SerieApuntesdeClase.N 6.Septiembrede2014.

EAPE/FCE/UNMSM

N06

Serie Apuntes de Clase

Septiembrede
2014

MODELOS DE HETEROSCEDASTICIDAD
CONDICIONAL AUTORREGRESIVA
MBA. Bustamante Roman, Rafael

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

(Universidad del Per, DECANA DE AMRICA)

FACULTAD DE CIENCIAS ECONMICAS

ESCUELA ACADMICO PROFESIONAL DE ECONOMA

1
SerieApuntesdeClase.N 6.Septiembrede2014. EAPE/FCE/UNMSM

La Serie Apuntes de Clase tiene por objetivo difundir los materiales de

enseanzageneradosporlosdocentesquetienenasucargoeldesarrollode
lasasignaturasqueformanpartedelPlandeEstudiosdelaEscuelaAcadmico
Profesional de Economa de la Facultad de Ciencias Econmicas de la
Universidad Nacional Mayor de San Marcos. Estos documentos buscan
proporcionaralosestudianteslaexplicacindealgunostemasespecficosque
sonabordadosensuformacinuniversitaria.

CalleGermnAmzagaN375.
CiudadUniversitaria,Lima1.Per.
Telfono6197000.Anexo2208.
eapeco@unmsm.edu.pe
http://economia.unmsm.edu.pe/escuela/econ.htm

Modelos de Heterocedasticidad Condicional Autorregresiva

Bustamante Roman, Rafael
SerieApuntesdeClase.N 6.Septiembrede2014. EAPE/FCE/UNMSM

ModelosdeHeterocedasticidadCondicionalAutorregresiva

RafaelBustamanteRoman

Resumen

En el presente trabajo se introduce al lector en los modelos de series temporales no lineales. Porun
lado, se estudian los modelos autorregresivos para la varianza condicionada heterocedstica,
principalmente los modelos ARCH y GARCH, EGARCH, ARCHM, TGARCH, etc. Sus principales
propiedades y su importancia en la modelacin economtrica financiera, as como algunas
herramientasometodologasparalaestimacindeestetipodemodelos.Estedocumentoeslaprimera
partedeotrodocumentoquepresentaralasestimacionesutilizandosoftwarecomoelEviewsoStata

Palabras Claves: Mtodos economtricos: modelos uniecuacionales; series temporales, modelos de

HeterocedasticidadCondicionalAutorregresiva.

ClasificacinJEL:C2,C29

DoctoradoenEconomaconmencinenlosRecursosNaturales(c),UniversidadNacionalAutnomadeMxico.
MBA Gerencial, CENTRUM Pontificia Universidad Catlica del Per. Maestra en Economa con mencin en
Finanzas, Universidad Nacional Mayor de San Marcos. B. Sc. Economa, UNMSM. Profesor Auxiliar del
DepartamentodeEconomadelaUNMSM.InvestigadorasociadoalInstitutodeInvestigacionesFCEUNMSM.
Contacto:rbustamanter@unmsm.edu.pe.
El autor agradece la colaboracin en la elaboracin del presente documento a Oscar Daz Barzola, alumno de la
FacultaddeCienciasEconmicasdelaUNMSM.Contactooscardiaz96@outlook.com

Modelos de Heterocedasticidad Condicional Autorregresiva

Bustamante Roman, Rafael
 SerieApuntesdeClase.N 6.Septiembrede2014.EAPE/FCE/UNMSM

I.Introduccin

Muchos de los modelos en la literatura financiera siguen especificaciones lineales, sin

embargo,algunosaspectosdelcomportamientoeconmico,yenespeciallasactitudesdelos
inversionistashaciaelriesgoylosretornosesperados,encuentranunamejorrepresentacin
en especificaciones nolineales. Por ejemplo, las interacciones estratgicas entre los
participantes del mercado y los procesos por los cuales la informacin es incorporada en la
estructuradepreciosdelosactivossoninherentementenolineales(ArandaR.,2002).

Enesesentido,laconstruccindemodelosnolinealesresultaunaspectoimportantedentro
delanlisisfinanciero,apesardequeestosmuestranunamayordificultadalmomentodesu
especificacinyestimacinquelasrepresentacioneslineales,requiriendoenmuchoscasosel
usodemtodoscomputacionales.Enlassiguientespginasnoscentraremosenlosavances
ms modernos registrados en este campo de la modelacin financiera, en especial en los
modelosnolinealesenvarianza,queresultanparticularmentetilesalmomentodeevaluarlas
percepcionesderiesgodelosagentesqueparticipanenlaeconoma.

Muchosestudiosempricossobreelmercadofinancierohanmostradoqueelcomportamiento
dealgunavariablesclavesdelmismo,talescomoelpreciodelosactivosfinancieros,lastasas
deinters,eltipodecambio,etc.,tiendenamostrarunadistribucindeprobabilidadconunas
caractersticas que se alejan del supuesto normal de media cero y varianza constante,
especialmente cuando se cuenta con informacin de alta frecuencia. Esto dio paso a un
importanteesfuerzodeinvestigacindestinadoadescribirymodelardeformamscompleta
este comportamiento no estndar en las variables econmicas y financieras; de hecho, el
intersdelaagendadeinvestigacinsedirigiatratardemodelarlavolatilidadobservadaen
lasvariables.

