico que no puede ser mitigado por medio
de la diversificación, por lo tanto, si se sigue el modelo CAPM, un inversionista
nunca debería asumir ningún riesgo diversificable, ya que solo obtendría mayores
rentabilidades por asumir el riesgo de mercado o sistémico. En general se espera
que las empresas con actividades correlacionadas positivamente presenten 
parecidos ya que su respuesta a cambios en el mercado debería ser similar (M. A.
Moreno, 2010). También es muy común ver que los inversionistas inviertan en
activos con betas grandes cuando la economía está en buenas condiciones y en
activos con betas pequeños cuando las condiciones de la economía no sean muy
favorables.

La interpretación del coeficiente  de acuerdo a su valor numérico se presenta en

la tabla 1:

Tabla 1. Interpretación de los valores del coeficiente Beta. Fuente: (M. A. Moreno, 2010)

Valor de  Interpretación

0 Se esperaría que el retorno del activo fuera similar a la tasa libre de riesgo
 1 Indica que el retorno del activo se mueve con la misma intensidad que el retorno del mercado
>1 Se espera que el retorno del activo se mueva más volátilmente que el retorno del mercado.
<1 Indica que el retorno del activo se mueve menos volátilmente que el retorno del mercado.
<0 Indica que el retorno del activo tiene un comportamiento opuesto al comportamiento del retorno del
mercado. En la práctica este tipo de activos son difíciles de encontrar.

Al realizar la estimación del modelo CAPM por medio de una regresión lineal lo que
se busca es minimizar la sumatoria del cuadrado de los errores (Pérez & Fernández,
2009). Al seguir esta metodología, se llegó a la conclusión de que el coeficiente 
puede ser estimado con la siguiente expresión:

Ecuación 3. Expresión para calcular el coeficiente beta.

cov  Ri , RM   Ri
   Ri ,RM
 2
M M

La primera forma de la expresión anterior relaciona la covarianza entre los retornos

del activo y los retornos del mercado (esta covarianza representa el riesgo de
mercado o sistémico) y la varianza del mercado presente en el numerador (esta
varianza representa la volatilidad del mercado). La segunda expresión para el
cálculo del coeficiente  es totalmente equivalente a la primera y permite entrever
que el  incluye implícitamente una relación entre la correlación y la volatilidad del
activo y el mercado (Klarman & Williams, 1991).

2.1.4. Problemas que presenta el modelo CAPM

A pesar de que el modelo CAPM puede presentarse como una buena guía para
inversionistas que quieran obtener inferencias sobre los retornos de un activo de
interés, es importante tener en cuenta que algunos autores (Fama & French, 1992;
Jensen et al., 1972; Klarman & Williams, 1991) han encontrado ciertas limitaciones
en este modelo, por lo cual sus resultados no son del todo precisos. Las limitaciones
más importantes son:

- Es muy difícil (prácticamente imposible) identificar completamente el

portafolio de mercado ya que en el mercado existen una gran cantidad de títulos. La
solución que generalmente se utiliza es trabajar con un índice que resuma en gran
parte los movimientos más importantes del mercado. En el caso colombiano el
índice más adecuado es el COLCAP3.
- Pruebas empíricas (Jensen et al., 1972) han mostrado que el coeficiente 
estimado por medio del modelo CAPM generalmente no es muy fiel a lo que sucede
en la realidad. Por ejemplo, activos con un coeficiente  menor a 1 siendo más
volátiles que el mercado.
- Otros estudios (Klarman & Williams, 1991) argumentan que utilizar la prima
de mercado como única variable exógena es insuficiente. Lo anterior se debe al
hecho de que se ha encontrado evidencia de que el riesgo de un activo no se puede
reflejar simplemente con precios históricos del activo y el mercado. Además se deja
al lado factores importantes de valoración de empresas como el precio del activo, la
expectativa de crecimiento de las compañías y su tamaño.
- La manera en que se calcula el coeficiente  por medio del CAPM puede
llevar en ciertos casos a conclusiones erróneas como se muestra a continuación en
la tabla 2:

Tabla 2. Limitación del cálculo del beta. Fuente: Elaboración de los autores.

