Dd

Esta autocorrelacionado?

Con prueba varlmar

Permite checar autocorrelacion en un modelo var

Si hay aucorrelacion en primer orden, no en el segundo

Agrego un segundo rezago

La prueba de autocorrelacion dice
En el anterior no hay autocorrelacion de primer un de segundo orden (rezago)

PRUEBAS DE CAUSALIDAD DE GRANGER

Ecuacin es la variable dependiente

Se ve si usa causa a aus en la PRIMERA LINEA

Se rechaza Ho:B2=0

Hay causalidad

En tercera y cuarta lnea rechazo causalidad de que aus cause a usa

COMANDO PARA IMPULSO RESPUESTA

irf graph irf

par aver la desviacion del rezago

verbasic aus usa, lags(1/2) step(25) fevd

MODELO ARCH

plot r_ftse
smpl 1/01/1990 12/31/1999
plot r_ftse
Se ve que la serie tienen periodos de volatilidad

Alta y baja volatilidad

No aparenta tener una varianza constante

Es voltil

ARCH: la volatilidad esta condicionada a periodos de corto plazo

Hay periodos de alta y baja volatilidad

Normalmente los periodos tienen un tiempo, da idea de que la volatilidad esta explicada por si
misma, sigue un chock, cambia la volatilidad

Llva a pensa que la volatilidad o varianza de la serie se explica por si misma a travs de periodos
condicionados o de corto plazo

Se pretende modelar la volatilidad, no eliminarla

Se trabaja con ecuacin de la media y ecuacin de la varianza

PRUEBA DE EFECTOS ARCH

1. Genero ecuacin de la media

2. Se obtienen el residual Ut
3. Se estima Ut^2(ht) en funcion de sus rezagos

1.
 ls r_ftse c r_ftse(-1)

Dependent Variable: R_FTSE

Method: Least Squares
Date: 02/21/17 Time: 16:31
Sample: 1/01/1990 12/31/1999
Included observations: 2610

Variable Coefficient Std. Error t-Statistic Prob.

C 0.000363 0.000184 1.975016 0.0484

R_FTSE(-1) 0.070612 0.019538 3.614090 0.0003

R-squared 0.004983 Mean dependent var 0.000391

Adjusted R-squared 0.004602 S.D. dependent var 0.009398
S.E. of regression 0.009376 Akaike info criterion -6.500477
Sum squared resid 0.229287 Schwarz criterion -6.495981
-6.498849
Log likelihood 8485.123 Hannan-Quinn criter.
F-statistic 13.06165 Durbin-Watson stat 1.993272
Prob(F-statistic) 0.000307

2. obtengo el residual
grabo el residual
genr h= resid
o bien:
Copio los datos en
 Que aparece escribiendo data

3. estimacin del residual al cuadrado

Trabajo con h
genr h2=h*h

estimo H^2 en funcion de sus rezagos

ls h2 c h2(-1)

Dependent Variable: H2
Method: Least Squares
Date: 02/21/17 Time: 16:43
Sample (adjusted): 1/02/1990 12/31/1999
Included observations: 2609 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

C 7.62E-05 3.76E-06 20.27023 0.0000

H2(-1) 0.132858 0.019411 6.844466 0.0000

R-squared 0.017652 Mean dependent var 8.79E-05

Adjusted R-squared 0.017276 S.D. dependent var 0.000173
S.E. of regression 0.000171 Akaike info criterion -14.50709
Sum squared resid 7.64E-05 Schwarz criterion -14.50260
Log likelihood 18926.50 Hannan-Quinn criter. -14.50546
F-statistic 46.84671 Durbin-Watson stat 2.044481
Prob(F-statistic) 0.000000

NR^2 =46.054068

NR^2 = 0.017652*2609

Se disstribuye como xi^2 con N= n-q grados de libertad^

Busco en tabla chi^2

CRITERIO:

Si el valor calculado> que el de tabla critico rechazo HO, en este caso

NR^2 = 0.017652*2609> 5, 0239 HAY EFECTOS ARCH

Agregando mas rezagos

ls h2 c h2(-1)h2(-2)h2(-3)h2(-4)h2(-5)h2(-6)

Dependent Variable: H2
Method: Least Squares
Date: 02/21/17 Time: 16:49
Sample (adjusted): 1/09/1990 12/31/1999
Included observations: 2604 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

C 4.30E-05 4.46E-06 9.633006 0.0000

H2(-1) 0.066499 0.019551 3.401305 0.0007
H2(-2) 0.125443 0.019538 6.420328 0.0000
H2(-3) 0.097259 0.019657 4.947847 0.0000
H2(-4) 0.060954 0.019658 3.100789 0.0020
H2(-5) 0.074990 0.019539 3.837926 0.0001
H2(-6) 0.085838 0.019551 4.390579 0.0000