1.1. Algunascaractersticasdeestetipodemodelos:

i. Colas anchas de gran densidad: Los retornos de los activos financieros tiende a ser
leptocrticos; esto es, se caracterizan por distribuciones de probabilidad con una curtosis
superiora3,yporlotantomsapuntadaqueladistribucinnormal. 4

Modelos de Heterocedasticidad Condicional Autorregresiva

Bustamante Roman, Rafael
 SerieApuntesdeClase.N 6.Septiembrede2014.EAPE/FCE/UNMSM

ii. Agrupamiento en la volatilidad: Esto significa que grandes cambios en las variables
tienden a ser seguidos por grandes cambios, de cualquier signo, mientras que pequeos
cambiosenlasvariablestiendenaserseguidosporpequeoscambiosdecualquiersigno,
conlocualelcomportamientodelasvariablesestlejosdeserunanormal.

iii. Efecto Leverage: Este efecto se refiere a la tendencia observada generalmente en los
cambios en los precios de las acciones a estar negativamente correlacionado con los
cambios en la volatilidad de dicha accin; o la tendencia observada en los cambios en la
inflacin a estar negativamente correlacionada con los cambios en la volatilidad de la
inflacin. La existencia de costos fijos, financieros y de operacin, proporciona una
explicacinparcialaestefenmeno.

iv. Periodos sin transacciones: La informacin que se acumula cuando los mercados
financieros estn cerrados se refleja en los precios cuando estos se vuelven a abrir. Por
ejemplo, si la informacin se acumula a una tasa constante en cada da del calendario,
entonceslavarianzadelosretornosenelperiodoquetranscurreentrecierredelviernesy
elcierredellunessiguiente,deberasertresveceslavarianzadesdeelcierredellunesal
cierredelmartes.Algunosautores,sinembargo,indicanquelainformacinseacumulaa
unatasamslentacuandolosmercadosestncerrados,encomparacinacuandoestos
estnabiertos.Porlotanto,lasvarianzastiendenasermayoresdespusdelosfinesde
semanayferiados,ymsbajasenlosdasnormales,peronotantocomopodraesperarse
silatasadearribodelasnovedades(news)fueraconstante.
v. Eventos predecibles: Sin ser una sorpresa, las salidas o apariciones predecibles de
informacinimportanteestnasociadosconunaelevadavolatilidadexante.Porejemplo,
existeevidenciaquedemuestraelhechoquelavolatilidaddelosretornosdelasacciones
en empresas individuales es mayor cerca de los anuncios respecto de las ganancias. Lo
mismo ocurre en el caso del tipo de cambio, cuando se libera importante informacin
5
macroeconmica.
Modelos de Heterocedasticidad Condicional Autorregresiva
Bustamante Roman, Rafael
 SerieApuntesdeClase.N 6.Septiembrede2014.EAPE/FCE/UNMSM

vi. Volatilidadycorrelacinserial:Sehaencontradoevidenciadeunafuerterelacininversa
entrelavolatilidadylacorrelacinserialenlosndicesaccionariosenEstadosUnidos.
vii. Comovimientosenlasvolatilidades:Existeevidenciaqueapoyalaideaquelasvolatilidades
entredistintosactivosfinancierostiendenamoversedemaneraconjunta.Porejemplo,se
seala que un cambio de un 1% de la volatilidad del mercado implica un cambio de
aproximadamente1%enlavolatilidaddecadaaccin.
viii. Variables Macroeconmicas y Volatilidad: Dado que los valores de las acciones estn
estrechamente relacionados con la salud de la economa, es natural esperar que las
medidas de incertidumbre macroeconmicas tales como la varianza condicional de la
produccinindustrial, lastasadeinters,elcrecimientomonetario,etc.Deberaayudara
explicarloscambiosenlavolatilidaddelmercadoaccionario.

Lavolatilidadesunacaractersticainherentealasseriesdetiempofinancieras.Engeneral,no
es constante y en consecuencia los modelos de series de tiempo tradicionales que suponen
varianza homocedastica, no son adecuados para modelar series de tiempo financieras. Engle
(1982) introduce una nueva clase de procesos estocsticos llamados modelos ARCH, en los
cuales la varianza condicionada a la informacin pasada no es constante, y depende del
cuadrado de las innovaciones pasadas. Bollerslev (1986) generaliza los modelos ARCH al
proponer los modelos GARCH en los cuales la varianza condicional depende no solo de los
cuadradosde lasperturbaciones, comoenEngle, sino adems,delas varianzascondicionales
deperiodosanteriores(CasasMonsegny&CepedaCuervo,2007).En1991,Nelsonpresentalos
modelos EGARCH, en los cuales frmula para la varianza condicional un modelo que no se
comportademanerasimtricaparaperturbacionespositivasynegativas,comosucedeenlos
modelosGARCH;expresandootrorasgodelavolatilidad:sucomportamientoasimtricofrente
alasalzasybajasdelospreciosdeunactivofinanciero.Unelevadonmerodetrabajossobre
modelos de volatilidad se han publicado en las ltimas dcadas. Ver Poon y Granger (2003),
HansenyLunde(2006)yNovalesyGracia(1993).
6