Mercado Activo A Activo B

-40% -20% -80%
-10% -5% -20%
10% 20% 5%
40% 80% 20%
Beta 0.9375 0.9375

Como se puede observar en la tabla 2, un inversionista que mire los retornos y no

el coeficiente  diría que el activo A es menos riesgoso que el B ya que el primero
baja la mitad de lo que baja el mercado y sube el doble de lo que sube el mercado
mientras que el segundo baja el doble de lo que baja el mercado y sube la mitad de

3
Índice compuesto por las 20 empresas con mayor capitalización bursátil, liquidez y volumen de negociación
de Colombia.
lo que este baja. Pero si solo se tiene en cuenta el análisis del coeficiente  se
llegaría a la errada conclusión de que ambos activos son igual de riesgosos.

2.2. Modelo de tres factores de Fama French

Este modelo fue planteado en la década de los 90´s por Eugene Fama y Kenneth
French en un documento llamado “Common risk factors in the returns on stocks and
bonds”(Fama & French, 1993). Este nuevo modelo toma como base el modelo
CAPM y agrega dos nuevas variables regresoras que reciben el nombre de SMB
(Small Minus Big) y HML (High Minus Low) con el objetivo de reducir las limitaciones
que presenta el modelo CAPM a la hora de estimar los rendimientos, el coeficiente
 y finalmente tratar de capturar en estas dos nuevas variables las anomalías que
se presentaban en el modelo CAPM.

En general el objetivo de este modelo es igual al objetivo del modelo CAPM que es
el de poder pronosticar los retornos de un activo y encontrar un parámetro que
permita darle una medida al riesgo de mercado o sistemático. También para el
modelo de tres factores de Fama French se mantienen los mismos supuestos
usados para el modelo CAPM.

2.2.1. Formulación matemática del modelo de los Tres Factores

Matemáticamente, el modelo de los tres factores tiene la siguiente estructura:

Ecuación 4. Modelo de los Tres Factores

Rit  R ft      RMt  R ft   s j SMBt  h j HMLt  et

Dónde:

Ri , R f , RM ,  , et : conservan la misma interpretación que en el modelo CAPM.

 : En este caso ya no se puede considerar como la pendiente de la recta de

regresión ya que hay 2 nuevas variables. Sin embargo sigue teniendo la misma
interpretación financiera, es decir, la sensibilidad de la prima del activo con respecto
a cambios en la prima de mercado, solo que en este caso, lo demás debe
permanecer constante.

SMBt : Variable exógena calculada por medio de la consideración del tamaño de las

empresas que conforman el mercado.

HMLt : Variable exógena calculada por medio de la consideración de la relación

Book/Market4 de las empresas que conforman el mercado5.

s j , h j : Estos coeficientes no tienen una interpretación importante, simplemente

aparecen como resultado de realizar la regresión y permiten relacionar la variable

endógena con las dos nuevas variables agregadas al modelo.

Como se ha dicho anteriormente, el modelo de los Tres Factores tiene el mismo

objetivo que el CAPM6 y el análisis de la Ecuación 4 es similar al realizado para la
Ecuación 2, la única diferencia son las dos nuevas variables agregadas al modelo
que simplemente buscan capturar las anomalías que presentaba el modelo CAPM
en sus resultados.

2.2.2. Definición y análisis de las variables SMB y HML .

Durante la década de los 90´s Eugene Fama y Kenneth French trataron de encontrar
el poder explicativo que tenían ciertas variables relacionadas con las empresas con
el retorno de las acciones. En su trabajo de 1992 (Fama & French, 1992), estudiaron
variables como el tamaño de las empresas, la relación Book/Market, el RPG7, entre
otros. Finalmente llegaron a la conclusión de que tanto el tamaño de la empresa
(medido como la capitalización bursátil) y la relación Book/Market son las dos
variables que mejor logran explicar las anomalías que el CAPM no lograba capturar.

