MODELOS DE HETEROCEDASTICIDAD CONDICIONAL Dr. Luís Miguel Galindo “I was interestedin measuring the response of economic agents to uncertainty using time series data, bat recognized that if the variance was constant, the response was unidentified”. Robert. F. Engle (1995) INTRODUCCIÓN: Características de las series económicas: 1. Tienen tendencia. 2. Tienen persistencia. 3. Muestran variabilidad en el tiempo. 4. Existen datos extremos asociados. Dr. Galindo INTRODUCCIÓN: Características de las series financieras: 1. Son leptokurticas (achatadas y con colas más gordas) 2. Las relaciones entre ganancia y riesgo no son lineales 3. La volatilidad aparece en clusters 4. Leverage effect: la volatilidad es mayor con una caída de la variable Dr. Galindo INTRODUCCIÓN: Forward looking behaviour requiere pronosticar adecuadamente la volatilidad y el riesgo de un activo La volatilidad no es una serie observable en el momento t, se requieren datos históricos para estimar la volatilidad Alto log Bajo 2 t Volatilidad histórica se estima con la varianza Dr. Galindo INTRODUCCIÓN: Una opción para estimar la volatilidad histórica es: Exponantiall y Weigted Moving Average Models (EWMA) que es una extensión del promedio histórico pero haciendo que las observaciones más recientes tengan un mayor peso 1 j1 t j 2 t 2 j 0 2t varianza estimada t - j ganancia observada ganancia promedio " decay factor" Riskmetrics : 0.94 Dr. Galindo INTRODUCCIÓN: Pronósticos ARMA: 0 j e t 2 t j1 Dr. Galindo 2 t j INTRODUCCIÓN: Características de la volatilidad de los activos financieros: 1.La volatilidad viene en clusters 2.La volatilidad cambia en el tiempo 3.La volatilidad no crece sin cota y se mantiene dentro de ciertos rangos 4.La volatilidad reacciona asimétricamente a un aumento o disminución del precio Dr. Galindo HISTORIA: • Engle R. en LSE en 1979: la respuesta de los agentes económicos al riesgo • El riesgo de un activo se puede igualar a su varianza y la ganancia esperada depende de ese nivel de riesgo (ARCH-M) • Respuesta: la función de maximaverosimilitud puede descomponerse en sus densidades condicionales Dr. Galindo HISTORIA: • ARCH AR aunque parece más un MA ya que la varianza condicional es un MA de los residuales al cuadrado • GARCH ARMA • EGARCH incluye el log de la varianza condicional para flexibilizar la estimación y permitir efectos asimétricos Dr. Galindo SINTESIS GENERAL: AR(1): (1) y t y t 1 e t 1 La media condicional de yt: (2) yt E y t 1 Dr. Galindo SINTESIS GENERAL: La media condicional cambia en el tiempo (la media no condicional no cambia) La varianza condicional de yt (3) e yt 2 var E t 1 t 1 2 t Dr. Galindo SINTESIS GENERAL: Engle (1982) propone el siguiente modelo del término de error: (4) e t v t 0 1 e 2 t 1 v t N0,1 0 0 01 1 Dr. Galindo 1 2 SINTESIS GENERAL: La media no condicional de et: (5) 2 E e t E e t E 0 1 e 0 ya que Ee t 0 2 t 1 Dr. Galindo 1 SINTESIS GENERAL: La varianza no condicional de et: (6) E e t E e t 2 2 t Ee 2 t E v E 0 1 e 0 1 E e 2t 1 2 t 1 ya que Ev 1 1 1 Dr. Galindo 2 t SINTESIS GENERAL: La media condicional de et: (7) et vt 2 E E 0 1e t 1 t 1 t 1 vt 0 E 0 t 1 Dr. Galindo 1 2 SINTESIS GENERAL: La varianza condicional et: (8) e 2t v 2t 2 E E 0 1 e t 