Modelos de Heterocedasticidad Condicional Autorregresiva

Bustamante Roman, Rafael
SerieApuntesdeClase.N 6.Septiembrede2014.EAPE/FCE/UNMSM

2.1 Seriesdetiemponolinealesyanlisiseconomtrico

Consideremosunmodelotpicodeseriesdetiempoparaunavariablealeatoria.Serelacionar

una serie de tiempo X t con una secuencia subyacente de shocks t, que han afectado sus
valores pasados. En anlisis lineal de series de tiempo se asume que los shocks no estn
correlacionadoseneltiempo,aunquenonecesariamentesonidnticaseindependientemente
distribuidas. Por el teorema de Wold, cualquier serie puede ser representada como un
promedio mvil infinito MA (00) de shocks, y esta representacin MA lineal resume los
comportamientos de la varianza y de las autocovarianzas no condicionales presentes en la
serie.

Enelanlisisdeseriesdetiemponolinealescomnmenteseasumequelosshocksqueestn
detrsdeunaseriesonidnticoseindependientementedistribuidos,peroenvezdeasumiruna
representacinlinealloquesebuscaesunarepresentacinnolinealquerelacionelaseriewt
conlahistoriadelosshocks:estoes

X t = f( t , t-1 , t-2 ,...) (1)

Q 0,1
Enlaqueseasumeque t tienemediaceroyvarianzaunitariaestoes t .DondeQes
unaciertadistribucindeprobabilidadnonecesariamentenormalyf(.)Esalgunafuncinno
linealdesconocida.Lamayoradeestasrepresentacionessonbastantesdifcilesdemanejar,
perocasitodoslosmodelosdevolatilidadcaendentrodeunaclasemsrestringidaquese
puederepresentarcomo:

X t = f( t , t-1 , t-2 ,...) (2)

f .
La funcin Representa la media condicional de xt (condicional a toda la informacin
pasada).Unaobservacinimportanterespectodelainformacinreferidaalosrendimientos
de activos financieros es que los retornos elevados tienden a ser seguidos por retornos de
igual magnitud, lo que parece indicar que su volatilidad est correlacionada. Con el fin de 7

Modelos de Heterocedasticidad Condicional Autorregresiva

Bustamante Roman, Rafael
SerieApuntesdeClase.N 6.Septiembrede2014.EAPE/FCE/UNMSM

capturar esa aparente correlacin se disearon los modelos de heteroscedasticidad

condicionalautorregresiva.

2.1. NoEstacionaridadenvarianza
Supongamosquetenemoslaserie:

y t= t+ t (3)

Donde t es la parte determinstica y t la aleatoria. Asumamos adems que el error de la

ecuacindependedeunavariablecualquieraxt,deformatalque:

t vtxt (4)

Siendounruidoblancoconmedia0yvarianza2,porloque:

2
V ( y t ) V ( t ) x t2 (5)

Esdecir,lavarianzadelerrornoesconstante.Hayqueconsiderarentoncesdossituaciones:

a) Silaxesconociday2esconstante:

Seraelcaso,porejemplo,dequelavariablexseaunafuncinde:

x t h t (6)

Porloque:

V y t h 2 t 2 (7)

Sabiendoello,sepuedetransformarladataafindeestabilizarlavarianza(quenodependade
t).As,seplanteaunatransformacindeyt,g(yt),vaunatransformacindeTayloralrededor
de(BeltranBarco,2002):

Modelos de Heterocedasticidad Condicional Autorregresiva

Bustamante Roman, Rafael
SerieApuntesdeClase.N 6.Septiembrede2014.EAPE/FCE/UNMSM

g ( y t ) g( t ) y t - t g ' y t
y t t
(8)

2

V g(y t ) g ' y t V ( y t )
t

2

g ' y t h 2
t 2
t

(9)

Entonces,paraestabilizarlavarianzalatransformacinaaplicardeberaser:

1
g ' y t
t
h t
(10)

Deformatalquelavarianzadelaserietransformadaseaiguala2.Porejemplo,siyttieneuna
desviacinestndarproporcionalasunivel,esdecir,h(t)=t,entonces:

1
g '
y t
t (11)

Porloque:

g y t Ln ( t ) (12)

Esdecir,setieneunatransformacinlogartmicadelaserieatravsdelacualsegarantizarala
estabilidaddesuvarianza.Cabenotarqueestaeslatransformacinmsutilizadapararealizar
lacorreccindenoestacionaridadenvarianza.

b) SiunadelasdoscondicionesnosecumplenseusanlosmodelosARCH

Si la transformacin logartmica no corrige la no estacionariedad en varianza, y no se tiene

claridaddeculpodraserlatransformacinapropiada,seoptapormodelarlavolatilidaddela

Modelos de Heterocedasticidad Condicional Autorregresiva

Bustamante Roman, Rafael
SerieApuntesdeClase.N 6.Septiembrede2014.EAPE/FCE/UNMSM

serie a travs de los procesos ARCH: el modelo de heterocedasticidad condicional1

autorregresivacuyoprincipalobjetivoesmodelarypredecirlavolatilidaddeunaserie.

