Vous êtes sur la page 1sur 55

Repaso arch

Primero acomodamos muestra

90 a 99
Prueba efetos arch

Corro la ecuacin de la media


ls r_ftse c r_ftse(-1)

Guardo los residuos con h

genr h= resid
elevo los residuos al cuadrado

genr h2=h*h
estimo H^2 en funcion de sus rezagos
ls h2 c h2(-1)

Obtengo el estadstico Chi^2= n* r^2


Chi^2= 2609*0.017652= 46.054068
Ho: no hay efectos arch

Chi^2 de tabla: 5.0239


Como chi calculado> chi de tabla se rechaza la HO, hay efectos ARCH

Directamente

Corro la ecuacin de la media


ls r_ftse c r_ftse(-1)

Con 40 rezagos

Corro ecuacin media


Como se comprueba que hay efectos ARCH hasta 40 rezagos, se dice qu son efectos de memoria
larga

Una vez comprobado que hay efectos ARCH

MODELO ARCH

Parto de la ecuacin de la media

ls r_ftse c r_ftse(-1)
Para obtener el valor de la volatilidad de la serie arch 11
Un arch 6
Obtengo la volatilidad de la serie arch6
Estimo garch 1 1
Obtengo el garch 1 1
Grafico las tres volatilidades arch1 arch6 garch1

plot arch1 arch6 garch11

Visualmente se obtiene que el garch 1 1 es similar a un arch con muchos rezagos, de all que el
garch puede llegar a ser parsimonico
ls r_ftse c r_ftse(-1)
genr h=resid
genr h2=h*h
ls h2 c h2(-1)
ls r_ftse c r_ftse(-1)
plot arch1 arch6 garch11

GARCH M

Tengo

La ecuacin de la media
En la ecuacin de la media voy a agregar la ecuacin de la varianza

En una serie financiera se interpreta como la prima al riesgo , se esperara que fuera positiva y
significativa

En serie macroeconmica se espera que sea negativa

A mayor volatilidad menor crecimiento


El GARCH en la ecuacin de la media no es significativo

Escribiendo la desvacion estanadar


tampoco es significativo

Agregando el logaritmo
Tampoco es significativo

Ho: B=0

Thereshold

Parte de una dummy dictoma donde en la serie su desviacin respecto a la media

Si grafico la desviacin de la serie respecto al rezago de la serie (-1)

Se traza una media

Variaciones por encima de la media son GOOD news

Variaciones por debajo de la media son BAD news

Se trata de identificar si las variaciones negativas tienen mas efecto que las positivas

La dummy

1 valores negativos BAD NEWS

0 para valores positivos GOOD NEWS

Prueba:

Recupero la ecuacin de la media, estimo el arch, sin ningn efecto en la ecuacin de la media,
escribo las condiciones para calcular el thereshold
Tengo

Arch normal RESID(-1)^2 0.014069

BENCHMARK El arch *la dummy dictoma RESID(-1)^2*(RESID(-1)<0) 0.050691

Garch GARCH(-1) 0.953847


Si el valor del benchmark es POSITIVO las variaciones negativas tienen un mayor impacto en la
varianza

Si el valor del benchmark es NEGATIVO las variaciones negativas tienen un menor impacto en la
varianza

EFECTOS VARIABLES EXOGENAS

Se esta distinguiendo un periodo para ver si genero mas o menos rendimiento en la serie

Tengo la ecuacin de la volatilidad arch 1, garch 1, thereshold agrego una dummy que
corresponde a la guerra del GOLFO
Gulf no es significativo

Colocndola en la varianza
Para anlizar si genra mas volatilidad

No es significativa

Si trabajo
Tampoco es siginificativa al escribir la varable en la ecuacin de la varianza

Entonces la guerra realmente no afecto los renmidneots del indice

SI PRUEBO CON OTRA VARIABLE

Al probar con la variable Blair


e cas

En este caso la serie Blair si es significativa

Implica que en el 97 se genero mas volatilidad, esta se le adjudica a la llegada de blair

Si agrego la varianza en la ecuacin de la media


De esta forma se van agragando variables para analizar el modelo

En la serie Blair

El 1 corresponde al periodo de eleccion 1997


Porque 1? Para considerar el periodo de eleccin, se considero todo el ao

Porque es el periodo en el que se genera la volatilidad

EN STATA

Base dyd

La base de datos se obtiene de adskin y hill


Si no esta la serie de tiempo se genera y se fija

gen time=_n
tsset time
Grafico la serie r

tsline r

Se hace la prueba parametrica de efectos ARCH

Regreso r enfuncion de su constante


reg r
. reg r

Source SS df MS Number of obs = 500


F( 0, 499) = 0.00
Model 0 0 . Prob > F = .
Residual 700.73728 499 1.40428313 R-squared = 0.0000
Adj R-squared = 0.0000
Total 700.73728 499 1.40428313 Root MSE = 1.185

r Coef. Std. Err. t P>|t| [95% Conf. Interval]

