Documentos de Académico
Documentos de Profesional
Documentos de Cultura
RESUMENJ
{*) Queremos agradecer los comentarios recibidos de Juan Ayuso, M.a Luisa de la Torre, Víctor
Gonzalo, Teodosio Pérez-A^maral y dos evaluadores anónirnos. Todos fos errores son nuestros.
^^ E^^-^,r^,^,i^..,r^r^,f^ E ^.,E^^,-,r^^^^^; ^^
1. INTRODUCCI4N
mientras que:
Yt^N(xt'^3,csu) con6^- 2
1-p
^ ^ z
Yt S^t_^ ^ N [ PYt-^ +( xc - Pxt-^ ) R^ ^^^ j
con menor varianza que la distribución marginal. Obsérvese que ambas varian-
zas son, nuevamente, constantes a través del tiempo.
Et-^ cr = 0
Et-^ ^t2 = ht
(1) Los residuos se incluyen como argumentos de f elevados al cuadrado para hacerios compa-
rables con la varianza a^
1O E^ `^^T^1.C^ál^-^1I^^,^^ F^,^;F'AN^^d ^^a
Por otra parte, tomando esperanzas en [2], se tiene que Eht = óo + b^ Eht ^,
por lo que es obvio que el proceso ARCH(1) debe satisfacer además la condición
I S^ I< 1 para obtener la estacionariedad en varianza del modelo y evitar que
hi sea explosivo. Esta candición, en general se expresa:
Teorema
Bajo el supuesto de que el proceso €t en [1] y[2] sigue una distribución Norrnal,
sus momentos de orden ímpar serán nulos por simetría. En cuanto a los momen-
tos de orden par, la varianza incondicional es:
E^t = E hi = óo + S^ E^t ^
E Et2 -- ^^.
2 -_---So
-_
1 - ^i ^
Ethi+ s=sp(1+b^+ó;+...+^,-^^+ó;^^
1 -^^2
E ^4 = 3 (var£t ) 2
1 - 3 á^
Et-^ £t = 4 y Et_^ £i = h?
E yt=0
var ( Yt ) - 6^ - 1 S°
1-p2 1--p21-b^
Et-^ Yt = PYt-^
var(Yt)=__
so
1 -Q2 1 -b1 - ...
Sea el proceso descrito en las ecuaciones [1 ] y[3]. Dado que cada observación
^t del proceso tiene una distribución condicional Normal independiente de las
dernás, el logaritmo de la función de verosimilitud condicional es ia suma del
logaritmo de la verosimilitud de cada una de ias T observaciones muestrales, por
lo que puede escribirse como:
T T 2
^=^ 1,=-^ 1- in ( ht ^ + __^t - [6]
^-, t-, 2 2ht
ai , - _^ _ an,2 E^2 - 1
[7]
as 2 n, as n,
aht ^ht ^t + ct 1 ht
a2 It
___._ _ ^ ___1 _ -_ - ^ 1
ab^b' 2h4 ^b ^b' ht hi ^b' 2h?
1^^^ E s^rfa[^i^^rit^,^ E sF^^>^n^^:^^i A
a^ It_^ - ^
1 4 ahi ahi^
Is^=--^ Et_
^ as<^s ^ 2ht ^^s as [8]
En el caso habitual con que ht se supone una función líneai como en [3]:
donde
aL
_._ _ alt _ 1_ ._ Z t £t
_^ -..._^ _^__ 1 [9]
as ^ as ^ zht ht
mientras que la expresión en [8] puede escribirse:
,
_1 ^t zt-_ h4--
zt [10]
I ss 2 t
^ ^
-1 ^ ^ _.___
a^t ^
Si+ 1 ^ Si + ^^
si t as s;
(aUIF1 F^AFtf^ lA E^TIMAC^C^.JN DE- MCiOE^ l C^^^ Af^^^;r^ 1^
n n
donde b;, ^ y b; denotan las estimaciones numéricas del vector b en dos iteracio-
nes sucesivas.
De este modo, a partir de las expresiones [9] y[10], el algoritrno iterativo de
estimación quedaría:
donde:
^,
zt =( 1,^2^ , ... ,E^2p)/ht
.^, ^ ^
Z =(z^,z2, . .., zT ) es una matriz ( p+ 1) x T
wt - ( t/ht)-1
,
W =(w^ ,w2, . .,wT) esunvectorl xT
G ^^ ^2 L ^^ aL [12]
^ as' as^s' ^s
que se distribuye ^;. Puede probarse que este estadístico coincide con el R2 de
ia última regresión efectuada en ei algoritmo descrito. Si dicho estadístico toma
un valor superior al de las tablas, se interpreta que el cambio en la estimación
es grande, y se continúa iterando. En caso contrario, se detiene el proceso de
estimación, conservando el último valor obtenido.
Í ^> f^^TAI)1;^;11r,A f^^F^ArJr)l F+,
h^ = bo + b1 ^, ^^ ^i ^ [ 13]
,
donde los c.^ i^ 1,...,p son números fijos que ponderan la importancia que las
observaciones recientes tienen en la determinacíón de ia varianza. Generalmen-
te, los parámetros c^; se escogen de modo que ^ P c^ = 1
Con esta parametrización se tiene que ^ht / ab' =( 1, St ), donde St =^p c^; ^t _; y
el algoritmo en [11 j funcíona como el de un ARCH(1), con St jugando el papel
de Ft 1. Sin embargo, hay que notar que la condicíón de estacionariedad debe
comprobarse a partir de las raíces del polinomio: ^- 51^1 B^•••- b1^p Bp - g Y
no en la raíz de 1- b^ B= 0.
