Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Alfonso Novales
Departamento de Economa Cuantitativa
Universidad Complutense
Septiembre 2013
Versin preliminar
No citar sinpermiso del autor
@Copyright 2013
Contents
1 Modelos ARCH
1.1 Propiedades estadsticas . . . . . . . . . . . . . . . . . . . . . . .
1.2 Primeras deniciones y propiedades. Momentos incondicionales .
1.2.1 Procesos con residuos ARCH . . . . . . . . . . . . . . . .
1.3 El modelo ARCH(q) . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.1 El modelo ARCH(1) . . . . . . . . . . . . . . . . . . . . .
1.3.2 Modelo AR(1)-ARCH(1) . . . . . . . . . . . . . . . . . . .
1.3.3 Modelos ARMA-ARCH . . . . . . . . . . . . . . . . . . .
1.3.4 El modelo ARCH(q) de regresin . . . . . . . . . . . . . .
1.4 Modelos GARCH . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4.1 Modelos GARCH(p,q) . . . . . . . . . . . . . . . . . . . .
1.4.2 El modelo GARCH(1,1) . . . . . . . . . . . . . . . . . . .
1.4.3 Modelo IGARCH . . . . . . . . . . . . . . . . . . . . . . .
1.5 Prediccin de la varianza futura . . . . . . . . . . . . . . . . . . .
1.5.1 Modelo ARCH(p) . . . . . . . . . . . . . . . . . . . . . .
1.5.2 Modelo AR(1)-ARCH(1) . . . . . . . . . . . . . . . . . . .
1.5.3 Modelo GARCH(1,1) . . . . . . . . . . . . . . . . . . . . .
1.6 Modelo EGARCH(p,q) . . . . . . . . . . . . . . . . . . . . . . . .
1.7 Otras especicaciones univariantes en la familia ARCH . . . . . .
1.8 Modelos ARCH en media (ARCH-M) . . . . . . . . . . . . . . .
1.9 Contrastes de estructura ARCH . . . . . . . . . . . . . . . . . . .
1.10 Contrastes de especicacin . . . . . . . . . . . . . . . . . . . . .
1.11 Estimacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.11.1 Imponiendo un nivel de volatilidad de largo plazo en la
estimacin: reversin a un nivel medio de volatilidad . . .
1.11.2 Estimacin por Cuasi-mxima verosimilitud . . . . . . . .
1.12 Contrastacin de hiptesis . . . . . . . . . . . . . . . . . . . . . .
1
2
2
4
6
6
8
11
12
13
13
13
15
16
17
17
18
18
19
21
26
27
28
31
34
36
39
1
1.1
41
43
51
51
52
52
53
54
55
56
57
58
58
58
58
59
59
59
Modelos ARCH
Propiedades estadsticas
Los modelos que hemos analizado hasta ahora mantenan el supuesto de que la
innovacin tiene una varianza constante en el tiempo, a pesar de que la esperanza
condicional es cambiante. Sin embargo, para agentes aversos al riesgo, que
toman sus decisiones en un rgimen de incertidumbre, la varianza condicional,
es decir, la varianza de la distribucin de los rendimientos en cada instante
futuro de tiempo, juega un papel de la mayor importancia. Este es el aspecto
que modelizamos en este captulo.
Los modelos ARCH aparecen en los aos 80 con el objeto de recoger los
episodios de agrupamiento temporal de volatilidad que suele observarse en las
series de rentabilidad de casi todo mercado nanciero. Desde entonces, su variedad y su aplicacin prctica ha crecido de manera espectacular. En realidad,
hay precursores ms antiguos[Bachelier (1900) y Mandelbrot(1963,1967)], trabajos en los que comenz a caracerizarse las propioedades estadsticas de los
precios de activos nancieros.
Las caractersticas ms relevantes de las series nancieras recogidas con frecuencias elevadas [Ruiz (1994)], son:
1) ausencia de estructura regular dinmica en la media, lo que aparece reejado en estadsticos Ljung-Box generalmente no signicativos,
2) distribuciones leptocrticas o exceso de curtosis,
3) suelen ser simtricas, aunque tambin se encuentran en algunos casos
coecientes de asimetra signicativamente distintos de cero,
4) agrupamiento de la volatilidad sobre intervalos de tiempo, lo cual se reeja
en funciones de autocorrelacin simple signicativas para los cuadrados de las
variables,
5) persistencia en volatilidad: los efectos de un shock en volatilidad tardan
un tiempo en desaparecer.
6) efecto apalancamiento: se observa una respuesta asimtrica de la volatilidad al nivel de los rendimientos, en el sentido de que
Muchos de estos efectos quedan recogidos en los modelos ARCH, GARCH,
EGARCH, que vamos a analizar. Estos modelos recogen en sus formulaciones
la idea de que existen agrupaciones de volatilidad, es decir, que fuertes uctuaciones inesperadas en los mercados tienden a venir seguidas de perodos de
iguales caractersticas, mientras que perodos de estabilidad tienden a venir
seguidos de perodos asimismo estables. Los modelos de esta familia recogen
este comportamiento inercial en volatilidad a la vez que el comportamiento
dinmico, con autocorrelacin que suelen presentar las series nancieras.
Una de las contribuciones importantes de la literatura de procesos ARCH es
mostrar que las variaciones que aparentemente se producen en la volatilidad de
las series temporales econmicas pueden expliacrse mediante una determinada
forma de dependencia no lineal, que permite adems predecir dichos cambios
en volatilidad sin necesidad de recurrir a la modelizacin explcita de cambios
estructurales en la varianza.
Frente a estas observaciones empricas, frmulas de valoracin del tipo BlackScholes suponen una volatilidad constante para el precio del activo subyacente,
que permite dudicr la expresin analtica del precio terico de una opcin Europea sobre dicho activo. La frmula BS es utilizada habitualmente para deducir
de ella la volatilidad implcita, forzando el precio que de ella se deriva a coincidri con el precio observado en el mercado. La volatilidad implcita as obtenida
se interpreta como el nivel de volatilidad vigente en el mercado desde el momento de inversin de la frmula BS hasta el vencimiento de la opcin. Sin
embargo, no siendo dicha volatilidad constante en el tiempo, es cuestionable la
interpretacin del valor numrico obtenido para la volatilidad implcita. Suele
interpretarse como una expectativa de mercado y en trminos del valor medio
de volatildad vigente para el perodo mencionado, pero tal interpretacin no
est justicada por el anlisis BS.
Para poder proceder al estudio emprico de este tipo de modelos de varianza
condicional cambiante en datos reales, es preciso concretar antes la estructura
de las funciones de esperanza y varianza condicionales, lo que pasamos a hacer
a continuacin.
1.2
Los momentos de los procesos ARCH han sido analizados en Engel(1982), Milhoj(1985), Bollerslev(1986) entre muchos otros. Para su clculo, es clave la ley
de iteracin de expectativas: dadas dos sigma-lgebras 1 ; 2 ; con 1
2 y
una variable aleatoria escalar y, se tiene:
E (y j
1)
= E [E (y j
2)
1]
En nuestro caso, las dos sigma-lgebras son las generadas por la historia
pasada de las variables del modelo, en dos instantes distintos de tiempo. un
caso particular de esta ley que resulta especialmente til es cuando 1 = ;
pues entonces,
E (y) = E [E (y j
2 )]
1 "t
( 0 ) = 0; t = 1; 2; 3; :::
y su varianza condicional,
h2t ( 0 )
V art
["t ( 0 )] = Et
"2t ( 0 ) = g ("t
1 ; "t 2 ; :::)
depende, en forma no trivial, del sigma-lgebra t 1 generada por las observaciones pasadas. La notacin h2t hace referencia al hecho de que trabajamos
con un segundo momento del proceso estocstico. Debe apreciarse que, a pesar
del subndice temporal, h2t es una funcin de variables pertenecientes al instante
t 1 o anteriores.
La esperanza y varianza incondicionales del proceso "t ( 0 ) son la esperanza
matemtica de los momentos anlogos condicionales,
E("t )
V ar ("t )
= E (Et 1 "t ) = 0
= E"2t = E Et 1 "2t = Eh2t
4
El proceso estandarizado:
"t ( 0 )
zt ( 0 ) = p
h2t
tendr esperanza condicional igual a cero, y varianza condicional igual a uno,
Et
V art
[zt ( 0 )] = V art
1 zt
"
( 0 ) = 0; t = 1; 2; 3; :::
#
"t ( 0 )
1
p
= 2 V art
2
ht
ht
["t ( 0 )] = 1; t = 1; 2; 3; :::
1 "t )
= 0; V ar [zt ( 0 )] = 1; t = 1; 2; 3; :::
E zt4 ( 0 ) E h2t ( 0 )
= E zt4 ( 0 ) E "2t ( 0 )
E zt4 = 3
2
[E ("2t )]
y la desigualdad se cumplir como igualdad slo en el caso de una varianza
condicional constante. En caso contrario, si la distribucin de zt ( 0 ) es Normal,
entonces la distribucin incondicional de "t ser leptocrtica.