En1982,RobertEngle2introduceporprimeravezunmodeloqueapuntabaaincorporarenel
anlisiseconomtricoestndar,laheteroscedasticidadevidentementequeseobservabaenlos
datos; este modelo se conoce como modelo ARCH (AutoRegresive Conditional
Heteroskedastic).ElmodeloARCHestilnosoloporquecapturalamayorpartedeloshechos
estilizados,sinoquetambinporquetieneaplicacinendiversasreas.Porejemplo,elmodelo
hasidoutilizadoenvaloracindeactivos(AssetPricing)conlafinalidaddetestearlosmodelos
CAAPM, ICAPM, APT; para desarrollar los test de volatilidad para comprobar la eficiencia de
mercado, y para estimar riesgos sistemticos de las variables en el tiempo en el contexto de
modelos de mercado. Tambin ha sido utilizado para medir la estructura temporal tem
structuredelatasadeinters;paradesarrollarestrategiasdecoberturaptimasencontextos
dinmicos; para examinar como fluye la informacin entre pases, mercados, y activos; para
valorar opciones y para modelar el premio al riesgo. En macroeconoma ha sido tambin
utilizado para construir carteras de deuda para pases en desarrollo, para medir la
incertidumbre inflacionaria, para examinar la relacin entre la incertidumbre en el tipo de
cambioyelcomercioexterior,paraestudiarelefectodelasintervencionesdelBancoCentral,y
paracaracterizarlarelacinentrelamacroeconomayelmercadoaccionario.

1
Por qu hablamos de una varianza condicional? Porque es ms pequea que la no condicional (esta ltima se
considera adems como la prediccin de largo plazo de la varianza). Vemoslo en el caso de un AR(1). Como vimos
antes, para ese modelo:

2
V y t
y t 0 1 2
Si en cambio queremos hallar estos estadsticos condicionados a la informacin pasada tendramos:

t y t y t -1 Vt y t y t y t -1 2
2

1
y dado que , podemos deducir que Vt yt V yt
10

Modelos de Heterocedasticidad Condicional Autorregresiva

Bustamante Roman, Rafael
SerieApuntesdeClase.N 6.Septiembrede2014.EAPE/FCE/UNMSM

UnprocesoARCHpudedefinirsedevariasmaneras,lamssimplededefiniresentrminosde
ladistribucindeloserroresprovenientesdeunmodeloderegresindinmico.Sealavariable
ytunavariablealeatoriageneradaporelsiguienteproceso.

y t x '
t t (13)

Donde xt es el vector de variables predeterminadas, de orden kx1, el cual puede incluir

valores rezagados de la variable dependiente, y es un vector de parmetros a estimar. El

modeloARCH(q)caracterizaladistribucindeloserroresestocsticos t condicionandoalas

realizaciones de un conjunto de variables t 1 yt 1 , xt 1 , yt 2 , xt 2 ,... ; de hecho la

especificacinoriginalpropuestaporEnglees:

t / t 1 N (0 , ht ) (14)

Supongamosentoncesquepodemosmodelarlavarianzacondicional(noconstante)comoun
AR(q),esdecir:

t2 0 1 t2-1 2 t2-2 q t2-q t (15)

Donde vt es un ruido blanco. Tomando esperanza condicional de la ecuacin anterior se

obtieneque:

t t2 ht 0 1 t-1
2
2 t-2
2
q t-q
2
(16)

Esdecir:

t2 ht 0 1 t-1
2
2 t-2
2
q t-q
2
(17)

Con 0 0 , i 0 parai=1,2,3,...,q,paraasgarantizarquelavarianzacondicionalseapositiva.

Sepuedenotarque t 1 yt 1 x 't i ,i=1,2,3,...q, ht esfuncindeloselementosde t 1 .

11

Modelos de Heterocedasticidad Condicional Autorregresiva

Bustamante Roman, Rafael
SerieApuntesdeClase.N 6.Septiembrede2014.EAPE/FCE/UNMSM

QuenoesotracosaqueelmodeloARCH(q)(Engle,1982).Estetipodemodelossondeespecial
importanciacuandosequiereestimarypredecirlasfluctuacionesdevariablesdeinters,como
podran serlos precios de las acciones y otra informacinfinanciera. Asimismo, el mejorar la
estimacin de la varianza hace posible la determinacin de intervalos de confianza de mayor
precisinyelevalacalidaddelaestimacindelosparmetrosdelmodelooriginal.Finalmente,
lavarianzaestimadapuedeserutilizadacomovariableexplicativaenalgnmodeloeconmico
en el que se quiera relacionar el comportamiento de una variable con la volatilidad de otra.
Cabemencionarque,laespecificacinlinealnoeslamsconvenienteyaqueelmodeloparayt
y su varianza condicional son estimados mejor simultneamente usando el mtodo de
estimacin de Mxima Verosimilitud. Por ello, Engle propone trabajar con una especificacin
multiplicativa,cuyoejemplomssimplees(BeltranBarco,2002):

t vt 0 1 t21 (18)