4
Es la relación Precio en libros/Precio de mercado, generalmente los analistas la usan para guiar sus inversiones.
5
En el siguiente apartado se analizarán las variables SMB y HML a profundidad.
6
Estimar la rentabilidad de los activos y estimar un parámetro que permita estimar el riesgo.
7
Relación Precio/Ganancia.
Para poder incluir ambas variables en el modelo, Fama y French desarrollaron dos
variables llamadas SMB (Small Minus Big) y HML (High Minus Low). La variable
SMB es la que busca capturar el efecto del tamaño de las empresas y HML es la
variable que busca capturar el efecto de la relación Book/Market. Rodríguez,
Maturana y Nieto (Nieto, 2001; W. K. Rodríguez & Maturana, 2008) definen las
variables de la siguiente forma:

- SMB: es la diferencia en los retornos de portafolios de grandes empresas con

portafolios de pequeñas empresas. Es una variable que busca emular el factor del
tamaño de las empresas y es la diferencia entre el retorno promedio de los
portafolios con empresas pequeñas y el retorno promedio de los portafolios con
empresas grandes.
- HML: es la diferencia en los retornos de portafolios de empresas con alta
relación Book/Martek con portafolios de empresas con baja relación Book/Market.
Esta variable busca replicar el factor de la relación Book/Market y es la diferencia
entre el retorno promedio de los portafolios de empresas con alta relación Book
Market y los portafolios de empresas con baja relación Book/Market.

La razón para incluir ambas variables en el análisis es que en el caso de la variable

SMB se recoge la condición llamada “Size Premium” que en resumen indica, que
se espera que las pequeñas empresas ofrezcan un mayor retorno ya que son más
riesgosas y viceversa, y en el caso de la variable HML se captura la condición
llamada “Value Premium” que en general asume que las empresas con mayor ratio
Book/Market deben ofrecer un mayor retorno. Por lo tanto estas variables permiten
de cierta forma capturar la relación riesgo-retorno que está implícita al relacionar el
tamaño de las compañías y su relación Book/Market.

2.2.3. Cálculo de las variables SMB y HML

Para calcular las variables SMB y HML se sigue la metodología propuesta por Fama
y French (Fama & French, 1993) y que ha sido utilizada por varios autores en
diferentes países (Nieto, 2001; C. H. Rodríguez & Zepeda, 2010; W. K. Rodríguez
& Maturana, 2008; Rubio, 2004). El primer paso consiste en definir cuáles son las
acciones que se utilizarán para estimar el modelo, generalmente el número de
acciones puede variar mucho de acuerdo al país que se esté analizando.

Una vez escogidas las acciones, se recomienda construir una tabla que permite la
elaboración de 6 portafolios que combinan diferentes características como se
presenta a continuación:

Tabla 3. Portafolios para calcular las variables SMB y HML Fuente: Elaboración de los autores.

Tamaño
Pequeño Grande
Bajo Portafolio 1 Portafolio 4
Relación Book Market Medio Portafolio 2 Portafolio 5
Alto Portafolio 3 Portafolio 6

Para ubicar las acciones elegidas dentro de uno de los 6 portafolios se calculan los
percentiles 33% y 66% en el caso de la relación Book/Market y el percentil 50% en
el caso del tamaño o capitalización bursátil. Luego se calculan los retornos de cada
portafolio (dándole a cada empresa la misma ponderación) y se utilizan las
siguientes expresiones para calcular las variables SMB y HML:

Ecuación 5. Expresión para calcular la variable SMB.

Port1  Port 2  Port 3 Port 4  Port 5  Port 6

SMB  
3 3

Ecuación 6. Expresión para calcular la variable HML.

Port1  Port 4 Port 3  Port 6

HML  
2 2

Finalmente, habiendo calculado ambas variables, se puede estimar el modelo de

los Tres Factores por medio de la Ecuación 4.
3. Metodología y datos utilizados en la aplicación.
Para aplicar ambos modelos en el mercado colombiano, se optó por utilizar tres
variables diferentes: las primeras son los precios de las 20 acciones que conforman
el índice COLCAP, la segunda variable son los valores del índice COLCAP y
finalmente la tasa libre de riesgo8. Para cada variable se utilizaron los datos
históricos correspondientes al último año de negociación (15/10/2013 a
14/10/2013), con el fin de utilizar datos que no estuvieran afectados de forma
indirecta con el estallido de la crisis europea en 2012.

