UNIVERSIDAD NACIONAL DE INGENIERIA

Escuela Profesional de Ingeniera Econmica

4 PRACTICA CALIFICADA
APLICACIN DE MODELOS GARCH PARA EL CLCULO
DE LA VOLATILIDAD DEL INDICE GENERAL
DE LA BOLSA DE VALORES DE LIMA
Profesor: Rafael Capar

Contreras Vera Carlos

De la Cruz Valencia Javier

30 de julio de 2015

Resumen
La volatilidad es una medida de la velocidad del mercado, qu tan rpido se ajustan los precios
de los activos financieros ante determinados hechos. Los mercados que se mueven despacio
son mercados de baja volatilidad, los mercados que se mueven deprisa son mercados de alta
volatilidad.
Actualmente la volatilidad se ha tornado cada vez ms importante para la toma de decisiones, como la opcin de diversificacin, cobertura, etc. An no existen teoras precisas sobre los
movimientos de los de los precios de las acciones, ndices de mercado y/u otras series financieras.
Existen si, modelos interpretativos que ayudan a comprender ciertos episodios, pero el problema
es la precisin que se requiere y que no lo proporciona la teora econmica. Estas carencias nos
llevan a tener que resolver el problema en el terreno de los mtodos estadsticos. Bajo el contexto anterior descrito, este documento trata de plantear una metodologa idnea para tratar de
describir y predecir la volatilidad del ndice General de la Bolsa de Valores de Lima (IGBVL)
del periodo enero del 2002 a diciembre del 2014; bajo un enfoque de modelos GARCH; ya que
la serie de rendimientos presenta volatilidad en momentos de picos ms bajos o altos de la serie
original.

Abstract

Volatility is a measure of the speed of the market, how fast the prices of financial assets adjust
to certain facts. The slow-moving markets are low volatility markets, the markets are moving
fast highly volatile markets.
Currently volatility has become increasingly important for decision-making, as the option of
diversification, hedging, etc. There are still no precise theories on the movements of stock prices,
market indices and / or other financial series.
Exist if, interpretive models that help understand certain episodes, but the problem is the accuracy required and not provided by economic theory. These shortcomings lead us to have to
solve the problem in the field of statistical methods. Under the above described context, this
paper attempts to propose a suitable methodology to try to describe and predict the volatility
of the General Index of the Lima Stock Exchange (General Index) for the period January 2002
to December 2014; with a focus on GARCH models; as the series returns in times of volatility
presents more low or high peaks of the original series.

1 Introduccin
La capacacidad para medir los riesgos financieros se constituido en un importante aporte para
tomar mejores decisiones en beneficio de la administracin de riesgos dentro del mundo empresarial o la economa de un pas.
La volatilidad representa la variacin de los precios de los activos que en muchas ocasiones es
estimada a travs de la desviacin estndar de los precios o de los rendimientos. La modelacin
de la volatilidad de las series
financieras es un campo de creciente investigaciin en Finanzas y Economa como se aprecia
diversos trabajos.
Robert Engle propuso un modelo que expresa una varianza condicional como funcion lineal del
cuadrado de los valores pasados del modelo; este modelo es conocido como el modelo Autorregresivo Condicional Heterocedastico (ARCH)
En la prctica se requieren procesos ARCH de orden elevado para lograr capturar la dinamica de
la volatilidad condicionada en las series financieras. Ante este caso, Bollerslev (1986) present un
modelo mas general que el modelo ARCH, denominado GARCH, el cual describe el agrupamiento
de la volatilidad y supone que el grado de incertidumbre en el rendimiento de un activo vara en
el tiempo, y por lo tanto la compensacin que requieren los inversionistas con aversion al riesgo
para invertir, tambin debe variar. A diferencia del modelo ARCH, el modelo GARCH no solo
involucra a las perturbaciones sino tambin a las varianzas rezagadas.
El presente trabajo se enfoca en la aplicacin de modelos GARCH que permitan describir de
manera mas acertada la volatilidad presente en el indice general de la bolsa de valores de Lima.