Las derivadas de cada término del logaritmo de la funci ón de verosim i litud con
respecto al vector (3 de coefi cientes de las variables expli cativas son :
^It _- 1 1_2^hi
^ __ +1 2cC2
h4 _^ahi
__ + xt ct _-
_^2__
aR 2 ^t R t R t
2 2
= Xc ^t +__^_ ._ a ht_ Et__ _ 1 [ 15]
^t 2h2 aR ht
a ^2
-- -2 xt-^ Et-^
aR
1 E^ ^^ i af)i^:; r ir^^.^, f^ ^,i7A^W^^)^ A
se tiene que:
^^h? -
- -2 ^L ,s, xt_, ^t-;
f^^
lo que implica:
P
-1 ^ ^^ xt-^ ^-^ ^
,
P or lo q^
ue a 9
ru P
ando términos en x E,
Y la derivada `^^
^-^ _ ^ ^)^^t
R R
puede escribirse:
^^t_ _ 1 2 2
- ^ xt ^`t £t^ ^ -- ht,^ ^ )
^R ^ hi
=^xtEt^ [ 16]
t
donde c^ denota el corchete en la expresión anterior.
Derivando de nuevo, se tiene:
a an; 1
^R' 2 h? aa ^
E _ _.1 _^ht
_ ^^ht
__ __ 2. 2 2 ^
t^ S^ Et-^ xc-^ xc-^ ^
2h4 ^^ ^Q^ ht
cjIJIA F'A^tr^ l_A E 5TlMA(_:lí:)N C)E:: M(^C:)E l!: ^^ AF^(,Hi 1^
ya que la esperanza condicional de 1os productos cruzados r,t ;^t ^ cuando i^j es
cero, la submatriz I^3^^ de la matriz de información puede escribirse:
xt xt' 2^ 2 2 ,
_ 2_+ 4 S^ ^t-^ xt-^ xt-^
ht ht ,
y agrupando términos:
P
I
^R = ^ Xt Xt' -^-
t h^ 2 ^2 ^ ^2
I ^ _ ^ xt xt^ r? [1 g]
t 4^ r
Por otra parte, las derivadas con respecto al vector b se obtienen del mismo
modo que en el modelo ARCH(p) univariante. Es decir, la expresión del vector
gradiente aL/^b viene dada en [9] y para estimar la matriz de información I^ puede
utilizarse la expresión en [10].
Lema
(2) Un proceso ARCH se dice simétrico si la función ht y su vector gradiente (respecto al vector b)
son funciones reales pares en todas sus componentes ^.t .^,..., ^t _p, mientras que las derivadas
parciales de h^ respecto de ^r ^,..., ^;_^ son funciones impares en b^ ,..., bp.
E `^TAC)ISTI(`^A FSPAN(.71A
^ ^ _
R;t^=^;+(X'X)^'X'e [ 19]
-• = xt, rt
xt
et = Et c^/ rt
ht = S^ + b^ St
,
St = ^ ^i ^t2 i - ^i ( Yt-i - xt-i ^ ) 2
, ,
(^^111A F'ARA L^ ESÍIMI^C^_:IO^J (^E ^Jlt")[)E^l.^)`^ AR(^.F 21
se tiene que:
^^ht _ 1 ^h^
__ _ ._ _ ,
___ _ _ y _ -2 b ^ ^ ^ xc-^ ^ t-^
c^b' St ^^[i ,
por lo que las derivadas necesarias para calcular los estimadores MV son casos
particulares de las correspondientes a la parametrización más general. En con-
creto, el vector de derivadas primeras de It con respecto a^i, que para la
parametrización más general figura en [15], es en este caso:
xt ct S,r E^ _ ^
^ U^i xt-i ^t-i
ht hi L ht ,
-
por lo que, agrupando términos en x y E, el vector gradiente `^^- _^ `^it
^R ^ ^^
puede escribirse:
= ^ xt xt'
t
-^ + 2 ó ^ ^2 ^ c,^?
ht , c ^ [21 ]
Por otra parte, respecto al vector S, las expresiones [9] y[10] se reducen
respectivamente a:
^L _ ' E^ - 1 [22]
2hi h^
C231
t 2h
^ ^ 1 St 1
^;+^=b^+
1 1 I ^z
S^ [24]
S, S; 2hi 2hi ^- hi
C s
^? - 1 sobre el par de variables : ñ` ^ 1 , S, ^
Ho^ 9(7) = 0
H^^J(7)^0
Ho: h? ^ hó
H^: ht -h(zt', b)
^ ^,^r^^,C^^i^,rir;^ E^^^^^Nrr^,^^
E2
^)L _ 1 ^ Zt t _1 _ ^ Z' V1/o
^^s 0 2ho ^ hó 2hó
1
^Z Z Z^ Z
Ibb
0 2 ^oJ
Por lo que el correspondiente estadístico para Ilevar a cabo el contraste puede
estimarse consistentemente como:
, , ^ , 2
^LM ^ - __ WO Z ^ Z z )i Z WO ~ ^p
^
h2t - 1_e
s^ 1^_e.^^-,
+ ^1 2
1 1
donde puede verse que, para que el proceso de varianza condicional sea esta-
cionario, es preciso que ^ b1 + 6^ ^< 1. En tal caso, la varianza incondicional de
^t viene dada por:
^^ F: c;r^,(>^^;Ti{^^ E `;F'APv(^,l ^
6? = E ^ t = ^o
1-1^1+H^)
En general, los momentos de orden 2n del modelo GARCH (1,1) existen si [ver
Bollerslev ( 1986)]:
donde:
^
ao = 1; aj - Il ( 2j - 1), 1? 1
i =^ 1
. E (cC2 ) = óo ( 1 - b1 - e1 >-1 y
ht = µ+ Z^t ^+(1 - T) ht ^
se tiene:
ht = bo + ^ b; Et ; + ^ 6; ht ; = óo + b ( B ) ^t + 8 ( B ) ht [28^
donde: p?o, q>o, ^>o, S;>_0 i=1,...q; 6;>0 i=1,...,p, reduciéndose a un modelo
ARCH(q) cuando p=o, y a un proceso de ruido blanco cuando p=q=o.
Análogamente al modelo GARCH(1,1), si todas las raíces del polinomio 1-8(B)
están fuera del círculo unidad, se tiene:
= bo 1-^
;^^
e^ +^, -^a^ ci ^
^ ^3 E `^>TA^11^iT1(,A E `^^'AN()l A
Teorema
donde m= máx{p,q}. Por tanto, Ex sigue un proceso ARMA (m,p) con un término
de error sin autocorrelación. Ello ha conducido a la sugerencia [ver Bollerslev
(198^) y(1988)] de utilizar las funciones de autocorrelación simple y parcial
muestrales de ^2 para identificar los órdenes del proceso GARCH.