1 t 1 t 2 0 1 e t 1 v 2t dado que E 1 t 1 Dr. Galindo MODELO GENERAL: Modelo general: incluye una variable independiente que ayuda a predecir la volatilidad (1) y t 1 e t 1 x t y t 1 varianble de interés e t 1 Ruido blanco con σ 2 constante x t variable independie nte Dr. Galindo MODELO GENERAL: Con xt constante yt es ruido blanco con varianza constante Con xt variable la varianza condicional de yt+1es: y t 1 2 2 var x t xt La autocorrelación de xt permite explicar periodos de volatilidad en la secuencia de yt El cuadrado de la serie (después de eliminar autocorrelación) tiene patrones de autocorrelación Dr. Galindo VARIANZA CONDICIONAL E INCONDICIONAL (PRONÓSTICO) AR(1): (1) y t 0 1 y t 1 e t 1 1 e t R.B. var e t 2 e Dr. Galindo VARIANZA CONDICIONAL E INCONDICIONAL (PRONÓSTICO) AR(1): (1) y t 1 y t 1 e t El pronóstico un paso adelante: Media condicional de: y (1.1) t y t 1 , y t 2 ,... yt E y t 1 y t 1 Dr. Galindo VARIANZA CONDICIONAL E INCONDICIONAL (PRONÓSTICO) Media no condicional: (1.2) E y t 0 Las mejoras en los pronósticos provienen de utilizar modelos con media condicional (Engle, 1982) Dr. Galindo VARIANZA CONDICIONAL E INCONDICIONAL (PRONÓSTICO) Varianza no condicional: (2.1) var y t var 1 y t 1 e t var y t var e t 2 1 2 y 2 1 2 y 2 e Dr. Galindo VARIANZA CONDICIONAL E INCONDICIONAL (PRONÓSTICO) 2 var y var y y var e Aprovechando que t t 1 t e Entonces: (2.1) 1 (2.1) 2 e 2y 1 12 2 1 2 y Dr. Galindo 2e VARIANZA CONDICIONAL E INCONDICIONAL (PRONÓSTICO) Varianza condicional: (3.1) 2 yt et var E y y t 1 t 1 Manteniendo fijo a yt-1 la única fuente de variación es e 2t 2e Dr. Galindo VARIANZA CONDICIONAL E INCONDICIONAL (PRONÓSTICO) ARCH: (4) (4.1) (4.2) yt 2 2 var x t 1e x t 1 y t , x t ~ N t , h t y t 1 t z 't q ht 0 i et2i et yt t Dr. Galindo MODELO GENERAL AR(1): (5.1) (5.2) yt 1 yt 1 et et h e2 E t 0 1 t 1 E t 1 t 1 Para asegurarse que ht es positivo: 0 0 1 0 la varianza es finita con 1 1 Dr. Galindo MODELO GENERAL 2 La varianza condicional t : (6.1) et var e , e ,, e t 1 t 2 t q 2 t ut E ut E 2 con E et 0 Dr. Galindo et 1 , et 2 ,... MODELO GENERAL (6.2) var et et 1 , et 2 , 2 t e E e , e , t 1 t 2 2 t La varianza condicional de una variable et distribuida normalmente con media cero es igual al valor esperado del cuadrado de et Dr. Galindo MODELO GENERAL la autocorrelación de la volatilidad se obtiene permitiendo que la varianza condicional del término de error t2 dependa del calor anterior (7) 2 t 0 1 e Dr. Galindo 2 t 1 MODELO GENERAL Modelo general: ARCH (q): (8.1) y t 1 2 x 2 t 3 x 3 t e t e t ~ N 0, 2t (8.2) t2 0 1et21 Dr. Galindo MODELO GENERAL Extensión: (8.3) 0 e 2 t 2 1 t 1 e 2 q t q Posible rescribirlo como: (8.4) 2 1 t 1 h t 0 e qe h t varianza condiciona l Dr. Galindo 2 t q MODELO GENERAL (9.1) (9.2) (9.3) yt 1 2 x2t 3 x3t et et vt t2 vt ~ N0,1 t2 0 1et21 con var et 1 yt var e var t t y t 1 var et t2 t2 Dr. Galindo PROPIEDADES DEL ARCH 1. Los et tienen media cero 2. La varianza condicional esta dada por 0 e 2 t 2 1 t 1 3. La varianza no condicional es: 2 y 2 e 1 sólo existe con 0 0 2 1 1 1 4. Las autocovarianzas son iguales a cero Dr. Galindo PROPIEDADES DEL ARCH (10.1) eˆt2 0 1eˆt21 2 eˆt22 q et2q vt vt Ruido blanco (10.2) t v t 0 1e 2t 1 