_cons 1.078294 .0529959 20.35 0.000 .9741716 1.182417

Es la tasa media de rendimiento, es la ecuacin de la media

Obtengo el residual

predict uhat, residual


o la ruta
Se eleva al cuadrado

gen uhat2= uhat*uhat


se corre la regresin de residual respecto a su rezago

reg uhat2 l.uhat2


. reg uhat2 l.uhat2

Source SS df MS Number of obs = 499


F( 1, 497) = 70.72
Model 424.501797 1 424.501797 Prob > F = 0.0000
Residual 2983.28617 497 6.00258786 R-squared = 0.1246
Adj R-squared = 0.1228
Total 3407.78796 498 6.84294772 Root MSE = 2.45

uhat2 Coef. Std. Err. t P>|t| [95% Conf. Interval]

uhat2
L1. .3530714 .0419848 8.41 0.000 .2705819 .435561

_cons .9082618 .1244012 7.30 0.000 .6638447 1.152679

Obtengo el estadstico

Chi^2=n*r
Chi^2=499*.1246= 62.1754

Comparo con el valor de la tabla


62.1754>5.0239

Hay efectos ARCH

RECHAZO Ho de no efectos arch

Automatico

Corro regresin de la media

reg r
. reg r

Source SS df MS Number of obs = 500


F( 0, 499) = 0.00
Model 0 0 . Prob > F = .
Residual 700.73728 499 1.40428313 R-squared = 0.0000
Adj R-squared = 0.0000
Total 700.73728 499 1.40428313 Root MSE = 1.185

r Coef. Std. Err. t P>|t| [95% Conf. Interval]

_cons 1.078294 .0529959 20.35 0.000 .9741716 1.182417


estat archlm, lags(1)
. estat archlm, lags(1)
LM test for autoregressive conditional heteroskedasticity (ARCH)

lags(p) chi2 df Prob > chi2

1 62.160 1 0.0000

H0: no ARCH effects vs. H1: ARCH(p) disturbance

Estoy rechazando Ho de no efectos arch


Como hay efectos arch

MODELO ARCH
arch r, arch(1/1)
. arch r, arch(1/1)

(setting optimization to BHHH)


Iteration 0: log likelihood = -747.42374
Iteration 1: log likelihood = -742.55974
Iteration 2: log likelihood = -740.81532
Iteration 3: log likelihood = -740.79627
Iteration 4: log likelihood = -740.79353
(switching optimization to BFGS)
Iteration 5: log likelihood = -740.79324
Iteration 6: log likelihood = -740.7932

ARCH family regression

Sample: 1 - 500 Number of obs = 500


Distribution: Gaussian Wald chi2(.) = .
Log likelihood = -740.7932 Prob > chi2 = .

OPG
r Coef. Std. Err. z P>|z| [95% Conf. Interval]

r
_cons 1.063941 .0394424 26.97 0.000 .9866353 1.141247

ARCH
arch
L1. .569351 .1028432 5.54 0.000 .3677821 .77092

_cons .6421377 .0632134 10.16 0.000 .5182418 .7660337

Tengo ecuacin de la media r

Ecuacin de la varianza que es un ARCH 1

Independiente es la constante pero no se teclea

Todo esta significativo

Para sacar la varianza

Es un comando postestimacion

Se obtiene despus de correr el modelo arch garch


predict arch1, variance
Para graficarla
tsline arch1

PARA AGREGAR GARCH

arch r, arch(1/1) garch(1)

Para obtener la serie


Para agregar thereshols
archr,arch(1/1)garch(1)tarch(1)
Para graficarla

Es significativo tambien

Es negative y significativo

-0.49

El coeficiente de las dispersiones negativas es diferentes de las positivas con -0.49


En este caso las diepersiones positivas generaras mas volatilidad que las negativas

Si fuera positivo los bad news generan mas volatilidad

En el ejemplo las dispersiones negativas generan menos volatilidad que las dispersiones positivas
porque al hacer la diferencia es mayor el coeficiente de las good news

Good news en el arch 0.75


Bad news es archs+tarch 0.75-0.4917
AGREGANDO EL ARCH M

La serie de la ecuacion de la varianza en la ecuacion de la media


archr,arch(1/1)garch(1)tarch(1)archm

. arch r, arch(1/1) garch(1) tarch(1) archm

(setting optimization to BHHH)