Si denotamos las covarianzas de Et por ^yn = cov (Et , Et n), se deduce a partir
de [29] que:
m
^n - ^ ^i ^n-i + n ? p+ 1 [30J
,-,
Por otra par#e, dado que las ecuaciones en [31 ] son análogas a las de Yule-
Walker, la autocorrelación parcial de orden k para ^t que denotamos por ^kk, se
deriva a partir de la resolución del siguiente sistema de k ecuaciones con k
parámetros ^k^,...,^kk^
Si denotamos por:
r'=cR',^^
se tiene que el logaritmo de la función de verosimilitud del modelo viene dado en
[6) con et = Yc - Xí R Y que sus derivadas primeras y segundas con respecto a^
son:
1 ^h^ e ?
aL _ ^ _.....
-- __- -- 1 [32]
z a^ hi -^2h
^hr 1
a2 L _
^^^^'
_
t
^ht
_ __ __1.._ . ____
2ht ^^ ^$' ht
_ ^ht
_ __._ Et
__ __ +
£2 J
t -1
hi
^^,
2ht d^
`-^ i ^+C^JI ;T I!:^ f^ `:^F^,A^^f^^^l ^•
donde:
^)hi = z + e ^^ht ^
t Z^ [34]
(^ Qi ^ ^ C^(^
^ ^
e^^+ = e^^ + ^,^ aL ____
c^L r1 ^L
_ ___ [36]
^^é ^e^ é; ae
ht = z, c^^, + ZZt^^2
donde:
z^t^ = { 1, Et_..^,
2 ..., 2
ct _q )
2
z2t • = ( ht_..,
2
, . . . , ht_p )
^ -
^2 - (8^, 82,..., ^^}
1 ^ * +i + ^ ^^
^^M `,., WO ZO ^ ZO ZO ^^ ZO w0
siendo:
donde la expresión para ^ht /^^7^ aparece en [34] de forma que Z*o es una matriz
Txs (siendo s el número de variables en ht ) evaluada bajo Ho, es decir con ^2 = 0 y
con los valores estimados del vector ^^ .
EI estadístico ^^M en [37] se distribuye ^? donde r es el número de parámetros
en c^2. La mayor diferencia con el caso ARCH(q) es que ^^ht /^^^ no tiene una
expresión sencilla si la ecuación de h; incluye algún retardo de ht . Como es
habitual, este estadístico coincide asintóticamente con el producto TR2, donde
R2 es el coeficiente de la regresión MCO en la primera iteración del procedimiento
de Berndt, Hall, Hall y Hausman (1974) a partir de la estimación obtenida bajo
Ho.
Yc = a + ^3 g ( ht ) + ^t [38]
S2t_^ ^. N ( 0, h? )
^>
ht ^ ^D + S1 ^ Wi ^t i
,
(3) Según la cual Fc, en términos continuos, es la diferencia entre los tipos a largo y corto plazo
hoy vigentes en el mercado. Véase por ejemplo Ayuso et al. (1990).
r^^t,^it^^ F^ARA L^, E:^IiMa^,it^^r^ C^E^^ ^^^1^^^>f^)^^t^)^, t^,^^ "3:^3
Si denotamos por 9 el vector de coeficientes a estimar: 9' _(a, ^3, bo, ó^), es
fácíl ver que:
^t ^^hi ^t ^ct
-^L
-- _ _ 1 ^ _ .21 __._--
_ _ .-_. ^ht + ---_
1 ^ _2 . 2 _..--._ _ ^ _ _2 ._._____
^8 2^ ht ^6 2 t( ht ) d6 ^ ht c^6
^cc _
^8
1
c^L _ 1 1 1 _ ^^ ^^ht + ^'t ^^g ( ht ) +
_` __ ^'t g ( h^ )
t - ^ ^ 2 ^
^^ ^ 2 ht2 ht2 f)H ht ^)H t ht2 0
0
^^ ^^ f ` ^ ^"+ í
se tiene:
^)L ; + ^^g ^ h?
^Ft [41 ]
^)H ^ h2, ^^h?
.
_ 2 b^ ^^^; ^t_;
- 2 b1 Z u^i g( ht i^ f'c-^
St
var(8)= ^ ^L ^L ^
^ .._... ___ _._
^ ^e ^^e^
que, a diferencia del modelo ARCH simple, no es diagonal a bloques entre los
vectores de coeficientes de las ecuaciones de yt y ht , por lo que en el modelo
ARCH-M la estimación de estos vectores por separado no es eficiente.
Debido a esto, la estimación del modelo ARCH-M no puede descomponerse
en las etapas propuestas para la estimación del rnodelo ARCH de regresión. En
el modelo ARCH-M, los parámetros de la ecuación de regresión y los de la
estructura ARCH de las perturbaciones deben estimarse conjuntamente, existien-
do una complejidad adicional para evaluar el vector gradiente ^^L/^^H en cada
iteración. Ello se debe a que, como puede apreciarse en la expresión [40], hi
depende de sus valores pasados ht ; para i^1,...,p. Por lo tanto, en cada iteración,
ht debe calcularse recursivamente a partir de p condiciones iniciales en las que
^' , ,^ ^ ^, ^ ' p. ,^1 r^ +` i".^
^ "." ^^ ^^ f ^ f .
se supone que [3=0. Una vez calculado h^ es inmediato evaluar ^, a partir de [39].
Teniendo esto en cuenta, el algoritmo en [36^ se itera hasta alcanzar convergen-
cia.