Por otra parte, si la distribucin condicional de "t es Normal, se tiene para
m
todo entero impar m que E ("m
t ( 0 )) = E [Et 1 ("t ( 0 ))] = E(0) = 0; por lo
que el coeciente de asimetra de "t es nulo. Al ser "t una variable aleatoria
continua, esto implica que su densidad es simtrica.
1 Alternativamente,
yt = "t ht
con "t
N (0; 1);independiente en el tiempo, y h2t ( 0 )
g ("t 1 ; "t 2 ; :::). Con esta notacin, la armacin del texto equivaldra a decir que "t y ht son independientes, como
claramente ocurre.
2 El lector puede comprobar la facilidad con que obtiene este resultado utilizando la notacin
propuesta en el pie de pgina previo.
1.2.1
Aunque nos centremos en las propiedades del proceso f"t ( )g, en general, tendremos un proceso fyt ( 0 )g, objeto de estudio, cuya esperanza condicional ser
una funcin de 0 ,
Et
1 yt
t 1
( 0)
t 1
( 0 ) + "t ( 0 ) ) "t ( 0 ) = yt
t 1
( 0)
que satisface,
Et
["t ( 0 )] = 0
1 yt
V art
1 yt
= Et
t 1
1
( 0) ;
[yt
Et
2
1 yt ]
= Et
["t ( 0 )] = V art
["t ( 0 )] = h2t
1.3
El modelo ARCH(q)
yt
= " t ht
h2t
0+
q
X
2
i yt i ;
> 0;
0;
i=1
q
X
i=1
donde, una vez ms, suponemos que "t es un proceso ruido blanco, con
E("t ) = 0; V ar("t ) = 1. Por simplicidad, estamos suponiendo asimismo que la
variable yt carece de autocorrelacin, as como de la imposibilidad de utilizar
otras variables que puedan explicar su evolucin temporal. En todo caso, la
escasa estructura dinmica que se observa en datos frecuentes de rentabilidades
de mercados nancieros justica la simplicidad en la especicacin de la ecuacin
de la media del proceso yt : Alternativamente, si el investigador detecta algunas
variables que pueden explicar el comportamiento de yt ; posiblemente incluyendo
algunos retardos de la propia variable, entonces h2t sera la varianza condicional
del trmino de error del modelo que explica el comportamiento de yt : Esto es lo
que haremos en algunos modelos analizados en las prximas secciones.
Aunque no son necesarias, las restricciones de signo de los coecientes de
la ecuacin de varianza garantizan que la varianza condicional ser positiva en
todos los perodos. En realidad, lo que necesitamos es que, una vez que el modelo
haya sido estimado, genere una serie de varianzas positiva, lo cual es compatible
con que alguno de los coecientes i sean negativos. Esto debe tomarse como
un contraste de validez del modelo, que no sera aceptable si generase varianzas
estimadas negativas. Es preferible no imponer las restricciones en la estimacin
del modelo, y poder contrastar la propiedad del modo que hemos descrito, que
estimar bajo las restricciones de signo.
La restriccin sobre la suma de los coecientes de la ecuacin de varianza
garantiza que el proceso sea estacionario en varianza. Para ello, es necesario
que las races del polinomio caracterstico,
0
1z
2z
:::
qz
=0
estn fuera del crculo unidad, es decir, tengan valor absoluto mayor que uno
o, si son complejas, mdulo mayor que la unidad. Cuando son no-negativas, ello
es equivalente a la condicin sobre su suma.
De acuerdo con este modelo, una sorpresa en yt importante en magnitud,
positiva o negativa, har que la varianza del proceso sea elevada durante un
cierto nmero de perodos.
Si, condicional en t 1 , "t sigue una distribucin q
Normal, la distribucin
Pq
2
condicional de yt ser asimismo Normal, pues yt = "t
0+
i=1 i yt i y el
componente dentro de la raz es conocido en t 1. Se tiene, adems,
V ar (yt =yt
1 ; yt 2 ; ::::)
=E
q
X
i=1
2
i yt i
q
X
2
i yt i
+ vt
i=1
= V ar yt =
P0q
i=1
Aunque los sucesivos valores de yt estn incorrelacionados, no son independientes, debido a la relacin que existe entre sus segundos momentos.
Para evitar trabajar con un elevado nmero de parmetros en ocasiones en
que se percibe una alta persistencia en volatilidad, suele utilizarse una representacin,
h2t
q
X
wi yt2 i ;
i=1
q
(q + 1) i X
;
wi = 1
wi = 1
2 q (q + 1)
i=1
El modelo ARCH(1)
Et
V art
1 (yt )
1 yt
=
2
1 yt
= Et
2
1 yt 1
Et
1 ("t )
=0
2
1 yt 1
Et
2
1 ("t )
2
1 yt 1
E (yt ) = E "t
0+
2
1 yt
= E ("t ) E
2
1 yt 1
2
1 yt 1
=0
yt2
1E
V ar (yt ) =
1
1
que, a diferencia de lo que ocurre con la varianza incondicional, es constante
en el tiempo.
La autocovarianza de orden ;
1 del proceso ARCH(1) es:
E (yt yt
) = E "t
2
1 yt 1
yt
= E ("t ) E
2
1 yt 1
yt
=0
yt2
= E yt2 yt2
=E
yt2
yt2
0
1
=
1
2
0
=
pero: yt2 = "2t
por lo que,
1
0
Eyt2 + Eyt2
2
1 yt 1
+ E yt2 yt2
1
1E
yt2
2
1
yt2
2
1
+ E "2t
2
1 yt 1
yt2
0E
yt2
1E
yt4
2
2
1 yt 1
2
0
(1 +
1 3
=3
1)
2
1
yt2 =
2
(1
2
0 1
2
1)
(1
2)
1
que es no nula.
Bajo estos supuestos, la curtosis del proceso ARCH(1) es nita, e igual a:
Curtosis(yt ) =
E yt4
2
E (yt2 )
=3
1
1 3
2
1
2
1
10
riesgo cambiante en el tiempo, que puede ser un input importante en otro tipo
de anlisis, como por ejemplo, si se quiere cuanticar la remuneracin que en
un determinado mercado se ofrece al riesgo que se asume en el mismo.
Sin embargo, este modelo es susceptible de provocar algunos problemas de
signo. En particular, los valores numricos de la serie temporal de volatilidad
h2t que resultan del proceso de estimacin, deben ser todos positivos.
Como el proceso ARCH carece de autocorrelacin y tiene media cero, es
dbilmente estacionario si existe su varianza. Una propiedad notable de este
proceso es que puede no ser dbilmente estacionario (porque su varianza no
exista) y, sin embargo, ser estrictamente (o fuertemente) estacionario pues para
este ltimo concepto no es precisa la existencia de momentos.
1.3.2
Modelo AR(1)-ARCH(1)
+ "t ; j
j< 1
1 yt
1 yt
=
yt 1 ;
= V art 1 "t =
2
":
En este
2
"
V ar (yt )
0;
2
"
=
yt 1 + "t ; j j< 1
= 0; V art 1 "t = h2t =
2
1 "t 1
11
Et
V art
1 yt
1 yt
=
yt 1 ;
= V art 1 "t =
2
1 "t 1
E yt
V ar yt
(yt
yt
2
1)
0;
0
2
1
"2t
2
1
Modelos ARMA-ARCH
El anlisis anterior puede generalizarse a cualquier modelo univariante de series temporales de la familia ARIMA, en el que puede tener perfecto sentido
epecicar que la varianza del trmino de error es vcambiante en el tiempo. Por
ejemplo, el modelo AR(p) ARCH(m) es,
yt
Et
1 "t
=
=
1 yt 1
0; V art
2 yt 2
1 "t
+ ::: +
h2t
12
p yt p + "t ;
2
0 + 1 "t 1 +
j< 1
2
2 "t 2 :::
2
m "t m
1.3.4
N (0; h2t )
t 1
siendo,
Pq
h2t =
2
1 "t 1
+ ::: +
2
q "t q
con i 0; i=1 i 1; para asegurar que la varianza resultante sea positiva en todos los perodos. Como "t 1 = yt 1 x0t 1 ; se tiene que h2t es una
funcin de la informacin contenida en t 1 : Una vez ms, al ser la varianza
condicional del perodo t una funcin creciente de la magnitud de las ltimas
innovaciones, se produce el clustering o agrupamiento temporal de volatilidades.
