MODELOS DE SERIES TEMPORALES EN FINANZAS (II): MODELOS ARCH-GARCH Modelizacin Econmica II

Referencias: Gouriroux (1997) "ARCH Models and Financial Applications", Springer.

ARCH-GARCH ()

Javier Perote Pea

perote@usal.es

1 / 15

1 Modelizacin de la varianza: inspeccin visual de los datos

Consideremos la serie del ndice S&P500 (datos diarios). La serie no es estacionaria en varianza (logaritmos) y tampoco en media (primeras diferencias). La no estacionariedad queda patente en el lento decaimiento hacia cero de la FAS (la FAP se corresponde con la de un AR(1) prximo a la no estacionariedad).
SP500 (daily data) 26/4/1991 - 26/4/2006. 0bs 3913
1, 600

1, 400

1, 200

1, 000

800

600

400

200 92 94 96 98 00 02 04

ARCH-GARCH ()

Javier Perote Pea

perote@usal.es

2 / 15

1 Modelizacin de la varianza: transformaciones en los datos

La serie resultante es la de retornos (tasas de variacin) del S&P500: rt = log (pt ) log (pt ( 1)). La serie es estacionaria segn la FAS y la FAP.
SP500 returns (daily data). Obs 3912
. 06

. 04

. 02

. 00

-. 02

-. 04

-. 06

-. 08 92 94 96 98 00 02 04

ARCH-GARCH ()

Javier Perote Pea

perote@usal.es

3 / 15

2 Caractersticas de los datos nancieros

Estadsticos descriptivos e histograma emprico de los retornos o rendimientos del S&P500.
1, 200

1, 000

Series: RT Sample 4/26/1991 4/26/2006 Observations 3913 Me a n Me d i a n Ma xi m u m Mi n i m u m S td . D e v. S ke w n e s s K u rto s i s 0 .0 0 0 3 1 6 0 .0 0 0 1 8 2 0 .0 5 7 5 4 9 -0 .0 7 7 6 2 1 0 .0 1 0 3 4 4 -0 .1 3 2 2 1 4 7 .8 7 7 6 4 0

800

600

400

200

J a rq u e -B e ra 3 8 9 0 .3 8 5 P ro b a b i l i ty 0 .0 0 0 0 0 0

0 -0. 075 -0. 050 -0. 025 0. 000 0. 025 0. 050

ARCH-GARCH ()

Javier Perote Pea

perote@usal.es

4 / 15

2 Caractersticas de los datos nancieros

1 La media condicional de los rendimientos de las variables nancieras presenta un "escaso componente predecible" que normalmente puede modelizarse mediante un proceso AR(1) o MA(1). 2 Clusters de volatilidad: periodos de alta (baja) volatilidad tienden a venir seguidos por otros periodos de alta (baja) (Mandelbrot (1963)). 3 Respuesta asimtrica en la volatilidad a shocks positivos y negativos. La volatilidad tiende a incrementarse menos en respuesta a "buenas noticias" (rendimientos ms altos de lo esperado, ut > 0) que a "malas noticias" (rendimientos menores de lo esperado, ut < 0). 4 La distribucin de los rendimientos no es Normal: presenta colas ms anchas que las de una distribucin Normal y un mayor pico en la media (distribution leptokrtica). 5 Memoria larga: alta correlacin entre la volatilidad para periodos muy separados de tiempo.
ARCH-GARCH () Javier Perote Pea perote@usal.es 5 / 15

3 Modelos ARCH
Engle (1982) introdujo los modelos de heteroscedasticidad condicional autorregresiva (ARCH) para capturar los clusters de volatilidad observada en las series econmico-nancieras: infacin, rendimientos de ndices de bolsa,... Un modelo ARCH de orden q o ARCH(q), se dene como sigue: Media condicional: Varianza conditional: rt = f (, t
1 ) + ut , 1

ut
2

N (0, 2 t)
2 + ... + p ut q

2 2 t = 0 + 1 ut

2 + 2 ut

donde rt es la variable de inters, f es una function de (vector de parmetros) y t 1 el conjunto de informacin disponible en t 1. Para retornos nancieros, la media condicional es normalmente un proceso AR(1) o MA(1). Para que el modelo est bien denido la varianza debe ser positiva y, en consecuencia, todos los coecientes de la ecuacin de la varianza, i i = 1, ..., q , deben ser positivos.
ARCH-GARCH () Javier Perote Pea perote@usal.es 6 / 15