2 Problema
Se plantea el problema sobre la necesidad de verificacin en el caso del indice analizado, si es
que los modelos que vienen siendo aplicados son lo suficientemente eficaces para obtener buenos
resultados o acaso como ocurre en otras economas este tipo de modelos han sido desplazados
por otros que proporcionan resultados mucho mejores, lo cual est ligado a la mejor toma de
decisiones.
Por otro lado desde el punto de vista estadstico, uno de los hallazgos ms importantes es que
en presencia de heterocedasticidad (varianza no constante), si bien el estimador clsico de mnimos cuadrados ordinarios sigue siendo el mejor dentro de la familia de los estimadores lineales
(tpicamente utilizados para estimar los parmetros de los modelos ARIMA), el estimador de
mxima verosimilitud, el cual no es lineal, tiene mayor precisin y por tanto es ms confiable
(Cermeo, Rodolfo). El problema se complica cuando se sabe que el estimador clsico lineal, no
permite identificar el proceso que gobierna la volatilidad de la varianza.

3 Justificacin
Esta investigacin metodolgica busca generar instrumentos y procedimientos que permitirn
validar, mejorar y actualizar los procesos estadsticos. Se caracteriza por la validez de sus pro-

4
cesos, por la vigencia y actualidad de sus metodologas aplicadas.
En particular, esta investigacin sirve para contribuir con el mejoramiento metodolgico de las
tcnicas utilizadas para realizar predicciones del IGBVL caracterizadas por la alta volatilidad
e incertidumbre en su comportamiento, introduciendo para ello la moderna metodologa de los
modelos GARCH, que precisamente fueron creados para solucionar este tipo de problemas que
impiden una buena toma de decisiones en el mbito poltico y econmico; en tal sentido el
estudio est orientado a probar la eficacia de estos modelos en el caso peruano, donde an se
sigue empleando modelos como los ARIMA o ARCH que si bien tienen grandes ventajas en
la modelizacin de las variables econmicas, no consideran los efectos que podra ocasionar no
considerar estas caractersticas.
En general este trabajo de investigacin se justifica bsicamente en la aplicacin de nuevas
metodologas que ayude a los distintos actores que deseen invertir y/o supervisar el mercado de
valores de Lima; y mostrarle un nuevo escenario en el cual pueden saber a priori cual es el riesgo
que corren o las oportunidades que se les puede generar.

4 Objetivos
Objetivos Generales
Contribuir con el mejoramiento metodolgico de las tcnicas utilizadas para realizar predicciones
del IGBVL.

Objetivos Especficos
Presentar la metodologa GARCH, para analizar y predecir el comportamiento del IGBVL.
Comprobar si los resultados obtenidos mediante la aplicacin de los modelos GARCH, proporciona mejores resultados que los tradicionalmente utilizados al analizar las series del IGBVL.
Demostrar que efectos externos (como por ejemplo malas noticias, ruido poltico) causan volatilidad en el IGVBL.

5 Hiptesis
Hiptesis Generales
Los modelos GARCH, proporcionan mejores resultados que los ARCH y AR.

Hiptesis Especficos
Cuando las variables en estudio presentan ciertas caractersticas como comportamientos bruscos
y cambiantes en periodos cortos de tiempo, varianza no constante, asimetra en su distribucin,
no linealidad, entre otros hechos estilizados, es preferible aplicar los Modelos GARCH.
Los modelos estimados por GARCH capturan mejor la heterocedasticidad de los errores.