R-squared 0.078821 Mean dependent var 8.79E-05

Adjusted R-squared 0.076692 S.D. dependent var 0.000173
S.E. of regression 0.000166 Akaike info criterion -14.56581
Sum squared resid 7.16E-05 Schwarz criterion -14.55004
Log likelihood 18971.68 Hannan-Quinn criter. -14.56010
F-statistic 37.03529 Durbin-Watson stat 2.012275
Prob(F-statistic) 0.000000

Hacienda la prueba con mas rezagos

NR^2 =205.249884

NR^2 = 0.078821*2604

NR^2 = 205.249884> valor critico HAY EFECTOS ARCH

Lo anterior permite ver como el residual si puede explicarse por si mismo

ECUACION DE LA MEDIA

ls r_ftse c r_ftse(-1)

Dependent Variable: R_FTSE

Method: Least Squares
Date: 02/21/17 Time: 16:59
Sample: 1/01/1990 12/31/1999
Included observations: 2610

Variable Coefficient Std. Error t-Statistic Prob.

C 0.000363 0.000184 1.975016 0.0484

R_FTSE(-1) 0.070612 0.019538 3.614090 0.0003

R-squared 0.004983 Mean dependent var 0.000391

Adjusted R-squared 0.004602 S.D. dependent var 0.009398
S.E. of regression 0.009376 Akaike info criterion -6.500477
Sum squared resid 0.229287 Schwarz criterion -6.495981
Log likelihood 8485.123 Hannan-Quinn criter. -6.498849
F-statistic 13.06165 Durbin-Watson stat 1.993272
Prob(F-statistic) 0.000307

una vez corrido lo anterior

Lo anterior dice que los closter duran 6 dias
A 60 dias hay efectos arch

LA ANTERIOR ES UNA PRUEBA DE SIGNIFICANCIA CONJUNTA , pueden haber coeficientes

significativos

Como hay efectos ARCH

EMPIEZO A MODELAR
Empiezo con arch orden 1
Dependent Variable: R_FTSE
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 02/21/17 Time: 17:05
Sample: 1/01/1990 12/31/1999
Included observations: 2610
Convergence achieved after 8 iterations
Presample variance: backcast (parameter = 0.7)
GARCH = C(3) + C(4)*RESID(-1)^2

Variable Coefficient Std. Error z-Statistic Prob.

C 0.000401 0.000178 2.257632 0.0240

R_FTSE(-1) 0.075196 0.019209 3.914518 0.0001

Variance Equation

C 7.39E-05 2.11E-06 35.07451 0.0000

RESID(-1)^2 0.161294 0.020232 7.972289 0.0000

R-squared 0.004944 Mean dependent var 0.000391

Adjusted R-squared 0.004563 S.D. dependent var 0.009398
S.E. of regression 0.009377 Akaike info criterion -6.524781
Sum squared resid 0.229296 Schwarz criterion -6.515789
Log likelihood 8518.839 Hannan-Quinn criter. -6.521523
Durbin-Watson stat 2.001997

Primero tengo ecuacin de la media

.0004 rendimiento medio

0.075 como va explicando la serie a si misma

Segundo ecuacin de la varianza

.16 es el tamao de la volatilidad
es comparable con otra serie o con otro periodo

Un modelo como el anterior permite cuantificar la volatilidad, permite compararla

0.16 es l volatilidad para el periodo analizado de 1/01/90

Si cambio la muestra

Vuelco a estimar y cambio periodo

Dependent Variable: R_FTSE
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 02/21/17 Time: 17:09
Sample: 1/01/1990 12/31/1992
Included observations: 784
Convergence achieved after 11 iterations
Presample variance: backcast (parameter = 0.7)
GARCH = C(3) + C(4)*RESID(-1)^2

Variable Coefficient Std. Error z-Statistic Prob.

C 0.000176 0.000331 0.530316 0.5959

R_FTSE(-1) 0.041653 0.038545 1.080640 0.2799

Variance Equation

C 7.35E-05 3.45E-06 21.27809 0.0000

RESID(-1)^2 0.100465 0.025422 3.951922 0.0001

R-squared 0.001985 Mean dependent var 0.000297

Adjusted R-squared 0.000709 S.D. dependent var 0.009073
S.E. of regression 0.009070 Akaike info criterion -6.578103
Sum squared resid 0.064334 Schwarz criterion -6.554305
Log likelihood 2582.616 Hannan-Quinn criter. -6.568952
Durbin-Watson stat 1.988438

Se puede decir que este periodo es mas voltil que el resto del periodo ESTO SE VE EN LA GRAFICA

R_FTSE
.03

.02

.01

.00

-.01

-.02

-.03
I II III IV I II III IV I II III IV I II III IV
1993 1994 1995 1996

El periodo de alta volatilidad

Dependent Variable: R_FTSE
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 02/21/17 Time: 17:12
Sample: 1/01/1993 12/31/1996
Included observations: 1043
Convergence achieved after 7 iterations
Presample variance: backcast (parameter = 0.7)
GARCH = C(3) + C(4)*RESID(-1)^2

Variable Coefficient Std. Error z-Statistic Prob.