Dr. Galindo PROPIEDADES DEL ARCH 2v 1 (10.3) 0 0 (10.4) 1 1 E e t E v t 0 1 e 2t 1 0 como Ev t v t 1 0 Ee t e t 1 0 Dr. Galindo PROPIEDADES DEL ARCH (10.5) E v E e 1 y E e E e E e 2t E v 2t 0 1 e 2t 1 2 t como 2v (10.6) 0 2 t 0 Ee 1 1 2 t Dr. Galindo 1 2 t 1 2 t 1 PROPIEDADES DEL ARCH La media y la varianza no condicional no se ven afectadas por la varianza condicional La varianza condicional depende de et-1 e 2 E e 0 1 t 1 e , e , t 1 t 2 2 t Dr. Galindo MODELO GENERAL: 2 Para que la varianza t sea positiva se imponen las siguientes restricciones: 1. 0 0 con 1 0 la varianza condiciona l es 0 2. 1 0 y 2t 1 es siempre no-negativo 2 y el incremento de t 1 hace que la varianza de yt aumente Dr. Galindo MODELO GENERAL: 3. 1 1 proceso estacionario 4. 312 1 para un cuarto momento finito (Ángel, 1982 Teorema 1) Dr. Galindo MODELO GENERAL: 1.La selección del número de rezagos (q) Forma simple: Arbitraity lineaty declining lag leagth 2t 0 1 0.4ê 2t 1 0.3ê 2t 2 0.2ê 2t 3 0.14ê 2t 4 Sólo estimo 0 y 1 2.Las restricciones negativas no se corrigen Dr. Galindo Bollersler (1986): El GARCH permite que la varianza condicional dependa de sus propios rezagos (11) 2 t 2 1 t 1 0 e 2 t 1 Es posible interpretar a la varianza pronosticada actual (ht) como una función ponderada del valor promedio (α0), de la volatilidad del periodo previo 1 e 2t 1 y de la varianza pronosticada previa Dr. Galindo Bollersler (1986): El término de error es: (11.1) et vt h t donde : 2v 1 q h t 0 i i 1 y: 2 t i GARCH q, Dr. Galindo i h t i i 1 GARCH: En la práctica GARCH(1,1): 2 t 2 1 t 1 0 e (12.1) 1 2 t 1 Despejando: (12.2) 0 1 e 2t 1 1 e 2t 2 2 e 2t 3 1 1 2 t Dr. Galindo GARCH: La varianza actual depende de todas perturbaciones anteriores elevadas al cuadrado IGARCH: 1 efecto persistente Dr. Galindo las GARCH: El modelo GARCH puede interpretarse como un ARMA: 2 t ut e (13.1) 2 t 2 t 2 t e ut (13.2) Substituyendo en la varianza condicional: 2 t 2 1 t 1 0 e Dr. Galindo 2 t 1 GARCH: (13.3) 2 t 2 1 t 1 e u t 0 e e 2 t 1 u t 1 Reordenando: (13.4) e 2t 0 1 e 2t 1 e 2t 1 u t 1 u t ARMA(1,1) Dr. Galindo GARCH: El GARCH (1,1) es un modelo parsimonioso: (14.1) 2t 0 1 e 2t 1 2t 1 (14.2) 2t 1 0 1 e 2t 2 2t 2 (14.3) 2t 2 0 1 e 2t 2 2t 3 Dr. Galindo GARCH: Sustituyendo en (14.1): (14.4) (14.5) 2t 0 1 e 2t 1 0 1 e 2t 2 2t 2 2 t 2 1 t 1 0 e 2 1 t 2 0 e Dr. Galindo 2 2 t 2 GARCH: Substituyendo a (14.6) 2t 2 : 2t 0 1e 2t 1 0 1e 2t 2 2 0 1e 2 t 3 2 t 3 Reordenando: (14.7) 2 0 1 2 1 e 2t 1 1 L L2 3 2t 3 Dr. Galindo GARCH: Substituciones recursivas: (14.8) 2t 0 1 2 1e 2t 1 1 L L2 2t (14.9) 2 2 1 t 1 0 e Dr. Galindo 2e 2 t 2 GARCH: 0 var e t 1 1 (15) Con 1 1 unit root variance IGARCH Dr. Galindo GARCH: (15.1) y t 0 1 x t e t (15.2) e t v t 0 1e2t 1 q e2t q 1 h t 1 h t xt =ARMA o variable exógenas • αt es la varianza condicional de et • El proceso GARCH (ecuación (15.2) es la varianza condicional de la ecuación de la media Dr. Galindo GARCH: • e 2t no es la varianza condicional directamente et v h t (15.3) 2 t 2 e v ht (15.4) 2 t 2 t como E t v E t 1 v 1 E t 1 e 2t h t Dr. Galindo PROPIEDADES DEL GARCH: (15.5) e 0 e 2 t 2 1 t 1 1 ht 1 Media de et: (15.6) E (e t ) E ( v t h t ) 0 como E( v t ) 0 Dr. Galindo PROPIEDADES DEL GARCH: