Académique Documents
Professionnel Documents
Culture Documents
ARCH-GARCH ()
perote@usal.es
1 / 15
1, 400
1, 200
1, 000
800
600
400
200 92 94 96 98 00 02 04
ARCH-GARCH ()
perote@usal.es
2 / 15
. 04
. 02
. 00
-. 02
-. 04
-. 06
-. 08 92 94 96 98 00 02 04
ARCH-GARCH ()
perote@usal.es
3 / 15
1, 000
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
ARCH-GARCH ()
perote@usal.es
4 / 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
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, 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
+ 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
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
ARCH-GARCH ()
perote@usal.es
11 / 15
ARCH-GARCH ()
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
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
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
b t +1
15 / 15