Para construir las variables exógenas de los modelos CAPM y Tres Factores se
siguieron los siguientes pasos:

- Las 20 acciones que conforman el índice COLCAP fueron ordenadas de

acuerdo a su capitalización bursátil y su relación Book/Market.
- Se calculó el percentil 50% con base en la capitalización bursátil y los
percentiles 33% y 66% con base en la relación Book/Market.
- Se construyeron los 6 portafolios que indica la tabla 3 y se realizó el cálculo
de los retornos históricos para cada uno, otorgándole a cada activo la misma
ponderación ya que los activos de cada portafolio están dentro de la misma
clasificación.
- Fueron usadas las ecuaciones 5 y 6 para calcular las variables SMB y HML.
- Se calculó la prima de mercado, por medio de la diferencia entre los retornos
diarios del COLCAP9 y la tasa libre de riesgo diaria.

La construcción de la variable endógena para cada una de las acciones se

construyó restando la tasa libre de riesgo diaria de los retornos diarios de cada una
de las acciones para construir la prima de cada acción.

8
Para efectos de este trabajo se utilizó la yield de los TES con vencimiento en 2024 como tasa libre de riesgo.
9
En este caso el COLCAP representa el mercado pues este índice está compuesto por las 20 acciones más
importantes del mercado colombiano. La anterior es una cantidad adecuada teniendo en cuenta que el mercado
de renta variable colombiano no está desarrollado y de las empresas listadas en bolsa alrededor de 30 son las
únicas acciones líquidas.
Luego se evaluó la estacionariedad de cada variable y se corrigieron aquellas que
resultaron ser un proceso integrado de orden 110 por medio de la diferenciación.
Posteriormente se estimaron los modelos CAPM y Tres Factores para cada una de
las acciones del COLCAP y se agregaron modelos autoregresivos y de medias
móviles con el fin de evitar la correlación en los residuales de cada modelo.

Después se estimó un modelo ARIMA para las variables SMB y HML y una regresión
para la prima de mercado11 con el fin de estimar el valor para el periodo T+1
(15/102014) de cada una de estas tres variables ya que este es un input necesario
para pronosticar la prima de cada acción para el periodo T+1 con ambos modelos.
Posteriormente se calculó para cada activo la prima real de cada activo para el
periodo T+1 y se comparó el dato real con los estimados por los modelos CAPM y
Tres Factores con el fin de calcular los errores de predicción y poder sacar
conclusiones.

Más tarde, con los  arrojados por el mejor modelo, se escogió el portafolio de 3
activos con menor sensibilidad frente al mercado y se realizó una comparación de
su desempeño frente al mercado como si estuviera llevando a cabo una gestión
activa12 para finalmente calcular el Valor en Riesgo (VaR) para el día T+1 por medio
de un modelo de la familia ARCH, aplicando los métodos de Simulación Histórica
Filtrada y asumiendo que los retornos siguen una distribución normal y t-student.

4. Análisis de los resultados obtenidos.

Los portafolios obtenidos para calcular las variables SMB y HML (Tabla 4), permiten
observar que en Colombia, las empresas con capitalizaciones bursátiles similares13
no están concentradas en algún sector, ya que los portafolios (a excepción del

10
Para evaluar el orden del proceso integrado se empleó el test KPPS.
11
Para modelar la prima de mercado se realizó una regresión lineal utilizando como variables exógenas los
rendimientos de las 20 acciones del COLCAP.
12
Una gestión activa de portafolios sucede cuando el objetivo del inversionista es obtener mayores
rentabilidades que un benchmark, que en este caso es el índice COLCAP.
13
Excepto el caso de Ecopetrol que es más de 5 veces mayor que la segunda empresa con mayor capitalización
bursátil que es Grupo Aval.
primero que solo está conformado por acciones del sector energético) están
compuestos por acciones pertenecientes a diferentes sectores como el financiero,
energético y real.

Tabla 4. Portafolios conformados para calcular las variables SMB y HML. Fuente: Elaboración de los
autores.