C 0.000455 0.000213 2.136191 0.0327

R_FTSE(-1) 0.037644 0.031624 1.190350 0.2339
 Variance Equation

C 4.50E-05 2.40E-06 18.77739 0.0000

RESID(-1)^2 0.012445 0.033994 0.366084 0.7143

R-squared 0.001246 Mean dependent var 0.000474

Adjusted R-squared 0.000286 S.D. dependent var 0.006759
S.E. of regression 0.006759 Akaike info criterion -7.150422
Sum squared resid 0.047551 Schwarz criterion -7.131439
Log likelihood 3732.945 Hannan-Quinn criter. -7.143222
Durbin-Watson stat 2.008105

asi con un rezago puedo ver que la volatilidad es el periodo seleccionado es menor, seleccionando los
periodos se puede responder a la pregunta cual periodo es mas voltil

la volatilidad es 0.012

CRITERIOS

AKAIKE

SCHAW

HANNA

Entre mas pequeos sean estos criterios de informacin el modelo es mejor

COMO ES UN PROCESO DE MEMORIA LARGA

Si trabajo con 10 rezagos

Para graficar volatilidad

Grafica

plot arch1

Tengo la relacin mayor rendimiento mayor volatilidad

MODELOS GARCH (GENERAL)

Dependent Variable: R_FTSE
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 02/21/17 Time: 17:32
Sample: 1/01/1990 12/31/1999
Included observations: 2610
Convergence achieved after 13 iterations
Presample variance: backcast (parameter = 0.7)
GARCH = C(3) + C(4)*RESID(-1)^2 + C(5)*GARCH(-1)

Variable Coefficient Std. Error z-Statistic Prob.

C 0.000433 0.000158 2.732030 0.0063

R_FTSE(-1) 0.062548 0.020697 3.022112 0.0025

Variance Equation

C 8.22E-07 2.42E-07 3.392464 0.0007

RESID(-1)^2 0.050868 0.006659 7.639165 0.0000
GARCH(-1) 0.940258 0.007973 117.9339 0.0000

R-squared 0.004868 Mean dependent var 0.000391

Adjusted R-squared 0.004486 S.D. dependent var 0.009398
S.E. of regression 0.009377 Akaike info criterion -6.648590
Sum squared resid 0.229314 Schwarz criterion -6.637351
Log likelihood 8681.411 Hannan-Quinn criter. -6.644519
Durbin-Watson stat 1.977746
OBTENGO LA SERIE, LA GRAFICO

plot arch1 arch9 garch1

.00018

.00016

.00014

.00012

.00010

.00008

.00006

.00004

.00002
I II III IV I II III IV I II III IV I II III IV
1993 1994 1995 1996

ARCH1 GARCH1

Un modelo garch orden 1 puede ser mejor que un arch de varios .

Es un modelo para modelar la volatilidad

MODELO GARCH M

TENGO

Dependent Variable: R_FTSE

Method: ML - ARCH (Marquardt) - Normal distribution
Date: 02/21/17 Time: 17:37
Sample: 1/01/1990 12/31/1999
Included observations: 2610
Convergence achieved after 13 iterations
Presample variance: backcast (parameter = 0.7)
GARCH = C(3) + C(4)*RESID(-1)^2 + C(5)*GARCH(-1)

Variable Coefficient Std. Error z-Statistic Prob.

C 0.000433 0.000158 2.732030 0.0063

R_FTSE(-1) 0.062548 0.020697 3.022112 0.0025

Variance Equation

C 8.22E-07 2.42E-07 3.392464 0.0007

RESID(-1)^2 0.050868 0.006659 7.639165 0.0000
GARCH(-1) 0.940258 0.007973 117.9339 0.0000

R-squared 0.004868 Mean dependent var 0.000391

Adjusted R-squared 0.004486 S.D. dependent var 0.009398
S.E. of regression 0.009377 Akaike info criterion -6.648590
Sum squared resid 0.229314 Schwarz criterion -6.637351
Log likelihood 8681.411 Hannan-Quinn criter. -6.644519
Durbin-Watson stat 1.977746

simplemente agrego lamedia del residuo

Dependent Variable: R_FTSE
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 02/21/17 Time: 17:40
Sample: 1/01/1990 12/31/1999
Included observations: 2610
Convergence achieved after 15 iterations
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*GARCH(-1)

Variable Coefficient Std. Error z-Statistic Prob.

