Académique Documents
Professionnel Documents
Culture Documents
N i b d
Noviembre de 2011
Características de las series financieras:
.2 .30
.25
.0
0
.20
-.2
.15
.10
-.4
.05
-.6
80 82 84 86 88 90 92 94 96 98 00 02 04 06 08 10 .00
80 82 84 86 88 90 92 94 96 98 00 02 04 06 08 10
DLIPC
Bolsa Mexicana
6
4
de Valores IPC
Density
0
-.7 -.6 -.5 -.4 -.3 -.2 -.1 .0 .1 .2 .3 .4 .5
Histogram Kernel
ESPECIFICACIÓN
DEL
MODELO ARCH(M)
El modelos ARCH(m) asume que la varianza
depende de las noticias pasadas ó de los shocks
p
pasados
ht =α0 +α ε +α ε +L+α ε
2
1 t −1
2
2 t −2
2
m t −m
ε t → N (0, ht ) ε t = ht vt vt ~ iidN(0,1)
b) El método de estimación,
estimación debido a que la
media y varianza de la serie deben estimarse
de manera simultánea
Debe cumplirse
1) α 0 > 0 α j ≥ 0 Varianza positiva
uˆ = α0 + α uˆ + α uˆ
2
t
2
1 t −1
2
2 t −2 + L+ α uˆ 2
k t −k + et
H 0 : α 1 = 0, α 2 = 0, L , α k = 0
H 1 : α 1 ≠ 0, α 2 ≠ 0 , L , α k ≠ 0
3) Identificar el ORDEN del modelo ARCH
Modelo ARCH(3):
Los coeficientes son positivos
ARCH( ) < ARCH(
ARCH(3) ARCH(2)) < ARCH(
ARCH(1))
El coeficiente de la constante es positivo
El p
proceso ARCH debe ser estacionario
esto se garantiza cuando
0 ≤ ∑i =1 α i ≤ 1
m
RESID(-1)^2 0.406690
RESID(-2)^2 0.313029
RESID(-3)^2 0.121816
Suma 0.841535
.20
.16
DLPOIL^2
Varianza estimada
.12
.08
.04
04
.00
1980 1985 1990 1995 2000 2005 2010
Debilidades del modelo ARCH(m)
( )
Tim Bollerslev
Forward looking behaviour,
•Forward behaviour requiere
pronosticar adecuadamente la volatilidad y el
riesgo de un activo
∞
σ = (1 − λ )∑ λ R
t
2 j −1 2
t −1− j
j =0
R 2
t −1− j = va
varianza
a a de los
os rendimeint
e d e tos
λ =" decay factor" (Riskmetrics : 0.94)
La forma más sencilla es definida como:
σ 2
t +1
t+ = λσ + (1 − λ )R
t
2
t
2
Implica
p q
que la varianza del periodo
p siguiente
g
como un promedio ponderado de la varianza
actual y el rendimiento actual al cuadrado
m p
ht = α 0 + ∑ α ε 2
i t −i + ∑ β j ht −i
i =1 j =1
ε t → N (0, ht ) ε t = ht vt vt ~ iidN(0,1
0 1)
∑ β j ht −i
j =1
∑ i t −i Noticias o
α ε
i =1
2
shocks
Ejemplo para DLIPC
.30
Varianza observada y
.25 estimada
ti d
.20
.15
.10
.05
.00
00
80 82 84 86 88 90 92 94 96 98 00 02 04 06 08 10
DLIPC^2 VF_DLIPC
Restricciones en el modelo GARCH
α0 > 0
los modelos GARH requiere
q
αi ≥ 0 que la varianza condicional
sea no negativa
βj ≥0
α 1 + β1 = 0.986894
El modelo GARCH es estacionario
EXTENSIONES
DE LOS
MODELO GARCH
Modelo GARCH-M,
GARCH M ejemplo DLIPC
q
⎡ ε t −i ⎤ q
⎡ et −i ⎤ ρ
ln ht = α0 + ∑αi ⎢ ⎥ + ∑αi ⎢
*
− μ ⎥ + ∑ β j ln(ht − j )
i =1 ⎣ h t −i ⎦ i =1 ⎣ h t −i ⎦ j =1
Coef. positivos
TGARCH ((Threshold GARCH))
m p r
h t = α0 + ∑α ε + ∑ β j ht − j + ∑γ ε Γ
2
i t −i
2
k t −k t −k
i =1 j =1 k =1
Especificación y Estimación de
los MODELOS ARCH
N i b d
Noviembre de 2011