?. COAAENTARIOS FINALES
APENDICE
2 b 1^ UÍ ^ t-I
1
P 1
^^L i ^ 1 1 _ 2 S 1^ U} ^t_i h? i
1 ht
£t
^39 ^ ht 2 0
1
0
St
^g ( h^ __
)_ 1
) 9 ( hi ) = hc ---^
^^hi 2^1 ht
^
- 2 ^ 1 ^ ^i £t-i
,
P 1
2 - 2 b 1 ^ ^i ^c-i ht-i
^8 ^ ht
,--E^
_Et--
2ht
ht
h^2J 0
1
0
St
^
- 2 ^ 1 ^ ^i Et-i
i
P 1
^L = ^ _1_ - 2^ 1^, ^i ^'t-i I n ht i In ht £t
^8 ^ ht +p ht2 0
1
0
St
' ^ L^ r^e^,
^ ^ ^ ^ i^^ i^^ F^^^J'^ l Fi f;^:^3 ^ l^ff^1^^
^ !(?ri a ... 1 [„ , i^;r . ^ ;- ^ . ^;
^',^::^
^ ^ l^
REFERENCIAS BIBLIOGRAFICAS
BERNDT, E., HALL, B., HALL, R. y HAUSMAN, J. (1974). «Estimation and inference in
non linear structural models». Annals of Economic and Social Measurement,
4, 653-665.
BOLLERSLEV, T. (1988). «On the correlation structure for the generalized autore-
gressive conditional heteroscedastic process». Journal of Time Series Ana/ysis,
9, 121-131.
^NGLE, R. (1983). «Estimates of the variance of U.S. inflation based upon the
ARCH model». Journal of Money, Credit and Banking, 15, 3, 286-301.
SUMMARX
COMENTARIOS
RESUMEN
I. INTRODUCCION
La segunda razón que revela la importancia de este trabajo es que los autores
realizan una cuidadosa recopilación de los procesos de identificación, estimación
y verificación de los modelos de heteroscedasticidad condicional autorregresiva,
recopilación inexistente hasta el momento. Los trabajos relativos a este tipo de
modelos se centraban en un análisis teórico, sin excesivo detalle, de un deter-
minado modelo (ARCH, GARCH o ARCH-M) y una aplicación empírica de éstos
a datos recogidos principalmente de los mercados financieros. Por ello, pensa-
mos que este trabajo supone una aportación importante al haber incluido los
autores tanto una excelente revisión teórica de los modelos como la derivación
de las expresiones analíticas del vector gradiente y de la matriz hessiana, que
posibilitan la prograrnación y la estimación de forma eficiente de estos modelos.
Nuestra experiencia con estos modelos también nos Ileva a buscar una correc-
ta especificación del modelo antes de recurrir a la estimación de modelos no
lineales. De hecho, en el análisis de tres tipos de cambio diarios de la peseta
frente a tres de las más importantes divisas negociadas en el mercado español
(Dólar norteamericano, Marco alemán y Franco francés), surgen dos causas de
errores de especificación que, sin su corrección, nos habrían Ilevado a la estima-
ción de modelos no lineaies, a nuestro parecer, de muy dudosa interpretación
económica, tal y como ocurre en Peña (1989).
REFERENCIAS
CD f^- O d' ^f7 p 1^- ^?' f^ N 07 00 ^-- ct N Q) C3^ cr7 r... f^- M 00 f`^- ^c-
CO f^- tI^ ^- N p h- M^ r- oO ^-- 00 N^t fTi CT) ^ r- CC7 c^7 O d' O
^ Cf^ ap ^- p^ ^f7 ^p ^t h- pp M O^ I'^- c'^ N N t,c^ ^^.^- t.f) C70 r p N
c U ct ^ Op ^-- O pp Q^ N^ CO ^f t` ^17 N O^ r- N h- r.. N^- N Q^ p -^
N ^ Q O r-MC3^ O M N ^t ^C ^N1^ -N O ('^OOQ) r- h- r- ^O ^
^ ^ ^ ^000^^-- p r-O©00©OOO p O ^-- Or- O
^. ^. ^. OO ^. ^. ^. • ^.
•cú a^ ,.
c ^
LL- ^ N CD N QO ^!") O CO h- ^t Q^ r-- M^t' f^- Q) f^- ^ Cfl a0 M Cn c,p ^t f^ C^
LL. c cD ^ C7^ cD ^7 c•. Q^ N r... c^ M a0 CO r- ^f ^- ^t ^:7 cD ^t op ^-- O^ (^I
^(
^0 Ú^ C LL C^ oO N C4 r- CD tl7 I `+ l,n r- aD l17 ©^ O pp CD O(^,^ ^t ^ N C7 t.C)
^ ^ U ^ l.C) QO r O Cy ^ l . f ^ ^ ^-- tf ) O C7 p e-- Cp O r-- Cp f`^- (y ^ Q^ O
Z3 Q O r M C3^ r M M l.( ) M l17 ^ -- UO r- ^ Q' ^ p O N C.,7) (V lf 7 r -' (p
O
^ OOOODe-OOpr-
. ^, ^, ^, . ^, . . ^. . OOOpOpOOpO
. . . ^, . ^, . . ^_ r-O^--O
. ^. . . ^.
Ú OpNOMOInOMr1^C^NMNN^`-d''r-r-opNO^M
^ Ú ^- l.C^ ^- Cp ^© Cp ^ O f^ r 00 ^ C7^ O) Ch O d` r- M r-- ^ CU M
Q) ^t7 ^ c- CV I^- r.. N ti r- ^- Cn t^ pp O P^- O^ O) 1^. 00 C^ O^('7
^ ^ :Ó Q pN^`-^t^t^c^^to0No0Cn^^,COd ' OOr--Q7CC^^ N
lf') ^ I^- M d' N M ^1 O r- r 00 ^ p ^f7 CO CfJ CD (,^ r- r ('7 O (V
a
i= _^ ^
.^ a- o,, o. ooo
^, ^. ^. o p^. oor-ooo
. . . . . ^,^. oooo
^ - o00000
^. ^. ^. ^.
c
^ ^ OrO^^--M^oO^tMCDo(^tOp^CGN^NO0o^r000
c ^ e--^MM^-Nr•.©MNN^f7^-MCD^f7NdrCpP•.1^.^ctN^17
^ -- l.1_ p^CDO^-^M^y^00f`^DOMNMOC3^^}-p'>tpf^-ON
^ U Cfl ^^- c`'7 f^ M r- 00 tT t)O CO O CO O 00 M CO M CJ^ I^,^ 00 O C7^ CO
^ Q ln^t00N^tM^c'^o000o00r-C'^^^t'CO^0O^00
O 0 O O O ^ O O O r C^ O O p O O O O p p p O O O
^. ^. ^. ^. ^. • ^. ^. ^. ^.