Portafolio Descripción Activos

ISA
1 Tamaño pequeño/Ratio Bajo Pacific Rubiales
Canacol
Isagen
2 Tamaño pequeño/Ratio Medio Celsia
Preferencial Avianca
Cemex Latam Holding
BVC
3 Tamaño pequeño/Ratio Alto
Preferencial Davivienda
Corficolombiana
Preferencial Aval
4 Tamaño grande/Ratio Bajo Grupo Sura
Grupo Argos
Ecopetrol
EEB
5 Tamaño grande/Ratio Medio
Éxito
Nutresa
Preferencial Bancolombia
6 Tamaño grande/Ratio Alto Banco de Bogotá
Preferencial Cemargos

Luego, se construyeron las variables SMB y HML y se realizó el test KPPS a todas
las variables involucradas, encontrando que solo era necesario diferenciar la prima
de Canacol y la variable SMB14 para asegurar que las regresiones estuvieran bien
especificadas. Luego se estimaron los modelos Tres Factores y CAPM y se
encontró que todos los coeficientes  eran significativos (en ambos modelos)
excepto los de Canacol15. Lo anterior indica que aún hoy en día el modelo CAPM
sigue conservando su poder explicativo y por otro lado apoya la afirmación hecha
por Eugene Fama y Kenneth French cuando dijeron que el tamaño de la empresa y
la relación Book/Market tienen poder explicativo sobre los retornos de los activos y
decidieron crear el modelo de los Tres Factores.

14
Ver Anexo 1.
15
Ver Anexo 2.
Se puede observar según el modelo de los Tres Factores que en el mercado
colombiano, las empresas que tienen un mayor impacto frente a noticias en el
mercado son las que se relacionan directamente con el sector de la construcción ya
que Grupo Argos y Cemex Latam Holdings presentan los mayores coeficientes 
(siendo ambos mayores que 1). Por otro lado se observa que en general las
empresas con actividades financieras como Bancolombia, Grupo Sura y Davivienda
presentan coeficientes  cercanos a uno (a excepción de Grupo Aval y Banco de
Bogotá que son de las acciones menos sensibles al mercado), por lo tanto se puede
observar que en Colombia las empresas dedicadas a la realización de actividades
financieras como la intermediación, las pensiones y la inversión en portafolios se
comportan similarmente al mercado. Finalmente las empresas menos sensibles con
respecto al mercado son EEB, Banco de Bogotá y Avianca Holdings lo cual indica
que diferentes sectores de la economía no son totalmente dependientes del
conjunto total del mercado.

De acuerdo al modelo CAPM, se encontró que las empresas más sensibles con
respecto al mercado son Grupo Argos (es la acción con mayor  en ambos
modelos), Ecopetrol y Grupo Sura, siendo algo esperado ya que estas dos últimas
acciones están en los puestos primero y cuarto en cuanto a capitalización bursátil y
como se explicó anteriormente, los resultados del modelo CAPM presentan
anomalías por no poder incluir factores como el tamaño de las empresas. Según
este modelo, las empresas menos sensibles con respecto al mercado son Banco de
Bogotá, Preferencial Avianca y la Bolsa de Valores de Colombia, resultado que es
bastante acorde con el encontrado con el modelo de los Tres Factores.

El análisis entre las primas de rentabilidad reales del día T+1 con las estimadas por
ambos modelos arrojó un resultado muy interesante. Se encontró que para este día
en especial el modelo CAPM predijo con mayor exactitud un 50% de las veces y el
modelo de los Tres Factores el otro 50%. En general el CAPM arrojó mejores
resultados para las acciones con coeficientes  menores, mientras que el modelo
de los Tres Factores presentó mejores estimaciones para acciones con mayores
coeficientes  . Lo anterior podría indicar que el modelo CAPM sobreestima los
coeficientes  en presencia de activos muy sensibles al mercado, por ejemplo, el
modelo Tres Factores arrojó para Grupo Argos un  de 1.27 mientras que el modelo
CAPM entregó un  de 1.40 y en este activo la prima estimada por el modelo Tres
Factores fue mejor.