4 Contraste de "efectos ARCH"

Contraste ARCH de Engle

El test de "efectos ARCH" (Engle, 1982) consiste en contratar: 1 H0 H1 : : 1 = 2 = ... = q = 0 (No hay efectos ARCH) H0 falsa (al menos un i es distinto de 0)
2 2 = 0 + 1 u bt u bt 2 + 2 u bt 2 + . . . + q u bt

2 Para ello se regresa

1 2 q

3 El estadstico del contraste es

2, donde los cuadrados de los residuos del modelo de la media condicional, u bt 2 2 bt ' u se toman como una "proxie" de la varianza ( bt ).

LM = TR 2

2 q

donde q es el nmero de parmetros (sin constante), T es el nmero de observaciones y R 2 es el coeciente de determinacin de la regresin. Se rechaza H0 si LM > 2 () (punto crtico al nivel de siginicacin ).
ARCH-GARCH () Javier Perote Pea perote@usal.es 7 / 15

5 Modelos GARCH
Bollerslev (1986) introdujo el modelo ARCH generalizado (GARCH), cuya forma ms sencilla, la de un GARCH(1,1), es equivalente a un proceso ARCH de un orden innito, ARCH(), pero ms fcil de estimar dado que depende slo de tres parmetros. El modelo GARCH(1,1) se dene como, Media conditional: Varianza conditional: rt = f (, t
2 2 t = + ut 1 ) + ut , 1

ut
1

N (0, 2 t)

+ 2 t

Para que el modelo est bien denido se debe garantizar que los parmetros , y sean positivos y que + < 1 (condicin de estacionariedad). Adems, aunque la distribucin condicional de ut sea normal la distribucin incondicional tiene varianza incondicional 2 = 1 y posee colas ms anchas que la normal. Un proceso GARCH(p,q) tiene una estructura ARMA de la forma 2 t =+
ARCH-GARCH ()

i =1

i ut2

i =1

i 2 t

i.
perote@usal.es 8 / 15

Javier Perote Pea

6 Extensiones del modelo GARCH

Threshold GARCH (TGARCH)

El modelo TGARCH(1,1) se dene como

2 2 t = + ut 1 2 + ut 1 dt 1

+ 2 t

1 1

< 0 (malas noticias) y 0 si ut 1 > 0 (buenas noticias). Las buenas y malas noticias tienen un impacto en la volatilidad de magnitud y + , respectivamente.
donde dt
1

es una variale dummy que toma el valor 1 si ut

Si > 0 (signicativo) existe un impacto asimtrico de las buenas y malas b no es signicativo el impacto de las buenas y noticias en la volatilidad. Si malas noticias no es asimtrico y es preferible el modelo GARCH. Otras extensiones: IGARCH (Integrated GARCH), EGARCH (Exponential GARCH), GARCH-M (GARCH in mean), QGARCH (Quadratic GARCH), GJR-GARCH (Glosten-Jagannathan-Runkle GARCH), APARCH (Asymetric Power ARCH), FIGARCH (Fractionally Integrated ARCH),...
ARCH-GARCH () Javier Perote Pea perote@usal.es 9 / 15

7 Estimacin de modelos GARCH con EViews

Las ecuaciones de media y varianza pueden estimarse por mxima verosimilitud (ML). El procedimiento requiere asumir una distribucin para el trmino de error, ut . Bajo normalidad los estimadores ML son consistentes y asintticamente normales incluso cuando el verdadero proceso generador de los datos no sea normal, en tal caso los estimadores se denominan quasi-mximo verosmiles (QML). EViews computa la estimacin ML para los modelos GARCH. Para ello se procede de la siguiente forma: Estimate equation: Especica la ecuacin de la media (modelo ARIMA). En method seleccionar ARCH y presionar OK. Introducir el orden del proceso ARCH/GARCH y presionar OK. La salida se corresponde con la estimacin QML del modelo GARCH.
ARCH-GARCH () Javier Perote Pea perote@usal.es 10 / 15