N
^ © .- O ^ 00 N © O Ó o
Cn a O Ó N ^!7 CO ^ Ó ^ M
^ O O N O N ^ o O O
I
O
^7
^ ^ ^ ^ ^ ^ ^ ° O tn ^
^ ^ Ó. O. ^ ° O). M O. M. ^.
C
^ ^ O O ~ ^ O ^ O O O
^
0
(n
N ^
° •r- r- ° 0
a
J
^ ^ 00
^n
^t
^--
r- M
o
^-
^
^
^
o
O
0
O ^
I^
'
p ^ ^-- M o0 CD O Cn
^ ^ C? O r-- ^j `^ M ^. O ^ ^
Q Q O o N O N ^ O O O
I
^
O
-p ^n r7
c N © 0 O M o0 ^ O c^ M
N ° ^- ^-- c^ cD O^ ^ O ^t O
^ p CO M ^,17 ln I`^ Ó O ^ t`7
_N . Qj ^ ^ O ^t . O O O
^ ^ Q? ^; N O O ^ O O O
^ N tl')
ó ^ o
^- ^ N ^ N ct ^ O N t^
^ ^ CO N ^.f)
_ tt^ ^
^ C7 O C3)
^ N Ñ Ó ^ ^ N ^ Ó Ó Ó
^ ^ O ^ O N Q O O O
^I ^ I
N ^ N
c^ C Z3 Z7 ^
^p U ^p N ,^ ^ ^ •O ^ ^ ^ •^ ^ C ^ O
-p ^ :D C ^ ^ C '^ C ^ C ^ ^ (p ^ C^
(p ^ ^ ^ ^ ^ ^ - • 'X C
^ =p ^ .^ 'j .(p • • ^ • ^ .C ^ ^p
^ ^ ^ tLS ^ % 4=. (^p ^_ ^ ^ ^ Ú `S ^ ^ ^
^ > ^ ^ O ^ O ^ O ^
U U U
^ ^^^ ^ r , r : ^^ ^ ^ll
rn © O R- •-- cv
^^ ^- N CD O^ c'7 O
_v C t-- N ^-- N r-- (V
N ^ II II 11 !I f^ II
^ ^ .-^ .-^ ^-•. .--. ^-•.. ..-^
^ ^ N^t N Q' N ct
^ m r-- N ^-' N r-' N
LL,J ,.^- •,... ..^• ....- ^ ...^
^ d ^ ^ ^ ^
^ C7 ^
(^ ^- r- ^--
N ^ ^ ^,; ^
'^ ^ P- O O
L CO C^
^ ^ 07
C3^ 4D M
O O O
F- ^ o0
M M
OO
N N N
c^ oO
.N ap ^
^ ^ cY7 0^0 ^ 00
00 ^
Q) O
^ pj O
^ MN o0 Ó^
-rs ca '-''
ó ^
cn ^ cn--.
ó^
^..., ^.. ^ °.^ Z ó.
Q O Q p^j a^0 c^ ^-j ^,..^ Ñ Ñ ^^ ppj ^
;^, I O CO N aU ^ O CfJ ^? ,^ tV O
^ ^ p O Z 07 + N C3) 4) p N 0 O
.0 ^p ^p o N ^ ap -^ N O^ V- N
O ^O I
,I ^ ^ ^ ^^ M^ ^ © MO
^ ^^ O O QÑ ^^ I ^© 00
-^- CO . ^00 O Q)
^^ Ó ^ oO ^ ^ 0 O a0 ,...,
^ ^ p ^Ñ
`--`.. I `_ ^ I
^ ^ O ÑM ^ ^ ^U N
^ ^--' QO O ^ O N I^- Q O
N O
-^ ^ N^ ^ ~ 0 00 ^ OO .
^ + pp O p^ I O ^ CO p .-. f`^ p^ r-
ó .^.-. ^ p ^ cO
o cn ^ ^ ^ ^ ^? °O .--.
00 ^ ^
^ ty . ^ .^ ^-- O
^ ^ ^ ^? M ^ O
_ t^- ^ O O ^ ,,,^ M © O
Ó ^+ ^f`- O p Ll„^ ^^ I c^M p^ I
^ p ^ CO i ^• O op „_., 00 O • ap
c° Ó ° °° ^ ^
r- o o 00
:.^
o c.^o
^ c`n? ^
^ + 0 `..- +_ n. ^n © o + c .-..
o0 ó
M p o,--. c^0 ^ a} © ^. ^ ^ ^ ^--
MM 0_p^ 00 (nN I ^d_'
Ú O^
^ -.^ N ^ p ^ ^ ^^ p
^ O' ^ t0 ^^ CpDO
-p 00 00 O DO ,.^ QN ^"
U
O ~o
r.- r- 0 ^t 0 . (Ó ^, ^-- O O ^ Z N O^.-
cn oo ^-, d' ^.... CO O ^- .^.._ p CD ^ + Zy Ñ p Cj ^
^
Cl ^-- ^
r O M c^ [] Ñ 0..,^ + ^ ,(n M p I -^-
}, O „-. pp O QO ^ O ^~-'
0 O'^ -f- ._ ^ O ^ Q ^ ^ Q
c/^ N O I ' r. p I O .^ ..,=,
ap
O o0 Ó o0 00 I ^- ^-' a0 N I ^ + © ^
^ ó `'^ a
^ j Q,.-^ ^ p ^ ,^ ^ j .^
_ ..^ ,p P- ^, ^
C -}- Q ^ ^ O ^l M + Q Ñ Q N ^1 ..--. N ^ ^ ^ ^ ^ ^
^ NO ^O ^p p7 M
O ,p^,N o00 ^^ ^ ZO N^ ^O
^^
c'^ ^ O O
N ^© ^ ^- c'7 O ^ ^ O ^ ^.... M O
cv ^ Ó ^t ^
O ~ O
© O © O
C
N Q Ó O O ©^ ^Op. O O ©^-j ^ ^,O O N O
^ p ^..- ^ O ti..