Donde vt es un ruido blanco con media 0 y varianza 1, t1 es independiente y 0 y 1 son

constantes tal que 0>0 y 0<1<1. Esta especificacin se traduce en una varianza condicional
dependientedelprimerrezagodelamisma,oARCH(1),delaforma:

E ( 2t / t 1 , t 2 ,... ) o 1 2t 1 (19)

EnunmodeloARCH,laestructuradelerrorestalquelamediacondicionaleincondicionalsean
0,yalavez,quelasecuencia t nopresentecorrelacinentresuselementos.

El punto clave es que los errores no son independientes entre s en su varianza (segundo
momento), de modo que la varianza condicional es un proceso autorregresivo. La
heterocedasticidad condicional es t se puede observar en yt al verificarse un proceso

ARCH, de modo que este tipo de modelacin permite capturar periodos de volatilidad y
estabilidadenlaserie yt .

12

Modelos de Heterocedasticidad Condicional Autorregresiva

Bustamante Roman, Rafael
SerieApuntesdeClase.N 6.Septiembrede2014.EAPE/FCE/UNMSM

Especficamente, en un modelo ARCH la estructura del error y los parmetros de

autocorrelacin del proceso yt interactan mutuamente. Cualquier shocks inusualmente

grande(envalorabsoluto)en vt seraasociadoaunavarianzapersistentementegrandeenlas

secuencias de errores presente y futuros t , siendo el valor de 1 lo que determinar la

persistencia.

CabemencionarqueesposiblegeneralizarlaespecificacindelprocesoatravsdeunARCHde
t q
orden mayor en el caso en que todos los shocks desde, t 1 hasta tienen un efecto

directosobre t ,detalmaneraquelavarianzacondicionalsigueunprocesoautorregresivode
ordenq.

q
t v t o i 2
t i (20)
i 1

ElquedaorigenaunARCHdeordenq.

3. ElmodeloGARCH

GARCH es la abreviatura de Generalized Autorregresive Conditional Heteroscedasticity y da

nombrealaampliacindelmodeloARCHyacomentadoquerealizBollerslev(1986)paralos
rdenes p,q, y Taylor (1986), para el caso especfico de los rdenes 1,1. Bollersev (1986)
propone una extensin a la funcin de varianza condicional que recibe el nombre de ARCH
generalizadooGARCH.Degranutilidadenlostrabajosempricos.Bollersevsugierelasiguiente
especificacinparalavarianzacondicional(Arce,1998)4.

Basado en una extensin del trabajo de Engle, desarroll una tcnica que permite que la
varianzacondicionalsigaunprocesoARMA.Enesesentidoelprocesoquesigueelerrorpuede
serrepresentadopor:

t v t h t (21)

13

Modelos de Heterocedasticidad Condicional Autorregresiva

Bustamante Roman, Rafael
SerieApuntesdeClase.N 6.Septiembrede2014.EAPE/FCE/UNMSM

Donde:

2
v 1

q p
2
h t o i t i i h t i
i1 i1 (22)

Enelqueseincorporaunaestructuradinmicamscomplejaenlaecuacindelavarianza,con
componentesautorregresivosydemediasmviles.Sepuedeobservarqueenestecasoque:

q p
2 2
E ( t / t 1 , t 2 ,...) ht o i t i i ht i (23)
i 1 i 1

Dondelossyssonmenoresque1,paraqueelmodelonoseaexplosivo.As,comoseveen
(14), la varianza condicional depende de una constante, de la volatilidad pasada y de la
estimacindelavarianzacondicionalenelpasado.

El punto importante es que la varianza condicional de t esta dado por Et 1 t2 ht , por lo

tanto,loscomponentesde ht sonlosquedeterminanlavarianzacondicionalde t .

Lasecuencia vt esunruidoindependientedelosvalorespasadosde t porloquelamedia

condicionaleincondicionalde t sersiemprecero.

HayqueconsiderarqueunmodeloARCHdeordenaltopuedetenerunarepresentacinGARCH
ms parsimoniosa, que es ms sencilla de identificar y estimar. Esta especificacin ms
parsimoniosapermitirqueseestablezcanmenosrestriccionesparaloscoeficientes,oquese
vereforzadoporlaestructuradelprocesoGARCH,laquedeterminaquetodosloscoeficientes
queaparecenen ht seanpositivos.Ademssetienelaseguridaddequelavarianzacondicional

es finita dado que todas las races contenidas en la ecuacin de ht deben caer dentro del

crculounitario.EsporestaraznquelosmodelosGARCHsuelensermsbeneficiosos.