Teniendo en cuenta que ambos modelos sobresalieron un 50% de las veces, se

analizaron los errores de estimación para poder llegar a una conclusión16. Se
encontraron dos hechos para resaltar: primero, los errores de estimación del modelo
CAPM cuando el modelo Tres Factores presentó una mejor estimación son mucho
más grandes, por ejemplo, en el caso de la acción de Preferencial Grupo Aval, el
error de estimación de la prima del modelo Tres Factores es de 0.1% mientras que
el modelo CAPM presenta un error 6 veces mayor de 0.6%; segundo, la suma de
todos los errores de estimación del modelo CAPM (0.309) es mayor que la suma de
los errores de estimación del modelo Tres Factores (0.279). Con base en los dos
factores anteriores, y el hecho analizado anteriormente con respecto a la
sobreestimación de los coeficientes  por parte del modelo CAPM, se concluye que
para el mercado colombiano el modelo Tres Factores entrega mejores estimaciones
para las primas de las acciones que cotizan en bolsa, aunque es muy importante
resaltar que los resultados muestran que aún este modelo no tiene mucha más
fuerza predictiva que el modelo CAPM, una razón que puede explicar esto, es que
el mercado de renta variable colombiano aún no está muy desarrollado ya que
cuenta con apenas 76 empresas que cotizan en bolsa, mientras que en otros
lugares donde ha sido aplicado el modelo con muy buenos resultados como Chile
(W. K. Rodríguez & Maturana, 2008), China (C. H. Rodríguez & Zepeda, 2010) y

16
Ver Anexo 3.
España (Rubio, 2004), países que cuentan con 225, 2494 y 3167 empresas listadas
en bolsa respectivamente17.

Con base en los resultados anteriores se eligió un portafolio conformado por las tres
acciones con el menor coeficiente  arrojado por el modelo de los Tres Factores.
Las tres acciones elegidas fueron Preferencial Avianca, Empresa de Energía de
Bogotá (EEB) y Banco de Bogotá con  de 0.49, 0.5 y 0.5 respectivamente. Se
evaluó el comportamiento de este portafolio con respecto al índice Colcap (Que es
el Benchmark principal para inversiones en acciones Colombia) y se encontró que
para el periodo analizado el portafolio elegido, siempre superó al índice Colcap18.
La situación anterior se puede explicar principalmente por la poca relación que
tienen los activos que conforman el portafolio con el índice Colcap 19 ya que para
éste periodo el Colcap tuvo un comportamiento muy negativo llegando a estar a un
nivel de 1448,56 luego de haber estado 1781 y al tener estos activos un coeficiente 
tan pequeño no se vio afectado por el movimiento desfavorable del mercado.

Portafolio Vs Benchmark
COLCAP Portafolio

110
105
100
95
90
85
80

Ilustración 1. Portafolio Vs Benchmarck. Fuente: Elaboración de los autores

17
Dato tomado del Banco Mundial.
18
Ver ilustración 1
19
Ver coeficiente 
Los resultados anteriores permiten observar que las estimaciones del coeficiente 
realizadas por medio del modelo de los Tres Factores son adecuadas para el
mercado colombiano ya que se evidencia como el coeficiente de estas empresas
explica claramente lo sucedido en el periodo de tiempo analizado. Finalmente se
encontró que los retornos del portafolio siguen un proceso ruido blanco y el mejor
modelo para estimar la volatilidad condicional heteroscedástica para el portafolio es
un modelo ARCH(1) con una distribución t-student20.

Tabla 5. Ecuación de la media y la varianza. Fuente: Elaboración de los autores

Variable Coefficient Std. Error z-Statistic Prob.

C 0,000162295 0,000534857 0,303436038 0,761557585

Variance Equation

C 6,20E-05 8,60E-06 7,20153499 5,95E-13

RESID(-1)^2 0,285329201 0,128184113 2,225932649 0,026018693

T-DIST. DOF 8,258883721 4,093558998 2,017531377 0,04364009

R-squared -0,000983241 Mean dependent var -0,000131718

Adjusted R-squared -0,000983241 S.D. dependent var 0,00939567
S.E. of regression 0,009400288 Akaike info criterion -6,588694503
Sum squared resid 0,021472795 Schwarz criterion -6,531363877
Log likelihood 807,8207294 Hannan-Quinn criter. -6,565604894
Durbin-Watson stat 1,792464445

Con base en la información anterior se obtuvieron los siguientes pronósticos para la

rentabilidad del portafolio y la varianza condicional heteroscedástica para el periodo
T+1:

Tabla 6. Pronósticos extramuestrales de los parámetros del portafolio. Fuente: Elaboración de los
autores.