5
Los efectos externos (como por ejemplo malas noticias, ruido poltico) causan volatilidad en el
IGVBL.

6 Limitaciones
En el presente trabajo, las limitaciones son muy pocas ya que la informacin est disponible en
la Bolsa de Valores de Lima (BVL), Superintendencia del Mercados de Valores (SMV), Yahoo
Finance, Bloomberg, etc. Pero cabe indicar aunque se puede obtener los niveles de del IGBVL,
en el mes de abril del 2015 se opt por hacer un cambio al clculo de este ndice slo con el fin
de hacerlo ms competitivo y/o ms confiable para el inversionista nacional y extranjero; todo
lo anterior fue realizado bajo el marco de incentivar el mercado de valores de Lima, ya que en
este no se comercializa el volumen que se deseara, para esto el ndice General de la Bolsa de
Lima (IGBVL) pas a llamarse SP IGBVL; con esto hace que las series se vean truncadas hasta
cierto periodo solamente.

7 Marco Terico
En la metodologa de Box y Jenkins que constituye la teora clasica de series temporales, se
considera un desarrollo estadstico a partir de un proceso estacionario, es decir, un proceso que
cumpla con las siguientes condiciones:
- Media constante
- Varianza constante
- Correlacin entre dos observaciones distintas igual a la de otras dos cualquiera separadas por
la misma distancia (mismo nmero de periodos)
Existen muchos estudios sobre este tipo de series que cumplen con los supuestos anteriormente
mencionados, sin embargo, el estudio del supuesto de varianza constante es menos extenso y si
no se tiee en cuenta la no-constancia de la varianza, se puede dar lugar a diversos problemas
en la estimacin de modelos economtricos (problemas ligados a la eficiencia de los parmetros
estimados por ejemplo).
Robert Engle en 1982, al pretender obtener una prediccin adecuada para la inflacin en el
Reino Unido y basndose en las evidencias mostradas por esta variable financiera que presentaba ciertas caractersticas propias de su naturaleza, como una fuerte volatilidad seguida de
periodos de calma y otros movimientos bruscos, caractersticas que solo se podan identificar en
este tipo de variables, propuso un modelo economtrico denominado: Modelo Autoregresivo con
Heterocedasticidad Condicional (ARCH), modelo no lineal que logra captar estas caractersticas, obtenindose mejores predicciones que las que se obtuvieron mediante la aplicacin de otros
modelos que no consideraban la presencia de estos elementos, contrarrestando los problemas que
tienen que ver con la eficiencia de los parmetros estimados.
Las distintas variantes de modelos que tienen raz en los ARCH, tienen como objetivo desde un
primer enfoque, explicar el comportamiento de las varianzas de los residuos de un modelo ARIMA

6
para los mismos, y desde un segundo enfoque, explicar el comportamiento de las varianzas de
los rendimientos financieros a partir de una funcin del pasado de esos rendimientos. Bajo el
supuesto de que vienen generados por un proceso ruido blanco de variables incorrelacionadas
pero no independientes.
Es decir, la modelizacin de la varianza condicional en la prctica es muy dependiente del
modelo que se proponga para las variables. Engle consider la necesidad de plantear un modelo
que recogiera el problema de los modelos convencionales los cuales no consideraban la varianza
cambiante en el tiempo, proponiendo el siguiente modelo:
Yt = t ht
Donde
2
h2t = o + 1 Yt1

Adems, es un proceso Ruido Blanco (No correlacionado con su pasado y por tanto no est
correlacionado con el pasado de Yt )
Tanto para la media, como para la varianza condicional, en un determinado periodo t, el valor
de t-1 es una realizacin ya conocida.
A partir de este modelo original, como mencionamos anteriormente, diversos investigadores
econometras, dieron solucin a problemas econmicos referentes por ejemplo a la modelizacin
de la incertidumbre inflacionaria, prediccin en variables financieras entre otros. En el primer
enfoque, se parte del hecho de que si bien el supuesto de estacionariedad implica que no debe
existir autocorrelacin entre las observaciones del ruido blanco en el tiempo, esto no significa
necesariamente que no haya dependencia entre stas pero de manera no lineal, es decir, nada
nos indica que podra existir una relacin de dependencia cuadrtica, exponencial o de cualquier
otro tipo entre t y t1 . Se plantea bajo el modelo ARCH propuesto por Engle, la existencia
de un proceso definido a partir de un ruido blanco en el que la media y la varianza condicional
no son constantes, (respondiendo al hecho de que la dependencia entre la evolucin en periodos
precedentes y el valor de variacin del periodo actual nos lleva necesariamente a introducirnos
en el campo de las probabilidades condicionales)
Sean los momentos condicionales del ruido blanco:
E(t /t1 ) = 0
V ar(t /t1 ) = h2t
Donde t1 representa toda la informacion disponible hasta el momento t. Si suponemos, por
ejemplo que:
h2t = o + 1 2t1 con o > 0, 1 1
se tiene un modelo ARCH. (En este caso se tendra un modelo ARCH (1), puesto que la varianza
condicional depende de un retardo de t .)
Como es lgico, este ruido blanco podra tomarse como el comportamiento de los errores provenientes de un modelo de regresin dinmico dado por:
Yt = Xt +