GARCH 5.192553 4.115401 1.261737 0.2070

C 8.81E-05 0.000316 0.278472 0.7807
R_FTSE(-1) 0.061704 0.020696 2.981403 0.0029

Variance Equation

C 8.59E-07 2.53E-07 3.396304 0.0007

RESID(-1)^2 0.052107 0.006803 7.659138 0.0000
GARCH(-1) 0.938591 0.008207 114.3602 0.0000

R-squared 0.005202 Mean dependent var 0.000391

Adjusted R-squared 0.004438 S.D. dependent var 0.009398
S.E. of regression 0.009377 Akaike info criterion -6.648435
Sum squared resid 0.229237 Schwarz criterion -6.634948
Log likelihood 8682.208 Hannan-Quinn criter. -6.643549
Durbin-Watson stat 1.976624

5.19 PODRIA decir a mas volatilidad mas rendimiento pero no es significativo

O es necesario enriquecer la ecuacin de la media o es necesario mejorar la ecuacin de la varianza

Bajo esta especificacin no es posible decir que haya una prima al riesgo (si se habla de una serie financiera)

En macro normalmente se espera que sea negativa

T GARCH
Dependent Variable: R_FTSE
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 02/21/17 Time: 17:57
Sample: 1/01/1990 12/31/1999
Included observations: 2610
Convergence achieved after 10 iterations
Presample variance: backcast (parameter = 0.7)
GARCH = C(3) + C(4)*RESID(-1)^2 + C(5)*RESID(-1)^2*(RESID(-1)<0) +
C(6)*GARCH(-1)

Variable Coefficient Std. Error z-Statistic Prob.

C 0.000318 0.000159 1.998311 0.0457

R_FTSE(-1) 0.058014 0.020592 2.817276 0.0048

Variance Equation

C 6.44E-07 1.75E-07 3.689085 0.0002

RESID(-1)^2 0.014069 0.006512 2.160375 0.0307
RESID(-1)^2*(RESID(-1)<0) 0.050691 0.009170 5.527926 0.0000
GARCH(-1) 0.953847 0.006306 151.2495 0.0000

R-squared 0.004797 Mean dependent var 0.000391

Adjusted R-squared 0.004415 S.D. dependent var 0.009398
S.E. of regression 0.009377 Akaike info criterion -6.656502
Sum squared resid 0.229330 Schwarz criterion -6.643014
Log likelihood 8692.735 Hannan-Quinn criter. -6.651616
Durbin-Watson stat 1.969113

GOOG NEW 0.014

BAD 0.014 + 0.051

EN ESTE CASO bad news son mayores a las good

Las dispersiones negativas pueden llegar a generar mas volatilidad porque es positivo 0.05 es mayor al de
good news 0.014 , adems es significativo

QUE PASA SI LE INCORPORO LA ECUACION DE LA MEDIA A LA VARIANZA

Dependent Variable: R_FTSE

Method: ML - ARCH (Marquardt) - Normal distribution
Date: 02/21/17 Time: 18:00
Sample: 1/01/1990 12/31/1999
Included observations: 2610
Convergence achieved after 18 iterations
Presample variance: backcast (parameter = 0.7)
GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*RESID(-1)^2*(RESID(-1)<0) +
C(7)*GARCH(-1)

Variable Coefficient Std. Error z-Statistic Prob.

GARCH 4.734411 3.942045 1.201004 0.2297

C 7.50E-06 0.000301 0.024939 0.9801
R_FTSE(-1) 0.058725 0.020598 2.850956 0.0044

Variance Equation

C 7.65E-07 1.96E-07 3.894184 0.0001

RESID(-1)^2 0.014394 0.006580 2.187706 0.0287
RESID(-1)^2*(RESID(-1)<0) 0.050979 0.009251 5.510528 0.0000
GARCH(-1) 0.951389 0.006534 145.6052 0.0000

R-squared 0.005817 Mean dependent var 0.000391

Adjusted R-squared 0.005054 S.D. dependent var 0.009398
S.E. of regression 0.009374 Akaike info criterion -6.656278
Sum squared resid 0.229095 Schwarz criterion -6.640542
Log likelihood 8693.442 Hannan-Quinn criter. -6.650577
Durbin-Watson stat 1.968168

recuento comandos del dia

plot r_ftse
smpl 1/01/1990 12/31/1999
plot r_ftse
ls r_ftse c r_ftse(-1)
genr h= resid
data
ls r_ftse c r_ftse(-1)
data
genr h2=h*h
ls h2 c h2(-1)
ls h2 c h2(-1)h2(-2)h2(-3)h2(-4)h2(-5)h2(-6)
ls r_ftse c r_ftse(-1)
plot arch1 arch9