El orden q de la representacin ARCH es un indicador de la persistencia de los
shocks en varianza.
En muchas aplicaciones empricas, el orden del modelo ARCH que es preciso
utilizar para recoger la dependencia temporal en la varianza es elevado, por lo
que es til considerar una representacin ms simple de este tipo de estructuras:
1.4
Modelos GARCH
Modelos GARCH(p,q)
En muchos casos, la especicacin ARCH que recoge la estructura de autocorrelacin en varianza precisa de un elevado nmero de retardos. Para evitar que
el alto nmero de coefcientes en trminos autoregresivos, generalmente bastante
relacionados, produzca una importante prdida de precisin en su estimacin,
se ha propuesto una parametrizacin alternativa, restringida, dependiente de un
nmero reducido de parmetros. El modelo GARCH(p; q) de Bollerslev (1986)
es,
13
yt
= " t ht
h2t
0+
q
X
2
i yt
i+
i=1
p
X
2
j ht j ;
> 0;
i;
q
X
0;
i=1
i+
i=1
p
X
<1
i=1
Las condiciones anteriores garantizan (si bien no son necesarias) que la varianza condicional estimada sea positiva en todos los perodos. En realidad, Nelson y Cao (1992), mostraron condiciones ms dbiles que garantizan varianza
positiva en todos los perodos. por ejemplo, en un GARCH(1; 2), es suciente
que: 0 > 0; 1 0; 1 0; 1 1 + 2 0: Este modelo puede transformarse
en un modelo ARCH de orden innito [Bera y Higgins, Volatility], restringido
en sus parmetros.
En la especicacin anterior hemos supuesto, nuevamente por simplicidad,
que yt carece de autocorrelacin, as como que no disponemos de variables
epclicativas para le esperanza condicional de dicho proceso. Los mismos comentarios que hicimos acerca del modelo ARCH(q) aplican a este caso.
La esperanza matemtica del proceso GARCH(p; q) es cero, y su varianza,
V ar yt =
Pq
i=1
Pp
=
j
i=1
(1)
(1)
(L)) yt2
+ ( (L) +
(L) vt
+ vt
o, lo que es lo mismo,
(1
(L)) yt2 =
(L)
+ (1
(L)) vt
yt2 =
r
X
yt2
i=1
r
X
yt2
h2t
+ yt2
h2t ;
i=1
> 0;
i;
0;
q
X
i=1
p
X
<1
i=1
siendo r = max(p; q): Nuevamente, E yt2 h2t = 0; por lo que puede considerarse como la innovacin en la ecuacin anterior. En consecuencia, un modelo GARCH(p; q) para la rentabilidad yt puede interpretarse como un modelo
14
ARM A para yt2 : Aunque su estimacin como tal proceso ARM A sera ineciente, sin embargo las expresiones habituales para la prediccin en modelos
ARM A son utilizables.
Examinemos el clculo del a varianza incondicional en el caso del proceso
GARCH(1; 1);
V ar("t )
= E "2t = E E "2t j
1E
"2t
= E(h2t ) =
t 1
h2t
1E
+(
1) E
"2t
El modelo GARCH(1,1)
= " t ht
= ! + yt2
+ h2t
1 yt
= h2t
V ar yt =
Los retardos medio y mediano en
!
1
h2t
son,
P1
i
Pi=1
1
Re tardo medio =
i=1 i
1
1
ln 2
ln
Re tardomediano =
yt2
h2t
+ yt2
h2t
donde los dos ltimos trminos tienen esperanza condicional igual a cero,
por lo que este modelo es, en muchos aspectos, similar al modelo ARM A(1; 1).
De hecho, el modo de identicar una estructura GARCH(1; 1) es porque las
funciones de autocorrelacin simple y parcial de los cuadrados de yt tengan el
aspecto de las funciones correspondientes a un proceso ARM A(1; 1): La funcin
de autocorrelacin simple del proceso GARCH(1; 1) es:
2
(1)
1
1 2
(k)
( + )
2
k 1
(1) ; k > 1
Curtosis(yt ) = 3 +
6
1
=3
1 ( + )2
1 ( + )2 2
2
1
>3
si el denominador es positivo.
1.4.3
Modelo IGARCH
yt
h2t
= " t ht
= ! + h2t
yt2
h2t
; t = 1; 2; :::
yt2
h2t
+ yt2
h2t ; t = 1; 2; :::
Este proceso no es dbilmente estacionario, puesto que su varianza incondicional no es nita. Sin embargo, si !>0, el proceso es estrictamente estacionario
y ergdico [Nelson (1990)].
1.5
En esta seccin desarrollamos epxresiones analticas para el clculo de la prediccin de la varianza k-perodos hacia el futuro.
1.5.1
Modelo ARCH(p)
2
y
q
X
yt2
2
y
q 1
X
i=1
por lo que,
Et h2t+1
2
y
q 1
X
yt2
2
y
i=0
Et h2t+2
2
y
yt2
2
y
yt2
2
y
i=2
En general,
Et h2t+1
2
y
q 1
X
Et h2t
2
y
i=0
^ 2 para s
^ 2 denota el valor ajustado para la
donde Et h2s = h
t, donde h
s
s
varianza condicional en el perodo s en la estimacin del modelo ARCH.
17
1.5.2
Modelo AR(1)-ARCH(1)
Escribiendo la ecuacin que representa la evolucin temporal de yt en este modelo en un instante de tiempo futuro, tenemos,
k
yt+k =
yt +
k
X
k i
"t+1
i=1
V art yt+k =
0+
2
1 Et ht+i 1
k
X1
2i
k 1
1
h2t+1
i=0
k
X1
2i
i
1
i=0
k
X1
2i
i=0
Modelo GARCH(1,1)
= ! + yT2 + hT
ET h2T +k
= ! + ( + )h2T +k
!
1
k 1
+( + )
ET h2T +1
!
1
18
1
T
T
Xt
ET h2T +k
k=1
1
!
1
T
T
Xt
k 1
( + )
k=1
+ ET h2T +1
ET h2T +1
!
T
1
t
( + )
1
= ! (k 1) + h2t
= !k + yt2 + (1
) h2t
que no converge a la varianza condicional, pues crece linealmente con el horizonte de prediccin. De hecho, puede observarse en esta expresin que una
perturbacin en la varianza del instante T , incluso si resulta ser de carcter
transitorio, se extrapola a las predicciones de la volatilidad a todos los horizontes.Sin embargo, Kleigbergen y Van Dijk (1993) han sugerido que, tanto
en el modelo GARCH como en el IGARCH, las predicciones de la varianza se
obtengan mediante simulacin del modelo. [FigureII.4.3]
1.6
Modelo EGARCH(p,q)
= " t ht
ln h2t
= !+
q
X
2
i ln ht
i=1
i+
p
X
j g ("t j )
j=1
donde los "t tienen todos distribucin N(0,1), y carecen de correlacin serial,
y la funcin de respuesta asimtrica est denida por:
g (") = " +
(j " j
E (j " j)) ;
La estructura ARM A(q; p) de ln(h2t ) debe satisfacer las condiciones de estacionariedad habituales en estos modelos. Generalmente, se utiliza en esta formulacin la innovacin: "t = yt =ht , es decir, el error estandarizado, dividido
por su desviacin tpica condicional, donde yt ser generalmente la rentabilidad
19
1
t
q
23
del activo. En tal caso, E (j " j) =
, por lo que la sucesin g ("t ) es independiente en el tiempo, con esperanza cero y varianza constante, si es nita.
El modelo EGARCH, al estar especicado para el logaritmo de la varianzas, no
precisa de restricciones de signo para ninguno de sus parmetros.
Como caso particular, cuando es Normal, la ecuacin de la varianza en el
modelo EGARCH(1; 1) es:
yt
= " t ht
ln h2t
= !+
ln h2t
+ "t
j "t
p
2=
= e1
1; 27 +
2
!
1
+
"t j=
1
2p
2
1
1
1
j "t j p e
2
r
ut 1
j0
"2
t =2
d"t = 2
20
1
0
1
p e
2
du =
1.7
= " t ht
= ! + (yt
) + h2t
)2 + h2T
= ! + (yT
ET h2T +s+1
!+
+ ( + ) h2T +s
!+ 2
1 ( + )
y prediccin de volatilidad:
= !