7
Donde Xt es un vector de variables predeterminadas que incluye los trminos de Yt en periodos
anteriores y el vector de parmetros que tendra que estimarse
Este modelo de regresin se denomina modelo de regresin ARCH, en el sentido de que ahora
es el trmino de error de un modelo de regresin el que adopta una estructura ARCH.
Es demostrable adems que como veremos ms adelante, debido a la no-linealidad del proceso,
que los errores al cuadrado tienen un comportamiento AR por tanto, en la fase de identificacin
de los modelos ARCH se podr identificar el orden mediante la utilizacin de la funcin de
autocorrelacin simple (f.a.s.) y la funcin de autocorrelacin parcial (f.a.p.) de los residuos al
cuadrado.

Estimacin de los modelos ARCH

Existe una amplia literatura relacionada con la modelizacin de variables cuya varianza no es
constante en el tiempo, lo que hace que la familia de los ARCH sigue creciendo. Sin embargo en
cuanto a su estimacin, todas las metodologas giran en torno a la aplicacin de dos: la primera
es la de Mxima Verosimilitud y el segundo es el mtodo de momentos generalizados, ambos
superan las desventajas que presenta el mtodo de mnimos cuadrados, en cuanto a su ineficacia
para identificar el proceso que gobierna la evolucin de la varianza, adems ambos se aplican
partiendo del modelo de regresin ARCH.

El modelo GARCH
El modelo ARCH que Engle present, mostraba ciertas dificultades de estimacin cuando se
aplicaba a estructuras dinmicas en los cuadrados de la variable (o en los errores), es decir una
desventaja en estos modelos era el problema de parsimonia ya que se necesita valores grandes
de q (orden de un proceso ARCH general) para capturar el comportamiento de la funcin de
autocorrelacin.
El mismo Engle propuso en 1983 ciertas restricciones a los parmetros del ARCH (1) que simplificaba su estimacin; pero estos cambios no fueron suficientes, por lo que Tim Bollerslev en
1986, propuso el modelo GARCH que es la generalizacin del ARCH (GARCH: Generalized
Auto Regressive Conditional Heterocedasticity).
Se determin que la especificacin ARCH presentaba caractersticas de un proceso de promedios
mviles (MA) y que no slo presentaba un proceso autoregresivo. En su artculo Bollerslev
present la parte terica del modelo GARCH considerando que este modelo posea una ventaja
considerable sobre los ARCH, ya que GARCH consideraba una mejor estructura de rezagos y
por tanto la obtencin de estimadores ms robustos, eliminando en cierta forma el problema de
la falta de parsimonia.
En el modelo ARCH, se supuso que la varianza condicional de los errores sigan un proceso
ARCH. Anlogamente cuando se plante el modelo GARCH se supuso que ste permita que la
varianza condicional siga un proceso ARMA.
El modelo dentro del primer enfoque (es decir aplicado a partir de la aplicacin de un modelo