•L Q ^ -+- -^- I I .,..- -+- + I `-^
(D 'C O
^ II II j II
^ ^
Ó <l <1 O ^1
T^po de
Tipo de camb^o
cambio Tipo de cambío Pta/FF
Pta/DM
Pta/$
Granger-
NL NL NL NL NL NL NL
Newbold
Maravall NL L L L NL L NL
McLeod-Li L L L L L L L
L L L
(lineal
(lineal (lineal
excepto L
Keenan L L L excepto excepto
para
para para
M = 4,5,6,
M- 2) M^ 2'3)
7,9,10)
NBL NBL
Bilinear
(excepto NBL NBL (excepto NBL NBL NBL
* diagonal
para i =. 9) para i= 3)
NBL
NBL NBL
NBL (excepto
(excepto (excepto NBL
* sub (excepto para
para para (excepto
y super NBL NBL para i-=1,j=2;
i=8,j=9; i=1,j=2; para
diagonal i=1,j=2; i==3,j=-4;
i=5,j_g; i=6,j=7; i-8 j_12
- )
i=9,j =12) I =fi,j=7;
i=6,1=10). i=8,j=9)
i=8,j=9)
ARCH NO NO NO NO NO NO
ARCH
para p< 4 ARCH ARCH ARCH ARCH ARCH ARCH
J. DEL H^YO
A. S. MARTIN ARROYO^
Departamento de Análisis Económico,
Facultad CC.EE.EE., U.A.M.
RESUMEN
^t=R+^^t-^
que equivale a
Estimación
{^i = (i
Ecuación de observación
Yt=xt^+^`c
EI logaritmo de la función de verosimilitud de todas las observaciones del
modelo es función de las varianzas condicionales ht y de los residuos recursivos
del modeo, vt = Y- Yt^t--^^
A partir de unos valores iniciales, e1 filtro de Kalman aplicada a las ecuaciones
de transición y de observación permite obtener de forma recursiva las expresio-
nes de los residuos y de las varianzas candicionadas.
En el caso que nos ocupa, con perturbaciones que presentan las estructuras
heteroscedásticas propuestas, se conoce el modelo de la varianza condicionada,
que depende de un conjunto de coeficientes, ^ y H, junto con los cuadrados de
las perturbaciones retardadas hasta p períodos, así como los retardos de las
varianzas condicionadas hasta q períodos. Por tanto, el problerna restante con-
siste en obtener los valores iniciales y fijar el comienzo de la recursión.
Una posible vía de solución consiste en efectuar una prirnera estimación en blo-
que mediante MCO, utilizar como valores iniciales ^30 =^3MCO Y Po =(X'X)-' junto
con los p primeros residuos MCO, ^^^ ...^P Y hó^ h2^ ^^^ h^ --- y-^MCO Y comenzar
la recursión en t= p+ 1.
Así, pues, puede ser de gran utilidad comparar los resultados de estimación
propuestos por los autores y los que se conseguirían con este procedimiento
alternativo para evaluar la función de verosimilitud. Además, creemos que dicho
procedimiento recursivo tiene como ventaja adicionai que, en cualquier instante
t, se pueden comparar la varianza condicional con la estimación recursiva de la
varianza 6^ o bien 6t ^ t_^.
Verificación
=P{X^=xi f E^,6}xP{E^^6}
Sin embargo, como hemos dicho anteriormente, ello no tiene por qué ser
necesariamente cierto si incluimos proposiciones conjuntas sobre el parámetro y
el modelo ( u otros parámetros implicados por H;).
^ ;^,n,^F^ r^T^k^^^^>^^ ^,I
S.4 Existe un valor x^ de X^ para el cual p^(x^;8) = 0 b' 8 y p2(x^;^) > 0^! 6.
Existe un valor x2 de X2 para el cual p^(x2;9) = 0`d 9 y p2(x2;9) > 0`d 8. Es decir,
x^ es imposible en E^ bajo H ^ y x2 es imposible en E2 bajo H2.
Es decir, dependiendo del experimento que se Ileve a cabo y por estar asociado
6 a H;, decidiremos de forma diferente sobre 8 incluso cuando las distribuciones
marginales a posteriari de e sean las mismas en ambos experimentos.
En definitiva, se trata de un campo relativamente nuevo desde un punto de
vista estadístico que necesita de la continuidad de aportaciones como las que
tan brillantemente han sabido reflejar los profesores Novales y Gracia-Díez a los
que no nos queda sino felicitar de nuevo.
REFERENCIAS
J. IGNAClO PEÑA
Departamento de Economía
Universidad Carlos III de Madrid
6t = ^ ^ ^? ; (1]
p i =- 1
para reflejar ese riesgo dependiente del tiempo, que denominaremos como at , y
donde ct podían ser los errores de predicción de algún modelo ajustado a los
datos o bien directamente ios rendimientos del activo. Los agentes elegían p en
función de sus impresiones sobre la velocidad de cambio de la volatifidad pero,
en general, daban el mismo peso a la información más reciente y a la más
antigua. Una extensión de este enfoque se expone en French et al. (1987) que
sugieren estimar la volatilidad mensual si se dispone de datos diarios de la
siguiente forma
Nt Nt-1
P q
at ` a0 + ^ ai ^t - i +` ^ ^j 6t j [5)
i^1 j-1
Tanta los modelos ARCH como los GARCH imponen una serie de restricciones
en los parámetros para garantizar que la varianza sea siempre positiva, que son
del tipo oco, a;, Rj > 0. Para garantizar la estabilidad del modelo, una condición
adicional es
q P
^ ^i + ^ aj ^ 1 [6]
i-^ ^ i-=1
4 P
In a? = ap +^[ij In csc j+^ ock (8 y^t-k+ ( I 4ft-k I- 2n0.5)) [7]
j =1 k =. 1
donde
4^t = Et [8]
^t
REFERENCIAS
ENG^E, R., NG., V. (1991). «Measuring and testing the Impact of News on Volati-
lity». Working Paper. Department of Economics. UCSD.