^ + ^ (^"2T
ET h2T +1
ET h2T +s
^ )2 + ^ h2
2
!
^ + ^ ^ + ^ + ^ ET h2T +s
h2
h2t
(yt
(yt
h2
h2
21
h2t
h2t
h2
+ (1
)h2
Taylor (1986) y Schwert (1989a,b) han propuesto que sea la desviacin tpica
quien dependa del valor absoluto de los residuos:
yt
= " t ht
h2t
q
X
i=1
j "t
j+
p
X
2
j ht j ;
> 0;
i;
0;
i=1
q
X
i=1
p
X
<1
i=1
= " t ht
ht
q
X
i=1
j "t
j +
p
X
j ht j ;
> 0;
i;
0;
i=1
q
X
i=1
p
X
<1
i=1
= " t ht
ht
q
X
i=1
j "t
kj +
p
X
j ht
j;
> 0;
i;
i=1
0;
q
X
i=1
p
X
i=1
= " t ht
= ! + yt2
+ yt
1;
= d > 0;
! = b2 d + c > 0;
2bd ? 0
por lo que eligiendo c > 0; d > 0 se garantiza 1 > 0; ! > 0; mientras que
tendr el mismo signo que b:
La varianza incondicional derivada de este modelo se obtiene tomando esperanzas en la ecuacin de h2t , teniendo:
Eh2t = ! + Eyt2
22
+ Eyt
<1
que implica,
V ar(yt ) = ! + V ar (yt
ya que Eyt
1)
!
1
= " t ht
= ! + yt2
+ yt
+ h2t 1 ;
!
1
Ambos modelos generan una asimetra igual a cero. Genera una mayor
curtosis el modelo generalizado GQARCH(1; 1).
Una versin sencilla de dicho modelo es el ARCH asimetrico (AARCH)
[Engle (1990)], siendo el modelo AARCH(1,1):
h2t = ! + yt2
+ yt
+ h2t 1 ;
"t
p
ht
+ "t
+ h2t 1 ;
ht = ! +
q
X
i=1
+
i I
("t
> 0) j "t
j +
I ("t
0) j "t
p
X
j ht j
j=1
ht = ! +
q
X
+
i I
("t
> 0) j "t
i=1
j+
I ("t
0) j "t
j +
p
X
j ht j
j=1
h2t = ! +
q
X
+
i I
("t
> 0) "2t
i+
I ("t
0) "2t
i=1
p
X
2
j ht j
j=1
q
X
2
i "t i
I ("t
0) "2t
i=1
p
X
2
j ht j
j=1
Los parmetros no son los mismos en ambos modelos, si bien existe una
relacin entre ambos. En el primer caso, +
i mide el efecto de una innovacin
pasada negativa, mientras i mide el efecto de una innovacin pasada positiva;
en el segundo caso, el efecto de una innovacin pasada negativa es i + i
mientras que el de una innovacin positiva es i : Un valor positivo de i en esta
representacin indicara que una innovacin negativa genera mayor volatilidad
que una innovacin positiva de igual tamao, y la interpretacin contraria se
tendra para un valor negativo de i .
En el caso q = p = 1; se tendra, con esta segunda formulacin,
h2t = ! + ( + Dt
2
1 ) "t 1
+ h2t
ET hT +1
ET hT +s+1
= ! + "2T + DT "2T + hT
1
= !+
+ +
hT +s
2
24
= !+
q
X
i ht 1
[f ("t i )] +
i=1
f ("t i )
= j "t
h
bj
p
X
ht
i=1
c ("t
b)
en la que se sustituye t
por ln ht cuando = 0: De esta formulacin
pueden obtenerse muchas especicaciones como casos particulares. As,
=
= 2 y b = c = 0 ) GARCH
= 2 y b = 0 ) GJR
= 1 y b = 0; j c j
= 1; j c j
= 0;
GARCH
1 ) T ARCH
1 ) AGARCH
= 1 y b = 0 ) EGARCH
6= 0 y b = c = 0 ) N ARCH
= 2 y c = 0 ) N AGARCH
6= 0 y c = 0 ) N on
6= 0 y b = 0; j c j
N g(1993)]
Otros dos modelos propuestos recientemente son el Structural ARCH (ST ARCH),
de Harvey, Ruiz y Sentana (1992), y el Switching ARCH (SW ARCH) [Cai,
Journal of Business and Economic Statistics (1994)], que postula que la variable
en estudio se ajusta a una variedad de modelos ARCH, entre los cuales se mueve
de acuerdo con la estructura de una cadena de Markov, lo cual puede ser til
para recoger episodios como el hundimiento de los mercados de valores observados en octubre de 1987 y agosto de 1998 [Campbell y Harrtschell, Journal of
Financial Economics (1992)].
25
1.8
Por ltimo, en todos estos modelos pueden introducirse medias no nulas, lo que
conduce a los modelos ARCH de regresin. Para ello, la primera ecuacin se
substituye por,
0
=
t + ut = xt + ut
= " t ht
yt
ut
En particular, resulta de gran inters contrastar si, cuando yt es la rentabilidad de un activo o mercado, una de las potenciales variables explicativas xt
es precisamente la varianza condicional o la desviacin tpica condicional estimadas, ht , con coeciente positivo, lo que sugerira que la rentabilidad del activo
aumenta con el nivel de riesgo que impone al inversor.
En tal caso, tenemos los modelos denominados en media: ARCH-M y
GARCH-M o sus variantes [Engle, Lilien, Roobins (1987)], en los que una variable explicativa es h2t , o ht . La presencia de esta variable introducir autocorrelacin en el proceso de rentabilidades, yt , a diferencia de los procesos sin
estructura en media que hemos analizado en las secciones precedentes.
En general, estos modelos son del tipo,
t
( )=
+ g h2t ( ) ;
o,
t
( ) = x0t + g h2t ( ) ;
=
=
t 1
N (0; h2t )
2
1 "t 1
+ "t
E (yt ) =
+
1
2
1)
2
(
(1
1)
2
0
(1
(1)
2)
1
=
=
N (0; h2t )
t 1
= Corr(yt ; yt
k
1)
= Corr(yt ; yt
2
k)
2 2
1
2 31
0 + (1
k 1
1;
1
0
1 ) (1
2)
1
k = 2; 3; ::::
1.9
Dada una relacin del tipo: yt = xt + "t ;el contraste de los Multiplicadores de
Lagrange (ML) propuesto por Engle (1982) considera la hiptesis nula:
"t j
N (0;
t 1
de los propios residuos al cuadrado, "2t 1 , "2t 2 ; :::; "2t q sigue, bajo la hiptesis
nula, una distribucin chi-cuadrado, con un nmero de grados de libertad igual
al nmero de retardos incluidos en dicha regresin auxiliar, q. La intuicin del
contraste es bastante evidente: si la varianza de la perturbacin es constante,
entonces no podr ser prevista a partir de los valores de los residuos pasados,
cuyas uctuaciones sern puramente aleatorias. Si, por el contrario, hay efectos
ARCH, residuos recientes de elevado valor absoluto tendern a sugerir un residuo
corriente de elevada magnitud. Existe capacidad predictiva en la magnitud de
los residuos pasados acerca de la magnitud de los residuos futuros. Dicho de
otro modo, el valor absoluto del residuo mostrar autocorrelacin temporal.
Sin embargo, la posible omisin de un regresor en el modelo de la media
condicional, as como no tener en cuenta alguna no-linealidad o cierta autocorrelacin, conducira a un rechazo de la hiptesis nula, sugiriendo la presencia de
estructura ARCH, incluso si sta no existe, disminuyendo con ello el tamao
del contraste. Otra forma de llevar a cabo este contraste consiste en excluir la
constante de la regresin auxiliar, restar una estimacin de la varianza incondicional de la variable dependiente 2 , y utilizar la mitad de la Suma Residual
(suma de cuadrados de residuos) como estadstico de contraste. Otra posibilidad es un contraste del tipo portmanteau, como el de Ljung y Box (1978), para
"2t .