8
de regresin ARCH) es:
t = t (ht )
donde: t es un proceso ruido blanco. La varianza de t es uno.
h2t = o +

q
X

1 2t1 +

p
X

ht i

Como en el caso anterior, para la identificacin del orden del proceso se har uso de la funcin
de autocorrelacin simple y parcial, teniendo en cuenta que los errores al cuadrado siguen un
comportamiento tipo ARMA.
En resumen, este primer enfoque sugiere que apliquemos un primer modelo en la serie original que
bien podra ser linealcomo los ARIMA y si se comprueba la existencia de Heterocedasticidad
en los residuos habra que aplicarles un modelo ARCH/GARCH de un orden determinado,
resultando un modelo final denominado ARIMA-ARCH, con lo que se lograra modelar la media
y la varianza condicional.
El segundo enfoque est basado en la teora monetaria y la teora financiera. Por simples suposiciones, los portafolios de activos financieros son tomados como funciones de las medias y
varianzas esperadas de los retornos.
Activos, tipo de cambio, tasa de inters entre otras variables son negociadas en los mercados de
los valores, y la secuencia de los valores negociados de cada una de esas variables conforman una
serie financiera.
Estas variables financieras presentan caractersticas peculiares conocidas como Hechos Estilizados, por tanto para entender su comportamiento, necesitamos contar con un modelo que precisamente sea capaz de reproducir estas caractersticas adems que tenga en cuenta la necesidad
de los inversionistas de predecir el comportamiento en el futuro.
Para la implementacin de estos modelos usualmente es fundamental conocer el valor de una
variable que no es observable: volatilidad, que podra ser definida de alguna manera como el
grado de variabilidad que presentan los cambios de precios, estos cambios en la teora financiera
son denominados retornos y que en los mercados es interpretada como una medida de riesgo
asociada a los productos. Por tanto, al tratar estas series se estudiarn sus retornos.
Se define retornos (Rt) como la diferencia de logaritmos naturales de una variable en un periodo
determinado t, con respecto al anterior
Rt = Ln(Pt /Pt1 )
Se sabe que las series financieras tienen considerable dispersin con relacin a la media, observndose adems que la magnitud de tal dispersin tiene un comportamiento variante, lo que hace
que la volatilidad se convierta en una de las caractersticas peculiares de este tipo de variables.

Los Hechos Estilizados

En referencia a las series de retornos financieros tales como tipo de cambio, activos, etc., se
encuentran los siguientes hecjos estilizados:

9
No - normalidad: Mandelbrot (1963) prob que la distribucin de los retornos (residuos) no era
Normal.
Autocorrelacin: Los retornos (residuos) nos son autocorrelacionados, pero los cuadrados de
los residuos si lo estn con una pequea autocorrelacin de primer orden y una subsiguiente
queda bastante lenta, en caso de los autoregresivos y un comportamiento mixto en caso de los
autoregresivos - media mvil.
No - independencia: Suponer normalidad y no - correlacin significa independencia, pero debido
a la no - normalidad de las series financieras la suposicin de independencia no es vlida.
No - linealidad: La autocorrelacin en los cuadrados de los retornos (residuos) constituye una
evidencia de carcter no lineal del proceso generador de los retornos.
Conglomerados de volatilidad: Esto significa que grandes cambios en las variables tienden a
ser seguidos por grandes cambios, de cualquier signo, mientras que pequeos cambios en las
variables tienden a ser seguidos por pequeos cambios de cualquier signo, con lo cual se probara
una vez mas ms que el comportamiento de las variables est lejos de ser una normal. Asimetra:
Los retornos presentan un comportamiento asimtrico ya que no se cumple con el supuesto de
normalidad.
Colas anchas: Si surgen valores extremos, ya sea positivos o negativos (o sea valores extremos
en los cuadrados), debido a la autocorrelacin de los cuadrados, habra tendencia a que los
prximos cuadrados tambin sean extremos, originndose un exceso de estos extremos, esto es,
colas anchas.
Entre los modelos que se ocupan de cuantificar la volatilidad son conocidos como Modelos
de Volatilidad donde destaca precisamente el Modelo Autoregresivo de Varianza Condicional
(ARCH)
El modelo original ARCH deber recoger las caractersticas de los retornos. Segn el modelo de
Regresin ARCH, la estimacin del modelo dada la presencia de Heterocedasticidad condicional,
mediante el estimador clsico de Mnimos Cuadrados Ordinarios (MCO), no permite identificar el
proceso que gobierna la evolucin de la varianza por lo que el estimador de Mxima Verosimilitud
que a diferencia del MCO no es lineal, tiene mayor precisin y por tanto es ms confiable.
Para testar la especificacin del modelo, se puede utilizar el Contraste del Multiplicador de
Lagrange (LM) de homocedasticidad por el modelo ARCH o cualquier otra extensin. (Habra
que tener cuidado con las conclusiones que se obtengan para el caso de las extensiones).
Adems, y esto es muy importante, habra que probar que los parmetros en total deben sumar
una cantidad menor que la unidad ya que sino tendra problemas de falta de especificacin o de
series sumamente explosivas en varianzas, (que va ms all de que concluir que la serie no es
estacionaria).
Para probar la normalidad del proceso ruido blanco, se puede recurrir a su valoracin en trminos
estandarizados de la estimacin, se puede realizar una regresinde sobre una constante y las
estimaciones de la varianza. La R2 puede servir como una medida de la bondad del ajuste
logrado.