1. INTRODUCCION
2. COMENTARIC^S GENERALES
Cabría mencionar asimismo, que los modelos tipo ARCH y GARCH son la
generalización al caso de las varianzas condicionales de los modelos ARIMA.
Esto se aprecia de forma clara en la fórmula 25.
REFERENCIAS ADICIONALES
ESTHER RUIZ
Departamento de Estadist^ca y Econometría
Universídad Carlos III de Madr^d
1. INTROD^JCCION
2. MODELOS GARCH
Yc = ^t 6t [1l
6t = c^ + a yt ^+^3 6t ^ [2]
Estas restricciones tienen como consecuencia que los modelos GARCH tengan
limitaciones importantes que condicionan su utilización empírica. En concreto,
Nelson ( 1991) señala las siguientes limitaciones:
i) Las condiciones sobre los parámetros del modelo necesarias para garan-
tizar la positividad de la varianza condicianal son a menudo violadas por las
estimaciones con series reales.
ii) La definición de persistencia en un modelo GARCH es confusa en el
sentido de que dependiendo de cuál sea la norma respecto a la cual se mide tal
persistencia, se puede Ilegar a conclusiones contradictorias. Por ejemplo, en el
caso de un proceso GARCH integrado (IGARCH), i.e. a+ R= 1, el proceso es
estrictamente estacionario pero no es estacionario en covarianza.
Bollerslev et al. (1992) y Bera y H iggins (1993) realizan una revisión detallada
de todos los modelos basados en ARCH y desarrollan todos los puntos tratados
brevemente en esta sección.
3. MODELOS EGARCH
Tanto los modelos GARCH como los modelos E^ARCH modelizan la volatili-
dad, 6t, como la desviación típica de los errores de predicción un período hacia
delante. Sin ernbargo, la volatilidad puede ser considerada como una variable
inobservable. Los modelos de volatilidad estocástica (SV) modelizan el logaritmo
de la v©latilidad como un proceso estocástico lineal, normalmente un proceso
autorregresivo; para una detallada revisión de los modelos SV ver Taylor (1991).
^,c )ME ^`^t:^k1i,:^i^ ^!
5. CONCLUSIONES
Entre los modelos que especifican una forma funcional para el logaritmo de la
volatilidad, podemos destacar los modelos GARCH exponenciales (EGARCH) y
los modelOS de volatilidad estocástica (SV). Estos últimos modelos están siendo
actualrnente objeto de intensiva investigación y los resultados obtenidos hasta el
momento parecen indicar que ésta puede ser una línea de investigación sobre
la modelización de la volatilidad fructífera en el futuro.
REFERENCIAS
NELSON, D. B. (1988). «The Time Series Behaviour of Stockk Market Volatility and
Returns», Tesis Doctoral, Massachusetts Institute of Technology.
NELSON, D. B. (1981). «Conditional Heteroskedasticity in Asset Returns: A New
Approach», Econometrica, Vol. 59, n.° 2, 347-370.
PAGAN, A. R. y SCHWERT, G. W. (1990). «Alternative Models for Conditional Stock
Volatility», Journa! of Econometrics, 45, 267-290.
Ru^z, E. (1992). «Quasi-Maximum Likelihood Estimation of Stochastic Variance
Models», Econometrics Discussion Paper Series, London School of Ecano-
mics, Londres.
ENRiQUE SENTANA
Para que un modelo ARCH sea realrnente el proceso generador de las obser-
vaciones, es necesario que las varianzas condicionadas asociadas sean no
negativas. Dada la forma funcional, ello, evidentemente, impone restricciones
sobre los coeficientes. Por ejemplo, en un ARCH (q) en el que el soporte de !a
distribución condicional es infinito, los parámetros a^ (j=1,...,q) han de ser no
negativos [cf. ecuación (3)]. Sin embargo, en el caso de un GARCH ( p,q), las
restricciones de positividad son más complicadas. Ta! y como Drost y Nijman
(1992) y Nelson y Cao ( 1992) han señalado, lo más adecuado es imponer dichas
restricciones sobre los coeficientes de la forma ARCH (^) implícita en el
GARCH ( p,q). Expandiendo dichos coeficientes en términos de los parámetros
originales, estos autores demuestran que las condiciones impuestas por Bollers-
lev (1986) [cf. ecuación ( 28)] san excesivamente restrictivas. Por ejemplo, en un
proceso GARCH ( 1,2), bastaría con que aco > 0, a^,[3^ >_ 0 y[3^a^ + a2 >_ 0, de
modo que a2 puede ser negativo. Nótese, sin embargo, que para el modelo más
comúnmente estimado, el GARCH ( 1,1), las restricciones habituales siguen sien-
do válidas.
Aunque sin duda la forma funcional originalmente propuesta por Engle (1982),
y generalizada por Bollerslev (1986) es la más común en la literatura aplicada,
la modelización de la varianza condicional en términos de residuos pasados al
cuadrado presenta ciertas limitaciones. Por ejempla, no permite capturar el efecto
asimétrico dinámico ampliamente documentando para series financieras, y gene-
ralmente conocido como «leverage effect», en el que la volatilidad aumenta rrás
tras una perturbación negativa que tras una positiva de igual magnitud. Para suplir
esta deficiencia, otras formas funcionales más generales han sido propuestas.