Iteration 0: log likelihood = -735.64274
Iteration 1: log likelihood = -727.85097
Iteration 2: log likelihood = -725.19741
Iteration 3: log likelihood = -724.78656
Iteration 4: log likelihood = -724.65695
(switching optimization to BFGS)
Iteration 5: log likelihood = -724.65508
Iteration 6: log likelihood = -724.65496
Iteration 7: log likelihood = -724.65492

ARCH family regression

Sample: 1 - 500 Number of obs = 500


Distribution: Gaussian Wald chi2(1) = 8.51
Log likelihood = -724.6549 Prob > chi2 = 0.0035

OPG
r Coef. Std. Err. z P>|z| [95% Conf. Interval]

r
_cons .8181452 .0711579 11.50 0.000 .6786783 .9576121

ARCHM
sigma2 .1958843 .067164 2.92 0.004 .0642453 .3275233

ARCH
arch
L1. .6160302 .1634603 3.77 0.000 .2956538 .9364066

tarch
L1. -.321069 .1621927 -1.98 0.048 -.6389608 -.0031772

garch
L1. .2783425 .1039073 2.68 0.007 .074688 .481997

_cons .3705214 .0818646 4.53 0.000 .2100698 .5309731

Losprimerosdosrenglonessonlaecuacindelamedia

enlaecuacindelavarianza

apartirdesigma2

0.19tengosignopositivo,significativo

Porelomayorvolatilidadgeneramayorrendimientoporqueelrendimientoeslavariabledependiente

Mayorvolatilidadestagenerandomayorrendimientoporelvalordesigma2

Esunaprimaalriesgo

Obtencinygraficadelavolatilidad
predict garchm, variance
tsline garchm

Articulo

YhojadeExcel
Primeroanalizolasvariables

Segundo y tercer trimestre representa periodo de eleccin


Graficamos

El pib es menos voltil que la formacin bruta de capital


tslinefbkfdloggdpdlog

tslineinflation
Primero alta volatilidad, despus la economa tiende a estabiliarse

tslineeleccion

tslinergimen
Entonces normalmen

Analizo pruebas de raz unitaria

Pruebas de especificacin

Se juega con la serie


Asi se va reportando la tabla

Igual para cada uno de los valores

Todos reportan estacionariedad

En eviwes
O manual

ls d(gdpdlog) c d(gdpdlog(-1)) d(gdpdlog(-1),2) d(gdpdlog(-2),2)


reengsdta
.gta
dpdlogl.gdpdlogd.l.gdpdlogd.l2.gdpdlog
Source SS df MS Number of obs = 130
F( 3, 126) = 24.49
Model .018620643 3 .006206881 Prob > F = 0.0000
Residual .031928263 126 .000253399 R-squared = 0.3684
Adj R-squared = 0.3533
Total .050548906 129 .000391852 Root MSE = .01592

D.gdpdlog Coef. Std. Err. t P>|t| [95% Conf. Interval]

gdpdlog
L1. -.3298031 .0483539 -6.82 0.000 -.4254942 -.2341121
LD. .4174938 .0761443 5.48 0.000 .2668064 .5681811
L2D. .2684872 .0841003 3.19 0.002 .1020552 .4349193

_cons .0073388 .0017921 4.10 0.000 .0037923 .0108852

Prueba autocorrelacion
. estat bgodfrey

Breusch-Godfrey LM test for autocorrelation

lags(p) chi2 df Prob > chi2

1 0.908 1 0.3407

H0: no serial correlation

reggdpdlogfbkfdloginflationrgimen

Obtengo residual
predict uhat, residuals

prueba de raiz unitaria


. dfuller uhat, noconstant lags(0)

Dickey-Fuller test for unit root Number of obs = 132

Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value

Z(t) -5.070 -2.596 -1.950 -1.612

Prueba raiz unitaria


regd.uhatl.uhat,nocons

. reg d.uhat l.uhat, nocons

Source SS df MS Number of obs = 132


F( 1, 131) = 25.71
Model .004118382 1 .004118382 Prob > F = 0.0000
Residual .020985033 131 .000160191 R-squared = 0.1641
Adj R-squared = 0.1577
Total .025103415 132 .000190177 Root MSE = .01266

D.uhat Coef. Std. Err. t P>|t| [95% Conf. Interval]

uhat
L1. -.3211979 .0633474 -5.07 0.000 -.4465141 -.1958817

. estat bgodfrey

Breusch-Godfrey LM test for autocorrelation

lags(p) chi2 df Prob > chi2

1 0.050 1 0.8223

H0: no serial correlation

tslineuhat