Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Geometrico. log St
(d)
Aritmetico. St
(1)
= Xt
(1)
= Xt
(n)
+ + Xt
(n)
+ . . . Xt
Componente de estacionalidad
Asumimos que f es una funci
on del tipo f (t) = st + Tt , donde
s es el componente peri
odico semanal (STSC)
T es el componente estacional de largo plazo (LTSC).
I
= Xt ,
= Xt + Yt , donde:
Desventaja. La introducci
on de factores no observables
dificulta la calibraci
on del modelo.
= Xt + Yt , donde:
Desventaja. No hay f
ormula cerrada para los precios forward.
(d)
= Xt + Yt ,
= Xt + Yt ,
Ventajas.
I
I
Desventaja. La inclusi
on de una intensidad estocastica
imposibilita la calibraci
on por maxima verosimilitud.
Distribucion de salto
Se toma a la distribuci
on del tama
no de saltos como una mezcla,
representando respectivamente los picos positivos y negativos.
Mas precisamente, la distribuci
on viene dada por la densidad
f (x) = pfJ + (x) + (1 p)fJ (x)
donde p (0, 1) y las variables J + y J siguen tres posibilidades:
Gamma : J + (a+ , b + ) y J (a , b )
Pareto : J + Par(a+ , b + ) y J Par(a , b )
Lognormal : J + LogN(a+ , b + ) y J LogN(a , b ).
Parametro
1
2
3
4
Estimador
0.05
110.18
-0.03
1.00
Desv. Estandar
0.01
0.02
0.06
0.02
Valor t
8.76
5944.28
-0.55
58.80
La funcion de autocorrelaci
on (ACF) para un proceso O-U
estacionario de dos factores X e Y viene dada por
X ,Y (h) =
Var(X )
Var(Y )
e X h +
e Y h
Var(X ) + Var(Y )
Var(X ) + Var(Y )
Figura 2 - Autocorrelaci
on emprica (negro) y teorica (rojo)
Nt
X
i=1
Ji e Y (ti ) =
NT
X
i=1
(d)
Stj = e f (tj ) Stj .
(d)
Asumimos que Stj = Xtj + g (tj ) donde
g (tj ) =
M
X
i=1
para M N, (i )i=1,...,M R y (
i )i=1,...,M {t1 , . . . , tn }
ciertos parametros a determinar por el algoritmo.
La funcion g sera nuestra estimaci
on de Y y X la de X :
I
I
I
i es el tama
no (estimado) del salto i-esimo,
i es el instante (estimado) del salto i-esimo,
M es la cantidad total (estimada) de saltos.
Consideremos la funci
on g definida por la f
ormula
g (t, , ) = e Y (t ) 1[,+) (t).
n
X
2
min
X (i) (tj ) g (tj , , ) : R , {t1 , . . . , tn } .
j=1
g=
M
X
g (, (i) , (i) ).
i=1
I
1.2003
x
0.2125
x
0.1121
y
0.7915
Modelo
p
0.5189
0.1244
a+
6.7714
0.0091
a
12.8125
b+
0.0395
b
0.0348
Ajuste de momentos
Contrastamos los primeros cuatro momentos Te
oricos vs Empricos
en cada uno de los modelos.
Table 4: Estimaci
on de momentos te
oricos y empricos
Modelo
CF
HHK
MSW
MT
N
Media
1.016
1.0071
0.9849
1.0278
1.0067
Desv. Est.
0.2164
0.2232
0.1403
0.197
0.2382
Curt
osis
3.744
7.1486
36.563
3.6619
8.257
Asimetra
0.6401
0.7205
0.3341
0.0223
-0.7074
Ajuste de cuantiles
Modelo
CF
HHK
MSW
MT
1 C
10.7186
10.3588
6.8901
10.1713
2 C
7.8651
7.1742
7.9574
7.355
3 C
1.4311
2.1787
2.5604
0.5834
4 C
5.4486
2.9472
0.2188
5.2136
5 C
8.5635
5.053
0.102
5.4691
Modelos
CF
HHK
MSW
MT
NT
Distribuci
on de salto
Normal
Gamma+ GammaLogN+ LogNGamma+ GammaGamma+ Gamma-
I-0 sample
0.1249
0.9689
1.0459
0.7927
0.8562