10

Contraste y Validacin
En el caso que se tengan dos o ms posibles modelos se utilizarn criterios como el de Akaike y
el de Schwartz para elegir el modelo ptimo, adems de otros estadsticos referidos al error que
se incurre si se ajustara el modelo elegido.

8 Estimaciones y resultados
Aplicacin del Modelo GARCH al ndice General de la Bolsa de Valores de
Lima
Se ha comenzado con el anlisis de la serie en su forma original, es decir, como paso primero
analizaremos el grfico original de la serie. El ndice general de la bolsa de valores de Lima
(IGBVL), como se pude observar en el grafico para el periodos desde enero del 2002 hasta a
diciembre del 2014, no es una serie estacionaria en varianza y media.

Otra manera de observar esta no estacionariedad es a travs de su corralelograma o funciones

de autocorrelacin, donde se puede observar que la funcin de autocorrelacin simple tiene un
decaimiento lineal y no se integra en la zona de no significatividad en rezagos altos, una primera
inspeccin da indicios de tener un proceso AR(1).

11

Otro aspecto a tomar en cuenta es el histograma de frecuencias de la variable:

Este histograma de la variable nos est mostrando un comportamiento asimtrico en esta serie de
precios, con un sesgo positivo asi corroboramos el comportamiento asimtrico dados los efectos
de la volatilidad
El siguiente paso es hacer una estimacin parcial del modelo dada esa primera caracterizacin
asumiendo que podra seguir un proceso AR(1), pero teniendo en cunta que estamos partiendo

12
del hecho de que sabemos que esta es una serie no estacionaria, sin embargo veremos lo que se
puede obtener con este anlisis asumiendo un proceso AR1.

Se realiza una primera estimacin quitando la constante de la ecuacin y el estadistisco nos

indica que es siginificativo el AR(1) es decir que ayuda a describir el comportamiento de este
ndice IGBVL. Pero poniendo atencin en el valor del coeficiente del AR1 se observa que es
igual a 1 indicandonos un proceso explosivo es decir un proceso que no es estacionario donde
la persistencia en el tiempo del regresor del periodo anterior es total y no se busca algo como
esto. Adicionamente podemos analizar la medidas del R cuadrado para la bondd de ajuste del
modelo y el Durbon Watson.

Entonces mediante lo anterior podemos establecer que la serie no es estacionaria y que necesitamos buscar la serie que es estacionaria para tratar de modelar el comportamiento de estos
activos financieros. La serie que es estacionaria es aquella serie que resulta de la diferencia de
los logaritmos y esta es precisamente la serie de los rendimientos de estos activos financieros.

Como se puede apreciar a continuacin esta nueva serie se vuelve estacionaria, ya que la media
y la varianza son estable a lo largo del tiempo.