Rt+1 Volt+1
0.0162% 1.0818%

20
Ver Tabla 5
Los resultados de la tabla 6, se utilizaron para pronosticar el Valor en Riesgo (VaR)
del portafolio para el periodo T+1 con un nivel de confianza del 98%. Las
metodologías utilizadas para calcular el VaR fueron Simulación histórica filtrada y
métodos paramétricos asumiendo que la distribución de los retornos es normal y t-
student.

Tabla 7. VaR para el portafolio. Fuente: Elaboración de los autores.

VaR %
SHF -2.14776%
Normal -2.20554%
T-student -2.22678%

Los resultados de la tabla 7 permiten observar como las diferentes metodologías

para el cálculo de VaR arrojan valores similares, siendo las diferencias
principalmente causadas por las diferentes colas de cada distribución; por ejemplo,
la distribución t-student presenta mayores colas que la distribución normal, por esta
razón la estimación del VaR a un mismo nivel de confianza es mayor para el caso
de la t-student. Para evaluar la cobertura ofrecida por cada metodología, se lleva a
cabo la prueba de backtesting propuesta por Kupiec (Kupiec, 1995).

Tabla 8. Test de Kupiec. Fuente: Elaboración de los autores.

Metodología # excepciones Valor - p

Normal 1 1.0000
T-student 0
SHF 4 0.124286971

Con base en los 50 días analizados, se observa como el VaR calculado con las
metodologías normal y SHF ofrecen coberturas adecuadas pues en ambos casos
el valor-p obtenido permite decir con una confianza del 98% que la cobertura es la
adecuada ya que no se rechaza la hipótesis nula. Sin embargo, la cobertura ofrecida
por la metodología normal ofrece una mejor cobertura que la ofrecida por la SHF,
ya que en esta última, se estuvo mucho más cerca de rechazar la hipótesis nula.

El caso de la metodología t-student es especial, ya que requeriría un análisis mucho

más profundo para evaluar su valides. El hecho de no haber encontrado ninguna
excepción durante el periodo analizado no es necesariamente bueno y de hecho
podría ser un síntoma de alarma ya que esto puede significar que el modelo está
sobre prediciendo las máximas pérdidas esperadas.

CONCLUSIONES
La necesidad de encontrar modelos que reflejen cada vez mejor la realidad de los
mercados llevó a Eugene Fama y Kenneth French a formular el Modelo de los Tres
Factores como una mejora sustancial al modelo clásico del CAPM. Si bien este
nuevo modelo se pensó bajo el contexto de un mercado bastante grande como el
estadounidense, puede ser aplicado a cualquier otro tipo de economía teniendo en
cuenta que su fundamentación matemática lo permite. En este sentido se observa
como la aplicación resultó exitosa en el mercado colombiano a pesar de contar con
una cantidad muy limitada de empresas cotizantes en bolsa.

En general la aplicación de este modelo permitió concluir como la capitalización

bursátil y el ratio Book/Market funcionan como variables explicativas a la hora de
pronosticar la prima de rentabilidad de un activo y como los coeficientes 
obtenidos por medio de este modelo son significativos en el mercado de Colombia
tanto estadísticamente como en la práctica. Sin embargo, dado el pequeño tamaño
del mercado local, las asimetrías que hacen parte del modelo CAPM no son tan
grandes, por lo tanto este modelo aún conserva una importante fuerza explicativa y
en la práctica se observó, como los resultados obtenidos por el modelo de los Tres
Factores no superaban categóricamente a los del modelo CAPM por mucho que los
resultados obtenidos eran adecuados.
A pesar de lo anterior, la aplicación empírica demostró como el modelo de los Tres
Factores es totalmente viable de ser utilizado de manera local ya sea con el fin de
hacer asset allocation, gestión activa, gestión pasiva, administración del riesgo de
mercado y liquidez, etc. Como observación final, se recomienda al lector a llevar a
cabo su propio análisis, ya que existen diferentes maneras de implementar y estimar
este modelo (que difieren de la aproximación por regresión de series de tiempo
utilizada en este artículo) como lo son las regresiones de corte transversal (W. K.
Rodríguez & Maturana, 2008), la utilización de mayor cantidad de información
histórica, o por qué no, la evaluación de otros modelos aun inexplorados en el
mercado colombiano como lo es el modelo Reward Beta.

