Está en la página 1de 5

Bianca Hincapié

Felipe Pineda

5) Tipo de cambio Euro/Dólar.

a) Hechos estilizados y características de las series financieras.

Serie en niveles. Es posible observar en la siguiente gráfica que la serie no es estacionaria. Se realiza entonces la prueba ADF en la que el valor p =0.4914 es mayor que el nivel de significancia de 0.05, no rechazando Ho: No estacionariedad, por lo tanto la serie en niveles no es estacionaria. Se puede apreciar en la gráfica los diferentes períodos de alta y baja volatilidad y una aparente persistencia de la misma. El correlograma de los residuos confirma esta afirmación.

Bianca Hincapié Felipe Pineda 5) Tipo de cambio Euro/Dólar. a) Hechos estilizados y características de las

Retornos de la serie

Por otra parte, la serie de los retornos es estacionaria. La prueba ADF evidencia que con un p valor de 0.000 menor al nivel de significancia de 0.05, se rechaza Ho:

Bianca Hincapié Felipe Pineda 5) Tipo de cambio Euro/Dólar. a) Hechos estilizados y características de las

No estacionariedad, por lo tanto la serie es estacionaria. Con los logaritmos, es decir con los retornos de la serie, se logra estabilizar la misma, haciendo que se cumplan ciertas características de una serie volátil y estacionaria y que por tanto, se pueda modelar. Se observa también que el correlograma de los residuos muestra que no se encuentran correlacionados. El valor p es mayor al nivel de significancia de 0.05, por lo que no rechazo Ho: No autocorrelación.

Por medio del histograma de la serie, se evidencia una distribución leptocurtica o de exceso de
Por medio del histograma de la serie, se evidencia una distribución leptocurtica o de exceso de

Por medio del histograma de la serie, se evidencia una distribución leptocurtica o de exceso de curtosis, pues presenta un elevado grado de concentración alrededor de los valores centrales de serie. La curtosis en este caso es de 6.491439

Por medio del histograma de la serie, se evidencia una distribución leptocurtica o de exceso de

b) Identificación y modelos propuestos:

Necesitamos conocer si existen efectos ARCH, pues es lo que nos indica si la serie Euro/Dólar es susceptible de ser modelada de esta manera. Se hace una regresión de la serie en niveles contra una constante, obteniendo el siguiente correlograma de residuos al cuadrado

Luego se realiza una prueba de heterocedasticidad ARCH (View- diagnóstico de residuos-ARCH- rezagos). Queremos ver si la serie en su estado natural tiene componentes ARCH. La prueba de hipótesis es entonces Ho: No hay efectos ARCH vs Ha: Hay efectos ARCH. Con un valor p = 0.000 menor al nivel de significancia de 0.05, no rechazo la hipótesis nula, por lo tanto existen efectos ARCH y es posible modelar la serie de esta manera.

Necesitamos conocer si existen efectos ARCH, pues es lo que nos indica si la serie Euro/Dólar

De la misma manera, se realiza la prueba Breusch-Pagan con un rezago, con los siguientes resultados:

Necesitamos conocer si existen efectos ARCH, pues es lo que nos indica si la serie Euro/Dólar

Con un valor p= 0.000 y menor al nivel de significancia de 0.05 se rechaza Ho= Homocedasticidad, por lo tanto existe heterocedasticidad y es posible estimar este comportamiento por medio de un modelo ARCH o GARCH.

Otra manera de hacerlo es mediante los residuos al cuadrado originados luego de la estimación de un modelo ARMA. Luego de aplicar la metodología Box-Jenkins, se estima un modelo AR (1) con la serie retornos y a partir de los residuos del mismo, se realice la prueba Breusch-Pagan, con los siguientes resultados:

Necesitamos conocer si existen efectos ARCH, pues es lo que nos indica si la serie Euro/Dólar

El valor p= 0.0127 es menor al nivel de significancia 0.05, por lo que rechazo la hipótesis Ho:

homocedasticidad, encontrando así efectos arch.

Se procede entonces a proponer dos modelos para la modelación de la serie de retornos (pues es estacionaria), y seguido se realizará la comparación. Luego de proponer diferentes combinaciones de modelos, se descartaron aquellos en los que el componente ARCH y/o GARCH, no eran estadísticamente significativos. Se propone entonces un ARCH (1), que tiene en cuenta la varianza en términos de los residuos rezagados al cuadrado y un GARCH (1,1) que incluye el componente ARCH y la varianza no contemporánea. Este último se elige también, pues según la teoría de series financieras es la mejor forma de modelar estas series en la mayoría de los casos. Ambos modelos presentan residuos no autocorrelación.

 

modelo1

modelo 2

ARCH 1

0,106332

0,021155

Vlr p

0,00

0,000

GARCH 1

0,976471

Vlr p

0,000

cons

1,88E-05

5,29E-08

AIC

-7,954629

-8,041498

BIC

-7,945519

-8,037016

En primer lugar se prueba para el primer modelo ARCH (1), que se cumplen sus condiciones:

constante mayor a 1 y que el parámetro sujeto a la regresión sea inferior a uno. De la misma manera se prueban las condiciones del modelo 2 GARCH (1,1), en las que la suma de los coeficientes debe ser inferior a uno.

Para determinar cuál es el modelo que mejor se ajusta, nos remitimos al análisis de los criterios de información. Los criterios de información del GARCH (1,1), son inferiores a los del ARCH (1), por lo tanto es el modelo elegido y el que mejor se ajusta.

Anexo:

Salidas estimaciones ARCH (1) y GARCH (1,1).

Salidas estimaciones ARCH (1) y GARCH (1,1). Estimación AR(1)

Estimación AR(1)

Salidas estimaciones ARCH (1) y GARCH (1,1). Estimación AR(1)
Salidas estimaciones ARCH (1) y GARCH (1,1). Estimación AR(1)