13

Esto es consistente al analizar el correlograma para los rendimientos; ya que slo los primeros
son significativos, lo que hace intuir a un proceso AR(1).

Pero todo las anteriores observaciones no son pruebas formales, y para corroborar hacemos los
test de raz unitaria que nos indica como resultado que la serie no presenta raz unitaria y por
tanto es estacionatia.

14

Al observarlas las grficas conjuntas podemos notar que donde hay los puntos bajos de la serie
en niveles coinciden con los puntos donde la serie de rendimientos son muy voltiles.

Al analizar el histograma de los rendimientos se encuentra la presencia kurtosis muy altas.

15

Del proceso AR(1) para los rendimientos en logaritmos de la serie del IGBVL se puede observar que tanto la constante como el AR(1), se indican son significativos y ayuda a explicar el
comportamiento de los rendimientos; adems que el coeficiente de Durbin-Watson es cercano a
2, lo que descarta una correlacin serial de orden 1 en los residuos del modelo de estimacin
descartandose asi que sea ruido blanco.

Se plantea el correlograma de los residuos al cuadrado para evaluar si existe persistencia del
comportamiento de estos y ver si se va a modelar con las especificaciones planteadas anterior-

16
mente. Lo que podemos observar por medio del correlograma es la presencia heterocedasticidad
en los residuos del modelo.

De todo lo anteriormente mostrado se hace referencia de la existencia de una varianza condicional

que debe ser modelada, a partir de esto debemos analizar los modelos ARCH y GARCH, y se
realiza la estimacin de los modelos para ver cul es el mejor modelo. Se encuentra que el modelo
ARCH y GARCH de orden 1, es el que nos muestra que todos los valores son significativos (para
ambos modelos), y para poder comparar cual es el mejor modelo nos basamos en los criterios
de informacin, siendo mejor aquel que minimice todos los criterios de informacin y por tal
se determina como el mejor modelo al modelo GARCH. Por lo tanto podemos concluir que los
modelos GARCH describen mejor el comportamiento de la serie de los rendimientos deL IGBVL.

17

Y el modelo final sera

yt = 0,001057 + 0,198175yt1 + t

t = 0,000000503 + 0,1801282t1 + 0,798720t1

18

9 Conclusiones
Los resultados que se desprenden de la aplicacin del enfoque GARCH al clculo de la volatilidad del IGBVL son varios y muy interesantes:
-Existe evidencia de volatilidad financiera en el periodo muestral.
-El anlisis sugiere que la misma no es constante (heterocedasticidad).
-La volatilidad no es simtrica. Existe evidencia de asimetra.
-No existe evidencia de varianza de largo plazo cambiante, se rechaza el modelo del componente
y raz unitaria.
-No hay errores de especificacin del modelo.
En este trabajo se exponen grficos que muestran como las malas noticias (retornos negativos)
impactan con mayor fuerza en la expectativa de volatilidad. A su vez, la volatilidad pasada
tambin impacta en la volatilidad esperada dando lugar a una correlacin.
El mercado peruano es uno de los ms sensibles a noticias, aunque con menor persistencia de la
volatilidad pasada.
Los mercados emergentes son ms sensibles a las noticias que a las tendencias.

Referencias bibliogrficas
Aranda, Rodrigo F. Modelos de Volatilidad: Especificacin, Estimacin y Prueba de Hiptesis.
Universidad de Santiago, Octubre 2000.
De Arce, Rafael: Introduccin a los modelos autoregresivos con heterocedasticidad condicional
(ARCH). I. L. Klein, diciembre de 1998.
Fabozzi, F. J.; Modigliani, F. y Ferri, M. G. Mercados e Instituciones Financieras. Mxico: Prentice Hall. 1996.
Casas, Marta: Modelos ARCH, GARCH Y EGARCH - Aplicaciones a Series Financieras. Cuad.
Econ. vol.27 no.48 Bogot Jan./June 2008