14

Modelos de Heterocedasticidad Condicional Autorregresiva

Bustamante Roman, Rafael
SerieApuntesdeClase.N 6.Septiembrede2014.EAPE/FCE/UNMSM

ElmodeloARCH(q)queantessepresentaba,puedemostrarciertasdificultadesdeestimacin
cuando se aplica a estructuras dinmicas en los cuadrados de las series. Por ejemplo, en las
seriesfinancieras,elnmeroderetardosautilizaresmuyelevadoyellollevaraaunengorroso
nmerodeiteracionesparaalcanzarunasolucinalsistemaplanteado,pudiendodarseelcaso
de no encontrar nunca una solucin. Por ello, el mismo Engle propuso ya en 1983 ciertas
restriccionesalosparmetrosdelARCH(1)quesimplificabansuestimacin;peroestasnoeran
unprocesogeneralizable,porloquelaaportacindeBollerslevesdecisivaalahoradepoder
dotardeutilidadalmodelopresentadoporEngle.ElmodeloGARCHesalmodeloARMAigual
queelARCHalARy,siempreycuandolascondicionesdeestacionariedadlopermitan,ambos
sonsusceptiblesdeescribirsecomoprocesosdemediasmvilesdeordeninfinito.Porello,se
podrapensarenelmodeloGARCHcomounARCHdeordeninfinito.

Porejemplo,aplicando(18)paraunGARCH(1,1),sepuedeescribir:

ht t2 0 t-1
2
t-1
2
(24)

Luego, es posible hallar la representacin ARCH ( ) de (19) sustituyendo recursivamente el

rezagodelavarianza:

ht 2
t 0 t-1
2
0 t2 2 2
t2 (25)

h t t2 0 1 t-1
2
t 2 2 t2 2

ht 2
t 0 1 t2-1 t 2 2 ( 0 2
t3 2
t3

ht 2
t 0 1 2
2
t-1 t 2 2 t 3 3 t2 3

Alfinaltendremos.

ht t2 0 1 2 3 ... ( t-1
2
t 2 2 t 3 .... i t i ) i t2i
(26)
15

Modelos de Heterocedasticidad Condicional Autorregresiva

Bustamante Roman, Rafael
SerieApuntesdeClase.N 6.Septiembrede2014.EAPE/FCE/UNMSM

Ashastaelinfinitoselogra:

t
2

1
0
j 1
j-1
2
t -1
(27)

Ntese que la expresin (27) es similar al estimador de la varianza muestral pero con pesos
menorespararezagosmsdistantesdet.

4. EspecificacindelmodeloARCH(BeltranBarco,2002)
ParaespecificarunmodeloARCHesposiblellevaracabolassiguientesetapas:

a. Especificarcorrectamentelamediadelaserie,atravsdelmtododeseleccinBox&
Jenkins;estimarelmodeloyrecogerlosresiduos.
b. Analizar los residuos al cuadrado de la estimacin de la ecuacin, a travs de dos
procedimientos:
Observar el correlograma de los residuos al cuadrado, para determinar qu
componentesARCH(GARCH)sonsignificativos.
Llevar a cabo el ARCHLM test, cuya hiptesis nula es que no hay trminos ARCH
(GARCH),esdecir,dado:

t2 f t2-1 , t2-2 , ; ' s (28)

Testear:

Ho: ' s 0 (nohaytrminosARCHGARCH)

Paraelloseutilizaelestadstico TR 2 q2

c. Con el modelo GARCH (p, q) elegido probar de nuevo 2 a fin de verificar que toda la
regresividaddelavarianzahayasidobienrecogida.

16

Modelos de Heterocedasticidad Condicional Autorregresiva

Bustamante Roman, Rafael
SerieApuntesdeClase.N 6.Septiembrede2014.EAPE/FCE/UNMSM

5. EltestdeMultiplicadoresdeLagrange(TestLM)

Uno de los test que nos permiten verificar si las perturbaciones siguen procesos de
heteroscedasticidad condicional autoregresiva es el LM (Multiplicadores de Lagrange)
propuestoporEngle(1982).EstosTestinvolucrandosetapas:

PrimeraEtapa:

UsarMCOparaestimarelmodeloARMA(p,q)oregresinmsapropiada.

Y t 0 1 Y t 1 2 Y t 2 . . . p Y t p t (29)

Segundaetapa:

Obtenerelcuadradodeloserroresajustados.Regresionarelcuadradodeestosresiduossobre
unaconstante,ysobrelosqvaloresrezagadosdelmismo:

2 2 2 2
t 1 , t 2 , t 3 , ...., t p (30)

2 2 2 2 2
t 0 1 t 1 2 t 2 3 t 3 .... p t p (31)

SinoexistenefectosARCHyGARCH,losvaloresestimadosdeloscoeficientesdeberanser0.
De ah, que esta regresin puede tener un adecuado poder explicativo lo que se verifica a
travs del coeficiente de determinacin (R2 estadstico), el cual, en este caso, registrar un
valormuybajo.ConunamuestradeTresiduos,bajolahiptesisnuladequenoexistenerrores
quesiguenunprocesoARCH,estestestadsticoTR2convergeaunadistribucin X 2 q . SiTR2
es lo suficientemente grande, se rechaza la hiptesis nula de que los errores no siguen un
proceso ARCH. De otro lado, si TR es lo suficientemente bajo, es posible concluir que los
erroresnopresentaranefectosARCH.