Como los parmetros del modelo ARCH(q) deben ser positivos, el contraste
debera ser de una cola, aunque para un orden q superior a 1, no es sencilla
su puesta en prctica [Demos y Sentana (1991)]. Otra dicultad es que el
contraste ML no tiene siempre mucha potencia cuando la alternativa es el modelo
GARCH(1; 1), debido a la imposibilidad de identicar 1 y 1 por separado
cuando el modelo GARCH es prximo al modelo incluido en H0 :; De hecho,
el contrate ML para GARCH(1; 1) es idntico al correspondiente al modelo
ARCH(1), y algo similar ocurre para cualquier modelo GARCH(p; q). Por
otra parte, no es vlido utilizar un test de Wald en el modelo GARCH(1; 1),
que se basara en el ratio t del coeciente 1 pues, en presencia de estructura
ARCH, dicho estadstico no sigue una distribucin t de Student. El contraste
RV tiene la dicultad de que la distribucin del estadstico bajo la hiptesis
nula no es fcil de caracterizar, pero parece ser muy potente.
Por ltimo, un contraste til es el de insesgadez de las previsiones de volatilidad generadas por el modelo, para lo que se estima por mnimos cuadrados
una regresin de yt2 sobre las varainzas h2t , en la que se esperara encontrar una
pendiente igual a 1 y una ordenda en el origen no signicativa. Desviaciones de
esta hiptesis conjunta pueden indicar preblemas de especicacin en el modelo
de la varianza condicional [Pagan y Schwert (1990)].
1.10
Contrastes de especicacin
2
1 yt
k
X
T +2
T +i
i=1
2
i
2 (ln LR
ln LSR )
=
:
+ 1 St
1 = 0;
0
Modelo II:
zt2
H0
=
:
zt2
H0
=
:
+ 1 St
1 = 0;
1 "t 1
Modelo III:
+ 1 St+ 1 "t
1 = 0;
0
Modelo IV:
zt2
H0
=
:
+
1 =
0
+ 2 St+ 1 "t
= 3 = 0;
1 St 1
2
3 St 1 " t 1
contrastes las varianzas de los parmetros estimadas del modo propuesto por
Newey-West, que resultan robustas a la presencia de estos dos efectos.
Las correlaciones entre los residuos estandarizados y sus cuadrados pueden
sugerir asimismo posibles asimetras, y se utilizan a tal n.
1.11
Estimacin
yt
"t ( )
t( )
=
1=2
2
ht ( )
[ht ( )]
lt (yt ; ) = ln f (zt ( ) ; )
1
ln j t ( ) j
2
0
donde es una matriz no singular, de igual dimensin que ; tal que
=
: Es bien sabido que para toda matriz denida positiva
existe tal matriz
. Si la matriz es diagonal, aunque con elementos diferentes a lo largo de la
diagonal principal, entonces es la matriz diagonal que tiene por elementos la
raiz cuadrada de los elementos en la diagonal de : Como los elementos de esta
ltima, los h2t ( ) son todos positivos, no hay ninguna dicultad en este tipo de
clculo.
Por otra parte, utilizando un argumento estndar para la descomposicin
del error de prediccin, la funcin de verosimilitud para la muestra completa
puede escribirse como la suma de los logaritmos de la funcin de verosimilitud
condicional:
t
( )]
LT (y1 ; y2 ; :::; yT ) =
T
X
lt (yt ; )
(2)
t=1
ST (y1 ; y2 ; :::; yT ; ) =
T
X
st (yt ; ) = 0
(3)
t=1
donde st (yt ; ) = r lt (yt ; ) es el vector score correspondiente a la observacin t. Si denotamos por f 0 (zt ( ) ; ) la derivada parcial de la funcin f
respecto de su primer argumento, tendremos,
r lt (yt ; ) =
f 0 (zt ( ) ; )
r zt ( )
f (zt ( ) ; )
1 r h2t ( )
2 h2t ( )
1
r h2t ( )
"t ( )
3=2
2
[h2t ( )]
r "t ( )
p
h2t ( )
"
zt ( )
2
1
= p exp
2
1
(yt
2
( ))
En este caso, como la distribucin est totalmente determinada por sus dos
primeros momentos, slo la media y varianza condicionales aparecen en la funcin de verosimilitud (2) ; por lo que = ; y la funcin score adopta la forma:
#
"
2
1 r h2t ( ) "t ( )
"t ( )
st (yt ; ) = r t ( ) p
+ p
1
2
h2t ( ) 2 h2t ( ) ht ( )
6 1
h2t ( ) 6
6 "2
2
6 t
2 [h2t ( )]
4 :::
"2t
2
st (yt ; ) =
"t ( )
Pm
j=1
j "t j xt j
7
7
7+
7
5
xt "t =h2t
0m+1
32
r ln L =
T
X
st (yt ; )
t=1
1X
ln h2t
2 t=1
T
ln 2
2
ln L =
1 X "2t
2 t=1 h2t
en el que hay que substituir las expresiones de "t y h2t que se obtienen de la
especicacin del modelo para la esperanza y la varianza condicionales de yt : En
realidad, las funciones de densidad que entran en esta expresin de la funcin
de verosimilitud son funciones de densidad condicionales, debido a la presencia
de h2t = g ("t 1 ; "t 2 ; :::) en la densidad correspondiente a "t : As, el logaritmo
de la funcin de verosimilitud condicional en las primeras m observaciones es,
T
X
ln f (yt = xt ; xt
1 ; :::; yt 1 ; :::)
T
T
T
1 X
1 X
2
ln(2 )
ln(ht )
ln
2
2 t=m+1
2 t=m+1
t=m+1
"
yt
t 1
h2t
( )
2
2
1 "t 1 +:::+ m "t m
= !+
yt
t 2
( ) +:::+
yt
t m 1
( )
ln L =
T
X
ln f (yt = xt ; xt
1 ; :::; yt 1 )
t=m+1
T
ln 2
2
1X
ln
2 t=1
2
1 yt 1
1X
2 t=1
+ h2t
1 =!+
2
h0 = 1 !
yt
t 2
( )
+ h2t
yt2
0
2
1 yt 1
1.11.1
Imponiendo un nivel de volatilidad de largo plazo en la estimacin: reversin a un nivel medio de volatilidad
[EII.4.4]
Como se observa, las funciones de verosimilitud de los modelos ARCH son
no lineales en los parmetros del modelo, por lo que la estimacin de Mxima
Verosimilitud, que es el procedimiento de estimacin habitualmente utilizado,
requiere el uso de algoritmos numricos de optimizacin. Para llevar a cabo tales
procedimientos, es preciso dar valores iniciales a los parmetros del modelo. Los
parmetros de la ecuacin del primer momento condicional de yt se obtienen
mediante estimacin de dicha ecuacin, ignorando la presencia de estructura
del tipo ARCH.
Para dar valores iniciales a los parmetros de la ecuacin de la varianza
condicional, existen varias posibilidades: una posibilidad consistira en tomar
para la constante la varianza incondicional obtenida para el trmino de error
de la ecuacin de la media, que se ha estimado previamente para inicializar los
parmetros de dicha ecuacin. En este caso, habra que dar valores iniciales a
todos los restantes parmetros de la ecuacin de la varianza. Otra alternativa
consiste en dar valores razonables a los parmetros de la ecuacin de la varianza,
como = :10; = :80 en el caso de un modelo GARCH(1; 1), pero entonces
hay que dar a la constante ! un valor inicial: ! = (1
) 2" , siendo 2" la
varianza estimada para el trmino de error de la ecuacin de yt :
Si el modelo GARCH no tiene estructura ARCH en media, entonces la estimacin por separado de los parmetros en la ecuacin de la esperanza condicional y de los que entran en la ecuacin de la varianza condicional es eciente.
Ello se debe a que la matriz de informacin presenta una estructura diagonal
a bloques en ambos subvectores de parmetros. Esto no ocurre en el modelo
EGARCH.
Estimacin del modelo GARCH(1,1)
Bajo el supuesto de Normalidad para las rentabilidades logartmicas, Rt =
i:; i:d:N (0; 1); tendemos la funcin de verosimilitud,
t zt ; con zt
#
"
T
Y
Rt2
1
p
L=
exp
2 2t
2 2t
t=1
cuya maximizacin equivale a maximizar su logaritmo neperiano,
ln L =
T
ln(2 )
2
1X
ln
2 t=1
2
t
Rt2
2
t
que se puede maximizar bien mediante algoritmos numricos, o bien mediante procedimientos de bsqueda. En todo caso, lo primero que hemos de hacer
es substitutir en la expresin anterior la volatilidad 2t por un determinado
modelo dependiente de un vector de parmetros : En las prximas secciones
veremos cmo se lleva a cabo este proceso. Como en cualquier otro problema de
estimacin, hemos de tener en cuenta que estamos maximizando la verosimilitud
34
+1
2
1
(
2)
1
p h
h2t 1 +
1
zt ( )2
2
i(
+1)=2
ln f (yt = xt ; xt
1 ; :::; yt 1 ; :::)
= T ln
t=m+1
"
+1
2
1=2
"
T
yt
+1 X
t
ln 1 +
2 t=m+1
h2t (
2)
( )
2)
1=2
T
1 X
ln(h2t )
2 t=m+1
Se utiliza asimismo la distribucin t-Generalizada, que depende de 2 parmetros y es simtrica, con densidad absolutamente continua, con esperanza 0 y
varianza 1. Su funcin de densidad puede escribirse,
j "t jp
1+
{p
f ("t ) =
2{B
1 1
p ; 2s
1
( p1 + 2s
)
35
rt = a + brt
+ h2t + ut
con ut = "t ht ; siendo "t independiente, Normal(0,1). Suponiendo una estructura EGARCH(1; 1) para la varianza condicional, tendramos,
r !