Varianza de et: (15.7) 2 t 2 2 1 t 1 e v ( 0 e 1 E(h t 1 ) Varianza no condicional (15.8) E t (e 2t ) E( v 2t ( 0 1 E(e 2t 1 ) 1 E(h t 1 ))) Dr. Galindo PROPIEDADES DEL GARCH: Como: E( v 2t ) 1 E(e 2t 1 ) E(h t 1 ) (15.9) E t (e 2t ) 0 (1 1 )Ee 2t 1 (15.10) 0 E t (e ) 1 1 1 2 t La varianza condicional: (15.11) E t 1e 2t E t 1 v 2t h t h t La varianza condicional no es constante Dr. Galindo PRUEBAS ARCH - GARCH: Prueba de normalidad: (16.1) (16.2) et vt t vt ~ N 0, 2 0 e 2 2 1 t 1 2 t 1 et es difícil que se distribuya como normal es probablemente leptokurtica de (16.1): (16.3) et vt t Dr. Galindo PRUEBAS ARCH - GARCH: Es común que sea v̂ t leotokurtica aunque menos que et El GARCH captura parte de este efecto Las estimaciones serán consistentes si las ecuaciones están correctamente especificadas Sin embargo se requieren las desviaciones estándar calculadas por Balleislew y Wooldridg (1991) con quasi – maximain likelihoot (QML), algunos programas aceptan una distribución t en el GARCH (Enders) Dr. Galindo PRUEBAS ARCH - GARCH: El ARCH esta modelado como una función de los errores al cuadrado rezagados q (17.1) h t 0 i e 2t i i h t i i 1 Correlograma: 1.Calcula la varianza muestral de los residuales de: y t ARMA e t 2 e ˆ 2 t T T (17.2) Dr. Galindo PRUEBAS ARCH - GARCH: 2.Calcula las correlaciones muéstrales del cuadrado de los residuales: T (17.3) i 2 2 2 2 ( e )( e ˆ ) t t i T 2 2 2 ( ê t ˆ ) Dr. Galindo PRUEBAS ARCH - GARCH: 3.Calcular LB: i Q T ( T 2) i 1 (T i ) n (17.4) 2 (n ) Rechazo de H0 implica rechazar que no existe ARCH o GARCH Dr. Galindo PRUEBAS ARCH - GARCH: LM para ARCH: H0: 0 1 ... 0 Pasos: 1.Estimar yt xt et 2.Obtener las et de OLS 3.Regrasión Auxiliar: ê f ( 0 , ê 2 t Dr. Galindo 2 t 1 , ê 2 t 2 ,...) PRUEBAS ARCH - GARCH: TR 2 2 (q) 4. 5.Versión f: f(q,T-q-1) ρ=1 q=1 GARCH(ρ,q) ρ=2 q=1 Dr. Galindo ARCH – M – GARCH – M: Engle, Lilien y Robins (1987) incluyeron dentro del ARCH la Posibilidad de que la varianza condicional afecta a la media La hipótesis es que los inversionistas que son adversos al riesgo requieren compensación por tener un activo riesgoso Dr. Galindo ARCH – M – GARCH – M: Se forma mayor riesgo y se espera una mayor ganancia La ganancia esta, en parte, determinada por riesgo La varianza condicional se incluye en la ecuación de la media condicional Dr. Galindo ARCH – M – GARCH – M: ARCH-M: (18) yt t et yt = exceso de ganacias μt = risk premium necesario para inducir la tendencia del activo et = error Dr. Galindo ARCH – M – GARCH – M: El exceso de ganancias equivale al risk premium: (18.1) E t 1 y t t El risk premium es una función creciente de la varianza condicional de et Dr. Galindo ARCH – M – GARCH – M: El risk premium con ht definida como la varianza condicional de et se expresa como: (18.2) t h t 0 ARCH(q): q (18.3) h t 0 ie i 1 Dr. Galindo 2 t i ARCH – M – GARCH – M: GARCH – M: yt t 1et (18.4) et ~ N 0, (18.5) 0 e 2 t 2 1 t 1 δ = risk premium Dr. Galindo 2 t 1 ARCH – M – GARCH – M: con δ>0 Un aumento del riesgo dado por un aumento de la varianza condicional conduce a una umento de la media Posible utilizar en (18.4): 1. 2. t 1 3. 2 t 1 2 t Dr. Galindo MODELOS DE HETEROCEDASTICIDAD CONDICIONAL Dr. LUIS MIGUEL GALINDO
© Copyright 2024