17

Modelos de Heterocedasticidad Condicional Autorregresiva

Bustamante Roman, Rafael
SerieApuntesdeClase.N 6.Septiembrede2014.EAPE/FCE/UNMSM

6. ModelosARCHM (Engel,Liluen,Robins1987)
La teora financiera sugiere que un activo financiero con mayor riesgo financiero percibido
podraotorgarenpromediounretornomayor.Porejemplo,seartladiferenciaentrelatasade
retornoex_postdeunactivocualquierayelretornodeunactivoseguroalternativo(Digamos
unbonodeBCRP).Supongamos,adems,quertpuededescomponerseenunaparteanticipada
ent1porlosinversionistas(quedenotaremosporrt*),yunapartenoanticipadaestoes:

rt = rt * + e t (32)

Entoncesdeacuerdoalateorafinanciera,elretornopromediort * podraestarrelacionado
conlavarianzadelretorno(ht).Parapoderincorporarestarelacinsepostulaelsiguiente
modeloderegresinconcaractersticasARCH:

'
Y t = X t + h t + t

t = n t n t (33)
h t = 0 + 1 1 + 2 2 + 3 3 + . . . + p p

Para t ~ N 0,1 .Enestaformulacinelefectoquelapercepcindeunamayorvariabilidad

en t tienesobre Yt escapturadaporelparmetro.

Engle, LilienyRobins(1987)asumieron queelpremio (prima)porelriesgoera unafuncin

crecientedelavarianzacondicionalde t (lamedidadelriesgo),enotraspalabras,amayor

varianza condicional mayor premio por riesgo necesario para que los agentes decidan
mantenerelactivoenellargoplazo.Sidefinimoscomo ht alavarianzacondicionalde t .

UnavariantedelmodeloARCHM esusarla desviacinestndarcondicionalenlugarde la

varianzacondicional.ElmodeloARCHMesfrecuentementeusadoenaplicacionesfinancieras
donde el rendimiento esperado sobre el capital financiero est relacionado con el riesgo
esperadodelcapital.Ademsestemodelopermitequelamediadeunaseriedependa,entre
otrasvariables,desupropiavarianzacondicional(osudesviacinestndar).Esdecir:

18

Modelos de Heterocedasticidad Condicional Autorregresiva

Bustamante Roman, Rafael
SerieApuntesdeClase.N 6.Septiembrede2014.EAPE/FCE/UNMSM

y t t2 x t t (34)

El objetivo del modelo es determinar la relacin existente entre la media y la varianza de la

serie.Deestamanera,porlogeneral,estetipodemodelosseutilizanparaestudiarmercados
deacciones,yestablecereltradeoffqueexisteentreelriesgo(suvolatilidad)yelrendimiento
(suvalormedio)deunaaccin.

7. ModelosAsimtricos
Los modelos ARCH/GARCH suelen ignorar la informacin relacionada con la direccin de los
retornos: slo las magnitudes interesan. No obstante, hay evidencia emprica que demuestra
quelasvariablesfinancierassonmsvoltilesanteshocksnegativosqueanteshockspositivos.

Efecto Leverage se refiere a la tendencia observada en los cambios en los precios de las
acciones a estar negativamente correlacionados con los cambios en la volatilidad de dicho
stock; o a la tendencia observada en los cambios en la inflacin a estar negativamente
correlacionadoconloscambios enlavolatilidad delainflacin.Laexistenciadecostosfijos
financieros y de operacin, proporciona una explicacin parcial a este fenmeno. Estos
modelosintentanmedirelefectoleveragequecaracterizaelmercadodevalores:lasvariables
sonmsvoltilesanteshocksnegativosqueanteshockspositivos.Lasdosespecificacionesms
utilizadassonlassiguientes:

8. TARCH(ZAKAIAN,GLOSTEN,JAGANATHANYRUNKLE,1993)(ENDERS,2014)

Generalmente se observa a menudo que los movimientos descendentes en el mercado son

seguidos por las volatilidades ms altas que los movimientos ascendentes de la misma
magnitud. Para responder de este fenmeno, Engle y Ng (1993) describen una Curva de
Impacto de Noticias asimtrica. Los modelos TARCH o Threshold ARCH se introdujeron
independientementeporZakoian(1990)yGlosten,Jaganathan,y Runkle (1993).Este modelo
consisteenunaespecificacincuadrticadelaasimetradelaforma:

Yt = X t + t V a r(y t ) 2
t (35)
19

Modelos de Heterocedasticidad Condicional Autorregresiva

Bustamante Roman, Rafael
SerieApuntesdeClase.N 6.Septiembrede2014.EAPE/FCE/UNMSM

2 2 2 2
t 0 1 t -1 t -1 d t -1 t -1 (36)