"t 1
2
"t 1
2
2
ln ht = ! + ln ht 1 +
+
j
j
ht 1
ht 1
y, suponiendo una funcin de densidad generalizada, el logaritmo de la funcin de verosimilitud sera,
ln L = T ln
1+
ln 2
"
T
rt
1X
j
2 t=1
ln
brt
ht
h2t
donde, para evaluar la funcin ln L es preciso, una vez ms, generar datos
para la varianza condicional como en otros casos, utilizando iterativamente la
expresin que dene la varianza condicional del proceso EGARCH,
r !
"t
2
"t
2
2
ln ht+1 = ! + ln ht +
+
j
j
ht
ht
con:
"t =
rt
brt
ht
h2t
a partir de valores paramtricos (a; b; ; !; ; ; ) iniciales. Los valores iniciales de la varianza condicional (uno slo en este caso), se jan igual a su
esperanza matemtica, Eh2t = 1 ! .
En otros casos [Engle y Gonzlez-Rivera (1991)] se ha propuesto utilizar un
procedimiento de estimacin semiparamtrico.
Mixtura de GARCH Normales
Markov Switching GARCH
Para simular un modelo Markov Switching GARCH hay que tener en cuenta
que la probabilidad incondicional de estar en el rgimen 1 es:
21
=
12
1.11.2
21
En muchos casos en el mbito de los mercados nancieros, la hiptesis de Normalidad del trmino de error de la ecuacin de la media de una rentabilidad
no es aceptable.Uuna posibilidad consiste en estiomar el modelo por mxima
verosimilitud bajo un supuesto distinto acerca de la distribucin de dicho trminon de error, ya sea mediante una distribucin t de Student, una distribucin
36
1X
ln h2t
2 t=1
GED, una mixtura de Normales, etc.. Alternativamente, si se supone Normalidad en el clculo de la funcin de verosimilitud, el estimador que resulta es de
Cuasi-mxima verosimilitud, que es consistente, pero no eciente. Todo lo que
se precisa para este resultado es que las ecuaciones de la esperanza y varianza
condicionales se hayan especicado correctamente, lo cual puede resumirse en
las condiciones,
E "2t =xt ; yt
1 ; yt 2 ; :::
= 0; V ar "2t =xt ; yt
1 ; yt 2 ; :::
= 1:
T ^
! N (0; D
SD
donde,
T
1X
0
st ( ) st ( )
T !1 T t=1
S = p lim
T
1X
@st ( )
E
j xt ; yt
@ 0
T !1 T t=1
p lim
1 ; yt 2 ; :::
Ambas pueden estimarse consistentemente evaluando numricamente el vector score bajo los parmetros resultantes en la estimacin [ver Hamilton (1994)],
obtenindose desviaciones tpicas asintticamente robustas a errores de especicacin en la densidad del trmino de error, tomando races cuadradas del pro^ 1 S^T D
^ 1 . Si el modelo est correctamente especicado y la disducto, T1 D
T
T
tribucin del trmino de error es normal, entonces S = D; y resulta la matriz
de covarianzas asinttica habitual del estimador de Mxima Verosimilitud.
Primer caso: rentabilidades incorrelacionadas con media cero Supongamos que las rentabilidades obtenidas en la unidad temporal de observacin
carecen de autocorrelacin, lo que puede contrastarse a partir de un examen
de sus funciones de autocorrelacin simple y parcial, as como llevando a cabo
contrastes formales del tipo Ljung-Box o Box-Pierce.
Para estimar los parmetros del modelo en una hoja de clculo, se estima
inicialmente 2t0 por alguno de los dos procedimientos que mencionamos antes,
y comienza la recursin a partir de dicho instante temporal, despus de haber jado valores iniciales para los parmetros ; ; !. Una vez evaluada la funcin de
37
T
ln(2 )
2
1X
ln
2 t=1
2
t (!;
; )+
Rt2
2 (!; ; )
t
1X
ln
2 t=1
T
ln L( ) = ln(2 )
2
2
t(
)+
Rt2
2( )
t
1 Rt 1
+ "t
ln L =
T
1X
ln(2 )
ln
2
2 t=1
2
t
"2t
2
t
1X
= cons tan te
ln
2 t=1
2
t
(Rt
38
1 Rt
2
t
2
1)
1.12
V ar("t )
2
1
1
Contrastacin de hiptesis
! N (0; A0 1 )
T
X
E [r s (yt ;
0 )]
t=1
anza nula, y pueden omitirse. Por ltimo, bajo el supuesto de que la densidad
est correctamente especicada, se tiene la igualdad A0 = B0 ; siendo:
B0 = T
T
X
E s (yt ;
0 ) s (yt ;
0
0)
(4)
t=1
es decir, que la esperanza del producto del gradiente por s mismo proporciona asimismo un estimador de la matriz de covarianzas asinttica. Nuevamente, esta expresin se evaluara en el vector estimado de parmetros.
En la estimacin de modelos ARCH suelen utilizarse derivadas numricas,
pues las derivadas analticas son bastante complejas. El estimador propuesto
en (4) tiene la ventaja de que slo precisa derivadas de primer orden, pues
las derivadas numricas de segundo orden suelen ser bastante inestables. En
general, el vector de parmetros de un modelo ARCH puede particionarse:
0
= 01 ; 02 , donde el primer subvector es el que aparece en el modelo de la esperanza condicional, mientras que el segundo es quien aparece en la determinacin
de la varianza condicional. Es, adems, posible probar que, en algunos casos,
la matriz de informacin es diagonal a bloques con esta particin. Como consecuencia, pueden calcularse estimadores asintticamente ecientes para uno de
39
los subvectores, a partir de una estimacin consistente para el otro. As, puede
estimarse el modelo de la media por MCO (debe utilizarse un estimador consistente), para obtener un estimador asintticamente eciente de los parmetros
de la varianza condicional a partir de los residuos MCO de la ecuacin de la
media. Sin embargo, la prdida de eciencia en los coecientes del modelo de
la media puede ser importante.
Las desviaciones tpicas habituales no son apropiadas, debido a la presencia
de heterocedasticidad, por lo que deben corregirse del modo sugerido por White
(1980). En particular, la habitual desviacin tpica para los valores de la funcin
de autocorrelacin (1=T ) puede ser muy sesgada en presencia de estructuras
ARCH.
La diagonalidad a bloques de la matriz de informacin no se cumple, sin
embargo, en el modelo EGARCH ni en los modelos ARCH-M. En estos cassos,
para obtener una estimacin consistente es preciso que las funciones que representan la meia y varianza condicionales estn correctamente especicadas, y
estimadas simultneamente.
Si se quiere contrastar una hiptesis nula de inters, del tipo: H0 : r ( 0 ) =
0;siendo el rango l de la funcin r inferior a m + k; el estadstico de Wald adopta
la forma:
WT = T:r ^ T
r r ^T
CT 1 r r ^ T
r ^T
siendo CT una estimacin consistente de la matriz de covarianzas del vector de parmetros bajo la hiptesis alternativa. Bajo la hiptesis nula, y si
se satisfacen las condiciones de regularidad, el estadstico de Wald tiene una
distribucin chi-cuadrado con (m + k) l grados de libertad, el nmero de
parmetros bajo la hiptesis alternativa.
Tambin puede utilizarse un contraste de RV (Razn de verosimilitudes),
cuyo estadstico seguir una distribucin asimismo chi-cuadrado con (m + k) l
grados de libertad, el nmero de restricciones (nmero de parmetros bajo la
hiptesis alternativa).