BIBLIOGRAFÍA
Black, F., & Litterman, R. (1991). Asset allocation: combining investor views with
market equilibrium. The Journal of Fixed Income, 1(2), 7-18.

Brealey, R. A., Myers, S. C., Allen, F., Izquierdo, M. Á. F., & Soria, L. N. (2006).
Principios de finanzas corporativas: McGraw-Hill.

Fama, E. F., & French, K. R. (1992). The Cross–Section of Expected Stock Returns.
The Journal of Finance, XLVII.

Fama, E. F., & French, K. R. (1993). Common risk factors in the returns on stocks
and bonds. Journal of Financial Economics, 33, 3-56.

Jensen, M. C., Black, F., & Scholes, M. S. (1972). The Capital Asset Pricing Model:
Some Empirical Tests.

Klarman, S., & Williams, J. (1991). Beta. Journal of Financial Economics.

Kupiec, P. (1995). Techniques for Verifying the Accuracy of Risk Measurement

Models: Federal Reserve Board.

Lintner, J. (1969). The Valuation of Risk Assets and the Selection of Risky
Investments in Stock Portfolios and Capital Budgets: A Reply. The Review of
Economics and Statistics, 51(2), 222-224. doi: 10.2307/1926735

Markowitz, H. (1952). PORTFOLIO SELECTION*. The Journal of Finance, 7(1), 77-

91. doi: 10.1111/j.1540-6261.1952.tb01525.x
Moreno, D., & Gutiérrez, M. (2010). El modelo de valoración de activos CAPM.
Economía financiera.

Moreno, M. A. (2010). El CAPM, un Modelo de Valoración de Activos Financieros

Mossin, J. (1966). Equilibrium in a Capital Asset Market. Econométrica, 34(4), 768-

783. doi: 10.2307/1910098

Nieto, B. (2001). Los modelos multifactoriales de valoración de activos: un análisis

empírico comparativo.

Pérez, F., & Fernández, H. (2009). Econometría: conceptos básicos (1st ed.).

Rodríguez, C. H., & Zepeda, M. C. (2010). Rendimientos accionarios en Shenzhen,

China: en la búsqueda del mejor modelo de predicción.
Rodríguez, W. K., & Maturana, C. L. (2008). Comparación de modelos de predicción
de retornos accionarios en el Mercado Accionario Chileno: CAPM, FAMA y
FRECH y REWARD BETA.

Rubio, F. (2004). Modelo de tres factores en España.

Sharpe, W. F. (1964). Capital Asset Prices: A theory of market equilibrium under

conditions of risk. Journal of Finance, 32.

ANEXO 1: Resultados del Test KPPS

Serie KPPS VC Tendencia Resultado

ECOPETROL
0.070 0.463 No significativa I(0)
PFAVAL
0.259 0.463 no significativa I(0)
PFBCOLOM
0.267 0.463 no significativa I(0)
GRUPOSURA
0.281 0.463 No significativa I(0)
BOGOTA
0.070 0.463 No significativa I(0)
GRUPOARGOS
0.220 0.463 No significativa I(0)
EEB
0.070 0.463 No significativa I(0)
PFCEMARGOS
0.165 0.463 No significativa I(0)
EXITO
0.161 0.463 No significativa I(0)
NUTRESA
0.086 0.463 No significativa I(0)
CLH
0.050 0.463 No significativa I(0)
ISA
0.150 0.463 No significativa I(0)
 PREC
0.156 0.463 No significativa I(0)
CORFICOLCF
0.122 0.463 No significativa I(0)
ISAGEN
0.100 0.463 No significativa I(0)
CELSIA
0.170 0.463 No significativa I(0)
PFDAVVNDA
0.179 0.463 No significativa I(0)
PFAVH
0.066 0.463 No significativa I(0)
CNEC
0.094 0.146 significativa I(1) - PET
BVC
0.120 0.463 No significativa I(0)
Mercado
0.236 0.463 No significativa I(0)
HML
0.291 0.463 No significativa I(0)
SMB
0.055 0.146 significativa I(1) - PET

ANEXO 2: Coeficientes  obtenidos por cada modelo

ANEXO 3: Primas de rentabilidad estimadas y errores de estimación.