Una de las más populares es el Ilamado GARCH exponencial (EGARCH) de
Nelson (1991), que rnodeliza el logaritmo de la varianza condicional, y permite el
efecto diferenciado de shocks positivos y negativos al incluir tanto el valor abso-
luto de los retardos como su nivel. No obstante, el EGARCH es un modelo de
heteroscedasticidad multiplicativa que no anida el ARCH de Engle. Posteriormen-
te se han propuesto alternativas anidadas que permiten efectos asimétricos. La
más simple es el Ilamado QARCH (o ARCH cuadrático) que completa el polino-
mio cuadrático mediante términos lineales y productos cruzados de retardos. EI
caso más simple es el QARCH {1 } en el que 6t = 6+ a^ xt ^+ y^^ xt_^ [véase Engle
(1990) y Sentana (1991)]. AI no abandonarse la forma funcional cuadrática, es
sencillo hallar condiciones sobre los coeficientes que garantizan la positividad
d e 6t .
d} APLICACIONES FINANCIERAS
la mejor. Para poder discutir este tema en profundidad, sin embargo, es necesario
definir qué es volatilidad. A mi juicio, la definición más precisa es la Que se
encuentra en un reciente trabajo de Andersen (1992), quien identifica volatilidad
con la varianza condicional de un activo. EI problema es condicional en qué.
Desde el punto de vista financiero, es natural suponer que el conjunto de infor-
mación relevante es el que disponen los participantes en los mercados. En
cambio, el estudioso sólo cuenta con un subconjunto muy limitado de dicha
información, tanto porque la frecuencia de observación de sus datos es sustan-
cialmente menor que el cuasi-continuo que observan los agentes, como por
considerar sirnultáneamente un número de variables pequeño, normalmente sólo
la serie en cuestión. Ello implica que aunque conociéramos los parámetros que
caracterizan la varianza condicional a nuestro conjunto de información, ésta
seguiría siendo una estimación de la volatilidad subyacente.
BIBLIOGRAFIA ADICIONAL
ENGLE, R. F. (1990). «Discussion: Stock market volatility and the crash of 87»,
Review of Financial Studies, 3, 103-106.
LEE, J. H. y K^NG, M. L. (1991). «A locally most mean powerful based score test
for ARCH and GARCH regression disturbances», Monash University Depart-
ment of Economics Working Paper 9/91.
F. JAVIER TRIVEZ
Departamento de Análisis Econámico
Facuitad de Ciencias Económicas
Universidad de Zaragoza
EI trabajo está expuesto con la claridad y el rigor que caracteriza a los autores,
y supone una estupenda introducción al estudio de los modelos tipo ARCH.
a) EI modelo EGARCH
Una limitación importante del modelo GARCH escrito en (28) viene dada por el
hecho de que, como consecuencia de las restricciones que se imponen en los
parámetros, la estructura GARCH sólo permite modelizar relaciones de magnitud y
no de signo (positivo o negativo) entre la varianza (ht ) y^,t. En ocasiones, sin
embargo, resulta conveniente contrastar relaciones de signo y no sólo de magnitud.
Por ejemplo, para analizar si tal y como señala Black (1976) existen correlaciones
negativas entre los rendimientos presentes de las acciones y la volatilidad futura.
donde: Zt = ^t/ht
En (1) no se necesita ningún tipo de restricción paramétrica para evitar varian-
zas negativas. Por tanto, a partir de [1 ] si se cumple que b;^; ^ 0, podemos concluir
que la varianza tiende a aumentar (disminuir) cuando ^t_; es negativa (positiva),
pudiendo contrastar, en consecuencia, relaciones de signo entre la varianza y
las innovaciones.
b) ARCH multivariante
^t = Zt H t^^^ [2]
4 p
vech (Ht) = c + ^ A; vech (Et_; ^'t_;) + ^ B; vech (Ht_;) [^l
^ __. ^ ^ -_ ^
donde vech (.) denota un vector columna formado por los efementos de la dia-
gonal principal y los inferiores a ella, de la matriz simétrica Ht, c es un vector de
orden 1/2 N(N+1) x 1 y A;, i= 1, .. ., q y B;, i= 1, ..., p son matrices cuadradas de
orden 1/2 N(N+1).
Yt=a+^9(Ht)+^t
Para estimar este modelo aplican el algoritmo de Berndt, Hall, Hall y Hausman
(1974) a la maximización de la función lograrítmica de verosirnilitud, que vendrá
dada por:
donde:
8' _ [a', ^3', c', vec (A^ )', . . . , vec (Aq)', vec ( B ^ )', . . . , vec ( B p)']
Los madelos tipo ARCH han sido estimados habitualmente mediante el proce-
dimiento de máxirna verosimilitud, dada la simplicidad relativa del mismo, así
como las buenas propiedades que dichos estimadores cumplen bajo condiciones
^deales. Así, cuando la hipótesis de normalidad condicional en correcta, resulta
evidente que los mejores estimadores son los MV ya que, bajo ciertas condicio-
nes de regularidad, son asintóticamente eficientes.
Var ( ^ MV)
ERf^ = Var ^ [5]
( CMV)
REFERENCIAS BIBLIOGRAFICAS
. «Estimation and
BERNDT, E. K., HALL, B. H., HALL, R. E. y HAUSMAN, J. A. (1974)
Inference in Nonlinear Structural Models», Annals of Economic and Social
Measurement, 4, 653-665.
BLACK, F. (1976). «Studies of Stock Price Volatility Changes». En Proceedings of
the Business and Economic Statistics Section American Statistical Association,
177-181.
BODURTHA, J. M. y MARK, N. C. (1991). «Testing the CAPM with Time Varying Risks
and Returns», Journal of Finance, 46, 1485-1505.
CO NTESTACION
Los profesores J. del Hoyo y A. Martín Arroyo por un lado, y A. García Ferrer
y A. de Juan por otro, proponen una reflexión metodológica sobre un aspecto
que consideramos crucial y que ha recibido alguna atención en la literatura, si
bien no tada la que por su importancia merece. A. García Ferrer y A. de Juan
sugieren la consideración de que las estructuras ARCH no sean, en algunos
casos, sino mero reflejo de otras características del rnodelo. En algunos casos,
la existencia de un alto número de valores atípicos de magnitud importante,
puede conducir a!a creencia de que existe una estructura ARCH; en otros casos,
como ya se ha mostrado en la literatura, variables como el volumen de negocia-
ción, no incorporadas al modelo, pueden sugerir la existencia de estructuras
ARCH que desaparecen si las variables mencionadas se explicitan.