La contrastacin de hiptesis acerca de parmetros de la ecuacin de varianza
condicional est sujeta a dos dicultades: a) en primer lugar, dichos parmetros
deben ser positivos, por lo que, como ya hemos dicho, los contrastes ecientes
deberan ser de una cola, b) en segundo lugar, existen a veces problemas de
identicacin, a los que ya hemos hecho referencia, por lo que la matriz de
informacin se hace singular. En el modelo GARCH(1; 1), bajo la hiptesis
nula: H0 : 1 = 0; los parmetros ! y 1 no estn identicados:
De igual modo, en el modelo ARCH M , el coeciente de la varianza (o
desviacin tpica) condicional est identicado slo si dicha varianza es cambiante en el tiempo, por lo que no es posible un contraste del tipo habitual para
la hiptesis conjunta de presencia de efectos ARCH, junto con la signicacin
del coeciente de la ecuacin de la media.
Otra cuestin de indudable relevancia se reere a las propiedaddes en muestras nitas de los estimadores de mxima verosimilitud de modelos ARCH. As,
40
1.13
=
=
2
t
Yt dt + Yt
ln 2t
t dW1;t
dt + dW2;t
(5)
dW1;t
dW2;t
1
1
dt
dyt =
dt +
t dW1;t
donde yt = ln(Yt ):
Si un modelo terico propone la representacin acontinua anterior, es posible formular un proceso ARCH cuyas realizaciones muestrales sean indistinguibles de las generadas por el proceso de difusin cuando el intervalo de tiempo
transcurrido entre observaciones sea muy reducido? Melino y Turnbull (1990)
utilizan una aproximacin de Euler para probar que la difusin (5) puede aproximarse por:
ln
yt+h
= yt +
2
t+h
ln
2
t
h + h1=2
2
2
t
ln
2
t
t Z1;t+h ;
(6)
siendo (Z1;t ; Z1;t ) una variable aleatoria Normal bivariante, con vector de
esperanzas (0,0), y matriz de covarianzas:
V ar
Z1;t
Z2;t
41
1
1
yt+h yt
ln 2t+h
V art
ln
2
t
2
t
t
2
2
t+h
= ln
2
t
ln
2
t
Z1;t
g (Z1;t )
1
1
(7)
Z1;t +
2
1
1 2=
j Z1;t j
r !
2
t hzt+h
y:
42
= yt + "t+h
2
t+h
= !h + 1
2
t
h1=2
+ h1=2 "2t+h
h
h
yt+h
Et
yt
2
t+h
yt+h
V art
yt
2
t+h
0
!
2
t
2
t
2
t
2
t
0
2
2 4
t
t dW1;t
2
t
2
t
dt +
2
t dW2;t
1.14
Modelos multivariantes
= Dt+1
t+1 Dt+1
donde Dt+1 es una matriz con desviaciones tpicas condicionales en la diagonal y ceros fuera de la diagonal, y t+1 es una matriz con unos en la diagonal,
y con las correlaciones condicionales fuera de dicha diagonal principal.
Modelo EWMA
Un slo parametro representa la evolucin de todas las varianzas y covarianzas:
Ht
2
1t
12;t
2
2t
=
=
(1
)Ht
(1
"t
2
1t 1
12;t 1
0
1 "t 1
2
2t 1
)
+
"21;t 1
"1;t 1 "2;t
es decir:
2
1;t
12;t
2
1;t
=
=
=
"21;t
"1;t
"22;t
+ (1
)
1 "2;t 1 + (1
)
1 + (1
1
43
2
1;t 1
)
2
2;t 1
12;t 1
"22;t
ln L( ; ) =
j)
T
1 P
(rt
2 t=1
T
1 P
ln 1
2 t=1
2
t
T
1 P
(r1t
2 t=1
)0
1
t
(rt
2
t
j= 1
2
1 ) +(r2t
2
2)
en el caso bivari-
2 t (r1t
1 )(r2t
2)
=C+
m
P
Ai
i=1
("t i "0t i ) +
s
P
Bj
t j
j=1
11;t
12;t
=
22;t
C11
C12
C22
B11
B12
B22
A11
A12
"21;t 1
"1;t 1 "2;t
A22
"22;t
11;t 1
12;t 1
22;t 1
es decir,
2
1t
12;t
2
2t
+ B11 21;t 1
1 "2;t 1 + B12
2
1 + B22 2;t 1
1
12;t 1
+
1
12;t
22;t
13;t
23;t
1
C11
A = @ C21 C22
A+
C31 C32 C33
0
1 0
"21;t 1
A11
@ A21 A22
A @ "2;t 1 "1;t
A31 A32 A33
"3;t 1 "1;t
0
1 0
B11
11;t 1
A @ 12;t 1
+ @ B21 B22
B31 B32 B33
13;t 1
11;t
33;t
es decir,
=
=
=
=
=
=
11;t
12;t
22;t
13;t
23;t
33;t
+ B11 11;t 1
1 "2;t 1 + B12 12;t
1 + B22 22;t 1
1 "3;t 1 + B13 13;t
1 "2;t 1 + B23 23;t
1 + B33 33;t 1
1
1
"22;t 1
"3;t 1 "2;t
22;t 1
23;t 1
"23;t
1
33;t 1
1
A
1
1
1;
0
3 )vech("t "t )
2;
+ diag(
1;
2;
3 )vech(Ht 1 )
2
1;t
12;t
2
2;t
!1
A=@ 0
0
es decir:
0
!2
0
1 0
0
1
0 A+@ 0
!3
0
0
2
10
"21;t 1
0
0 A @ "1;t 1 "2;t
"22;t 1
3
2
1;t
!1 +
2
1 "1;t 1
12;t
2
1;t
!2 +
!3 +
45
2
1 1;t 1
1 0
A+@ 0
0
0
2
10
0
0 A@
3
2
1;t 1
12;t 1
2
2;t 1
1
A
; 8t; por lo que el modelo de volatilidad consta slo de ecuaciones para las
varianzas. En el caso de dos activos:
11;t
22;t
10
20
11
12
21
22
a21;t
a22;t
11
12
11;t 1
21
22
22;t 1
q
Hii (t)Hjj (t)
46
PT
2
2
con i = T 1 t=1 rit , y se generan: 2it =
) (rit 1
i ) : Las
it 1 + (1
2
volatilidades anuales
p vienen dadas por 250 it ; y la covarianza podria estimarse
mediante: 250
250 21t 250 22t , si bien este no es el clculo ms interesante
en este modelo, con el que pretendemos estimar correlaciones cambiantes en el
tiempo:
El modelo de correlacin condicional dinmica utiliza las rentabilidades estandarizadas: z1t = (r1t
1 )= 1t ; z2t = (r2t
2 )= 2t para generar variables
auxiliares qij;t :
qij;t+1 = (1
2
) z1t
+ q11;t
) z1t z2t + q12;t
2
) z1t
+ q22;t
= (1
= (1
= (1
=p
qij;t+1
:
p
qii;t+1 qjj;t+1
47
ij
=
=
=
2
+ z1;t
+ q11;t
12 + z1;t z2;t + q12;t
2
22 + z2;t + q22;t
11
b)Q0 + a"t
0
1 "t 1
+ bQt
Qij (t)
=p
Qii (t)Qjj (t)
Qij (t)
Qii (t)Qjj (t)
Modelo VECH: El modelo VECH completo permite una interaccin entre las
volatilidades de todas las variables, a costa de un elevado nmero de parmetros. Nmero de parmetros:6 k(k + 1)[k(k + 1) + 1]=2:[Para k = 2; resultan 21
parmetros; para k = 3; resultan 78 parmetros]. El modelo no es muy aconsejable para ms de dos variables, debido a los problemas numricos que pueden
surgir en la estimacin. El modelo se expresa:
vech (Ht ) = C + A vech ("t "t
) + B vech (Ht
1)
que considera ecuaciones con una estructura similar a las del modelo BEKK:
0
2
1;t
12;t
2
2;t
10
A=@
2
1;t
10
12;t
20
2
2;t
30
20
20
1 0
A+@
2
11 "1;t 1
2
21 "1;t 1
2
31 "1;t 1
11
12
13
21
22
23
31
32
33
10
"21;t 1
A @ "1;t 1 "2;t
"22;t 1
12 "1;t 1 "2;t 1
22 "1;t 1 "2;t 1
32 "1;t 1 "2;t 1
2
13 "2;t 1
2
23 "2;t 1
2
33 "2;t 1
+
+
+
1 0
A+@
2
11 1;t 1
2
21 1;t 1
2
31 1;t 1
11
12
13
21
22
23
31
32
33
12 12;t 1
22 12;t 1
32 12;t 1
Modelo BEKK : Este modelo es un caso particular del modelo VECH. Nmero
de parmetros:7 k(5k + 1)=2: [Para k = 2; resultan 11 parmetros; para k = 3;
resultan 24 parmetros].