8 Estimacin de un MA(1)-GARCH(1,1) con EViews

ARCH-GARCH ()

Javier Perote Pea

perote@usal.es

11 / 15

8 Estimacin de un MA(1)-TGARCH(1,1) con EViews

ARCH-GARCH ()

Javier Perote Pea

perote@usal.es

12 / 15

10 Prediccin de la volatilidad
b2 La varianza conditional predicha en el periodo T + 1, designada por t +1 , se obtiene de la ecuacin de la varianza condicional. Por ejemplo, bajo un modelo GARCH(1,1) la prediccin ser
2 b2 b +b uT +b 2 T +1 = T

2 y 2 son conocidas en el periodo T . donde uT T

donde z = 1.96 (para = 0.05) y b rt +1 se obtiene de la ecuacin de la 2 media condicional de un (MA(1)) como:
ARCH-GARCH ()

Un intervalo de conanza para la variable analizada en T + 1, rT +1 , se calcular teniendo en usando el valor predicho para dicha variable (b rT +1 ) y 2 bT +1 ). Asumiendo normalidad, el intervalo para su varianza condicional ( ser b T +1 b rT +1 z
2

b rT +1 = b 0 + b 1 uT
Javier Perote Pea

perote@usal.es

13 / 15

11 Evaluacin de las predicciones de la volatilidad

Es nuestro modelo adecuado para predecir la variable objeto de estudio?

Para evaluar la capacidad predictiva del modelo se procede de la siguiente forma: 1 Dividir la muestra en dos submuestras: (i) periodo muestral (tamao T ) y (ii) periodo extramuestral (tamao N ) (que usaremos para comparar nuestras predicciones con los datos reales). 2 Repetir la prediccin N veces usando una "ventana rodante" de tamao T . 3 Medir el error de prediccin en el periodo extramuestral usando alguna medida de bondad de las predicciones como el error cuadrtico medio (ECM ) ECM =
2 N i = 1 ei N

4 Repetimos las etapas anteriores para cada uno de los modelos que queramos comparar. El modelo con mejor capacidad predictiva ser aquel que presente un menor ECM .
ARCH-GARCH () Javier Perote Pea perote@usal.es

2 b2 donde ei = u bT T +i +i es el error de prediccin para el periodo T + i , i = 1, ..., N . Dado que la volatilidad es inobservable comparamos la prediccin con una proxie como es el cuadrado del residuo en T + i , es decir, 2 ,u 2 2 u bt bt +n se utilizan como los valores reales de la volatilidad. +1 bt +2 , ..., u
14 / 15

12 Valor-al-Riesgo (VaR)
El VaR de una cartera se dene como la mxima prdida esperada de la cartera para una probabilidad dada y para un horizonte de prediccin. La gran popularidad que ha adquirido este instrumento entre reguladores y gestores de riesgo se debe a su simplicidad: el VaR reduce el riesgo de mercado asociado a cualquier cartera a un solo valor. El Comit de Supervisin Bancaria de Basilea requiere a bancos e instituciones nancieras que informen periodicamente del VaR de sus carteras y que mantengan las correspondientes provisiones de capital regulatorio como cobertura del riesgo de mercado en que estn incurriendo. Por ejemplo, el VaR predicho para un periodo extramuestral hacia adelante y 0 .05 , se dene como el al nivel de signicacin del 5%, designado por VaRT +1 cuantil del 5% de la distribution de los rendimientos de la cartera. Bajo normalidad dicha medida se calcula como
0 .05 VaRt rt +1 +1 = b

z0.025

bt +1 es la desviacin tpica condicional predicha de rt . donde z0.025 = 1.96 y

ARCH-GARCH () Javier Perote Pea perote@usal.es

b t +1

15 / 15