Dnde:

dt-1 1 si t-1 0(Malasnoticias)

d t -1 0 d.o.m . t -1 0

Dnde: eselerroreslanoticia.
Ntese que las buenas noticias tienen un impacto 1, mientras que las malas tienen uno
1+. Por tanto si 0 se confirma el efecto leverage; si 0 no hay leverage sino slo
asimetra.ParaespecificacionesdemayorordendelmodeloTARCH,seestimadelasiguiente
forma:

q p
t
2
0 i1
i 2
t-i 2
t-1 d t-1 j1
2
t-1 (37)

Enrealidadescomosituviramosdosmodelos:

q p
t
2
0
i1
i 2
t-i j 1
2
t-1 BuenasNoticias.(38)

q p
2
t 0
i2
i
2
t-i ( 1 ) 2
t-1 j 1
2
t-1 MalasNoticias.(39)

9. LosmodelosGARCHexponenciales(EGARCH(Nelson,1991))(ENDERS,2014)

ApartirdelaestructuradevarianzapropuestaporEngle(1982)yutilizadoporBollersev(1986),
Nelson(1991)propusoelsiguientemodelodeevolucinparalacuallavarianzacondicionalde
t esunaespecificacinlogartmicadelaasimetra,delaforma:

20

Modelos de Heterocedasticidad Condicional Autorregresiva

Bustamante Roman, Rafael
SerieApuntesdeClase.N 6.Septiembrede2014.EAPE/FCE/UNMSM

lo g t
2
X

2
t eX

t-1
log(h t )=log t2 0 log t-1
2
t-1
t-1 t-1
(40)

Por lo que el efecto asimtrico sera exponencial antes que cuadrtico. El efecto leverage se
producesiempreque<0.Enestetipodemodeloslosefectosseoriginanenloslogaritmos.

Dnde:

t v t ht
iid
1 vt
2
N (0,1) (41)
y
v

Si 0 ,elmodelodeNelsonimplicaqueunadesviacinde vt desuvaloresperado,haceque

lavarianzade t seamsgrandeques 0 ,unaideasimilaralaconsideradaenlosmodelos

GARCH. Una importante ventaja de este modelo es que el parmetro permite que el efecto

anteriorseaasimtrico;estoes,si 0 unasorpresaonewspositiva vt 0 tieneelmismo

efecto sobre la volatilidad que una sorpresa negativa, y si 1 0 , entonces una sorpresa

positivaincrementalavolatilidadenmenosdeloquehaceunasorpresanegativa,ysi 1 ,
unasorpresapositivareducelavolatilidad,mientrasqueunasorpresanegativalaincrementa.

t-1
log(h t )=log t2 0 log t-1
2
t-1
t-1 t-1
(42)

21

Modelos de Heterocedasticidad Condicional Autorregresiva

Bustamante Roman, Rafael
SerieApuntesdeClase.N 6.Septiembrede2014.EAPE/FCE/UNMSM

10. EvidenciassobrelosModelosEGARCH(CasasMonsegny&CepedaCuervo,2007)

Varias investigaciones han demostrado que la volatilidad de las rentabilidades de activos

financieros tiende a crecer siguiendo la evolucin de noticias positivas y negativas. Este
fenmeno,conocidocomoprediccinasimtricadesegundosmomentosseaverificadotanto
paraactivosindividualescomoparandicesdemercado.Deestaevidenciaexistenrazonespara
esperarquetalesefectosaparezcantambinenlosBetascondicionales.

Especficamente,Braun,NelsonySunier(1995)sugierenunametodologaparalaestimacinde
los Betas condicionales basada en la versin bivariada del ARCH exponencial (EGARCH),
permitiendodeestamaneralaposibilidaddequelosretornospositivosynegativosafectenalos
Betas en forma diferente. El rol del apalancamiento operativo y financiero. Si el valor de una
empresa en deuda cae, su nivel de apalancamiento se vera incrementando con respecto al
patrimonio, causando que la volatilidad asociada a la rentabilidad patrimonial aumente. Sin
embargo, Black (1976), Christie (1982) y Schwert (1985) demostraron que el apalancamiento
operativo y financiero no es suficiente para explicar la prediccin asimtrica de segundos
momentos.

Bibliografa

Aranda, R. (2002). Modelos de volatilidad especificacin, estimacin, y prueba de hiptesis.

Arce, R. (1998). Introduccin a los Modelos Autorregresivos con Heterocedasticidad
Condicional (ARCH). Instituto Klein. Obtenido de
http://www.uam.es/otroscentros/klein/doctras/doctra9806.pdf
Beltran Barco, A. (2002). Econometra de Series de Tiempo. No. Obtenido de
http://econometriaii.files.wordpress.com/2010/01/beltran.pdf
Casas Monsegny, M., & Cepeda Cuervo, E. (2007). Modelos ARCH, GARCH y EGARCH:
Aplicaciones a series financieras. Universidad de los Andes. Obtenido de
http://www.scielo.org.co/pdf/ceco/v27n48/v27n48a11.pdf
Enders, W. (2014). Applied Econometric Time Series (4th Edition ed.).

22

Modelos de Heterocedasticidad Condicional Autorregresiva

Bustamante Roman, Rafael