Garantiza que la matriz de varianzas y covarianzas sea positiva denida en
cada perodo, mediante una estructura de evolucin temporal:
t
= CC 0 +
m
P
i=1
s
P
j=1
Bj
0
t j Bj
49
10
A@
2
1;t 1
12;t 1
2
2;t 1
2
13 2;t 1
2
23 2;t 1
2
33 2;t 1
1
A
dicultando la identicacin de los parmetros. De hecho, la expresin muestra claramente que pueden cambiarse los signos de todos los parmetros de las
matrices C; Ai ; Bj ; sin generar ningun efecto sobre la funcin de verosimilitud.
En el caso bivariante, el modelo es:
2
1t
12;t
2
2t
2
1t
12;t
2
2t
C11
C12
0
C22
C11
0
A11
A12
A21
A22
"21;t 1
"1;t 1 "2;t
B11
B12
B21
B22
2
1t
2
11 "1;t 1
2
21 "1;t 1
2
31 "1;t 1
C12
C22
12;t 1
12 "1;t 1 "2;t 1
22 "1;t 1 "2;t 1
32 "1;t 1 "2;t 1
+
"1;t 1 "2;t
"22;t 1
B11
B21
2
2t
2
13 "2;t 1
2
23 "2;t 1
2
33 "2;t 1
+
+
+
2
11 1t
2
21 1t
2
31 1t
A11
A21
A12
A22
B11
B22
+
12 12;t 1
22 12;t 1
32 12;t 1
2
13 2t
2
23 2t
2
33 2t
2
2t
C11
C12
0
C22
C11
0
C12
C22
A11
0
0
A22
"21;t 1
"1;t 1 "2;t
B11
0
0
B22
2
1t 1
12;t 1
+
"1;t 1 "2;t
"22;t 1
B11
0
2
2t 1
A11
0
0
B22
es decir:
2
1t
12;t
2
2t
2
2 2
= C11
+ A211 "21;t 1 + B11
1t 1
= C11 C12 + A11 A22 "1;t 1 "2;t 1 + B11 B22
2
2
2 2
= C12
+ C22
+ A222 "22;t 1 + B22
2t 1
+ B11 21;t 1
1 "2;t 1 + B12
2
1 + B22 2;t 1
1
12;t 1
12;t 1
0
A22
puede verse en los signos de los coecientes de las dos ecuaciones de las
varianzas, as como en el menor nmero de parmetros (7 frente a 9):
1.14.1
Vt
tB
Si los factores fuesen componentes principales, la tarea se simplica enormemente, debido a la ausencia de correlacin entre ellos.
En [EII.4.7] se realiza un ejercicio con rentabilidades de acciones y con un
nico factor (el indice de mercado). Este modelo es excesivamente sencillo, con:
2
it
ijt
2
t
=
=
2 2
i t
2
i j t
= ! + ("t
)2 +
2
t 1
Aunque las covarianzas varian en el tiempo, todas evolucionan con correlacin igual a 1, y no tiene sentido calcular las correlaciones entre los activos
que implica el modelo. Podriamos incorporar betas estimadas mediante EWMA,
con lo que la correlacin sistemtica cambiara en el tiempo.
1.14.2
51
P = XW ) X
P W
donde X es la matriz de datos originales y P es la matriz de datos de los componentes principales, mientras que P tiene por columnas las correspondientes
a los componentes principales que hayamos escogido. La expresin de la derecha
es la representacin de los datos en funcin de los componentes principales, que
ya conocemos.
El modelo OGARCH es especialmente apropiado para representar una estructura temporal de tipos, por la elevada correlacin que muestran entre ellos.
Tomando varianzas:
Vt
tW
donde t es ahora una matriz diagonal. El modelo OGARCH requiere estimar un GARCH univariante para cada variable. Como la matriz t es siempre
denida positiva, la matriz Vt denida por le modelo OGARCH tambin lo ser:
x0 Vt x = x0 W
tW
x = y0
ty
donde y = W x:
Computacionalmente, este modelo es muy eciente. Al tender el horizonte
de prediccin a innito, las predicciones de la matriz de coviarianzas que resulta
del modelo OGARCH revertirn a los niveles de volatilidad medios, es decir, a
una matriz de covarianzas de largo plazo.
[Case Study 4.6.2]
1.15
1.16
Las estructuras ARCH tienen el atractivo de recoger, de modo bastante adecuado, la agrupacin de episodios de alta volatilidad que se observa en series
temporales nancieras de alta frecuencia.
52
implcita incorpore la informacin contenida en la volatilidad recientemente observada en el mercado, rechazando asimismo dicha hiptesis.
1.16.2
= b0 + b 1
2
H;t+1
2
F;t+1
t+1
N
X
(Ck
k=1
55
Ck (
( )))]
( ) + ( X) ( X)
( X) ( Y )
siendo
la matriz diagonal N xN que tiene por elementos el porcentaje
de volumen de negociacin en las opciones call con vencimiento en cada uno
de los precios de ejercicio negociados, X es un vector N x1 que contiene las
derivadas parciales de los precios de las opciones call respecto de la volatilidad
del subyacente, 0 ( ) : Por ltimo, Y es un vector N x1 cuyos elementos son
las diferencias entre precios tericos, calculados con la estimacin 0 ( ) dela
volatilidad, y los precios de mercado.
La volatilidad histtica con cuyas realizaciones se comparan las predicciones
de volatilidad se calcula de dos maneras diferentes: a) mediante el cuadrado de
la rentabilidad semanal, y b) mediante la varianza de las rentabilidades diarias,
multiplicada por el nmero de dias de negociacin en dicha semana.
Los resultados apuntan a que la volatilidad implcita contiene informacin
no contenida en la volatilidad condicional que se deriva de los modelos GARCH
y EGARCH. Se obtiene asimismo el resultado dual: la volatilidad condicional
que surge de los modelos GARCH y EGARCH contiene informacin adicional
a la incorporada en la volatilidad implcita. Por tanto, ambas deben combinarse
al predecir la volatilidad futura del ndice. La volatilidad condicional obtenida
a partir del modelo EGARCH no contiene informacin signicativa que no est
ya incorporada en la volatilidad condicional del modelo GARCH.
Se utiliza un procedimientoo de ventanas mviles, al igual que en el trabajo
anterior, para obtener predicciones de volatilidad a partir de modelos GARCH
y EGARCH. Las estimaciones de estos modelos parecen ser insesgadas, al contrario de lo que ocurre con las volatilidades implcitas. Sin embargo, la volatilidad semanal parece difcil de predecir, y los ajustes entre prediccin de volatilidad y volatilidad observada futura no presentan valores muy altos del estadstico
R2 . Los modelos GARCH parecen ofrecer mejores resultados que los modelos
EGARCH.
1.16.4
56
En sucesivas repeticiones del ejercico de simulacin, se aplican ltros, comprando o vendiendo nicamente si la diferencia entre precio terico y precio de
mercado es superior a $0,05 o $0,25 sin que esto afecte al resultado fundamental,
que es que las predicciones de volatilidad del modelo GARCH generan benecios
signicativos, superiores a los costes de transaccin.
1.16.6
1.17
1.17.1
Referencias
Libros:
Artculos:
Bollerslev, T., R.F. Engle y J.M. Wooldridge, A capital asset pricing model with
time-varying covariances, Journal of Political Economy, 96, 1, 116-132, 1988.
Engle, R.F. y M. Rothschild, ARCH models in Finance, Journal of Econometrics, 52, 5-59, 1992.
Bollerslev, T., R.F. Engle y D.B. Nelson, ARCH models, The Handbook of
Econometrics, vol.4, captulo 11, 1994.
Ruiz, E., Modelos para series temporales heterocedsticas,Cuadernos econmicos de ICE, 1994.
Engle, R.F., T. Ito, y W.L. Lin, Meteor showers or heat waves? Heteroskedastic intra daily volatility in the foreign exchange market, Econometrica,
58, 525-542, 1990.
Engle,R. y T.Bollerslev, 1986, Modelling the persistence of conditional variances, Econometric Reviews, 5, 1-50.
58
Myers, Estimating time-varying optimal hedge ratioson futures markets, Journal of Futures Markets, 1991.
Engle y Chowdhury, Implied ARCH models from option prices, Journal
of Econometrics, 1992.
Noh, Engle y Kane, Forecasting volatility and option prices of the S&P 500
index, Journal of Derivatives, 1994.
Lien y Luo, Multiperiod hedging in the presence of conditional heteroskedasticity, Journal of Futures Markets, 1994
59