MODELO ARCH PARA VALOR PROMEDIO DE CREDITIC1

El Banco de Crédito del Perú (BCP) (BVL:CREDITC1) es

el banco más grande y el proveedor líder de servicios
financieros integrados en el Perú, con aproximadamente US$ 39 mil
millones en activos totales y una participación de mercado de 30,4%
en créditos totales y 33,5% en depósitos totales. BCP tiene más de
127 años de presencia en el país y es la marca más valiosa del
Perú.

 Se estudiará el valor promedio de las acciones del Banco de Crédito (CREDITIC1) para
el periodo julio 2019 a julio 2020
 Son aproximadamente 237 datos

1. ESTUDIAREMOS SI ES QUE EXISTEN EFECTOS ARCH EN LA SERIE DE TIEMPO

A. Creamos regresión Auxiliar

Promedio = c
“se calculan los valores estimados a partir de la regresión de Series de tiempo contra
una constante”
“promedio= valor promedio de las acciones CREDITIC1”
“c= Media incondicional”
 Esta regresión es no oportuna para uso y futuro contraste de efectos ARCH , ya que no
contiene rezagos necesarios

 Se usarán 5 rezagos ya que citando al autor del libro “Econometría y Estadística

Financiera” – Court Rengifo
o “Como se tienen datos diarios, la regla empírica afirma que el número
adecuado de rezagos debe ser alrededor de 5”
 Para saber si existe efectos ARCH en la serie de tiempo se contrastará la hipótesis

Se contrastará la hipótesis nula

a. Ho: no existencia de efectos ARCH
b. Ha: existencia de efectos ARCH

Chi cuadrado con 5 grados de libertad, porque se han usado 5 rezagos

Se usará un nivel de significancia de 5%

Veamos p valor:
p valor = 0.0000
Como p <5%

Se rechaza Hipótesis Nula

Por lo tanto se rechaza la No existencia de efectos ARCH y por consiguiente se acepta
que la serie de tiempo estudiada del promedio de valores de CREDITIC1 tiene efectos
ARCH, por lo que se necesitará modelar adecuadamente
2.-MODELACIÓN DEL MODELO
2.1 Primero vemos si existe estacionariedad en la serie de tiempo
A. Observamos el histograma de la variable promedio para ver si se
distribuye como una normal

o Observamos que la kurtosis es cercana a 3 por lo que se

puede concluir que se distribuye como una normal

B. Comprobamos la existencia de estacionariedad en la variable

En el FAS existe una

caída lenta hacia cero, mientras que el FAP existe un valor significativo
 Prueba de Dickey Fuller
  Se comprueba que existe raíz unitaria y por tanto es no
estacionaria, se usaron 2 lags porque con esa cantidad de retardos
se comprueba que el correlograma de los residuos se comportan
como ruido blanco, como se ve en el segundo correlograma
Una función apropiada para hacer pronósticos de la función de precios
promedios, a través de la función de rendimiento, la cual está en función a
la primera mencionada.
 Segundo test de dickey fuller , con la variable transformada

 Luego de testear la hipótesis nula comprobamos que en términos

absolutos el test de DF > t crítico con 5%
o Por tanto se rechaza Ho: Existe raíz unitaria
o De esta manera se acepta la no estacionariedad de la variable
dlog(promedio)

 Con este nuevo test de raíz unitaria se comprueba que no existe raíz
unitaria en dlog(promedio) y por tanto es no estacionario
3.-ELABORACIÓN DEL MODELO ADECUADO
 Se procederá a crear un modelo ARCH general o sea un modelo GARCH
ARCH- Autoregressive Conditional Heteroskedasticity”
1.1.- Modelo ARCH(1) se pondrá lo siguiente:

1.2.- Para obtener el modelo GARCH(1,1) se pondrá lo siguiente:

o Model: GARCH/TARCH –
o Order: ◦ ARCH: 1
o GARCH: 1
o Error distribution: Normal (Gaussian)
o Siguiendo el modelo
 Media condicional=C
o P>0.05  no significativo dado el valor porcentual de significancia
asignado
o No se rechaza Ho y por tanto se podría considerar un intercepto igual a
cero
 Varianza Condicional
 “C” corresponde a ω,
 “RESID(-1)^2” corresponde a α
 “GARCH(-1)” a β

a) Primero se tiene que proceder a saber si cumple con la

estacionariedad para esto:
 α + β < 1  0.1681 + -0.6568  es estacionario
 Todos los coeficientes deben ser positivos
o No hay un coeficiente negativo  es estacionario

b) Segundo vemos el valor de p

o p<0.05 en GARCH(-1) , por tanto es significativo
 o p<0.05 en RESID(-1)^2, por tanto es significativo

2.1.-Modelo ARCH-M con AR(24)

 Como se puede observar en el anterior modelo la primera
C=media condicional es no significativa , así que usaremos un
AR(24) dado que el correlograma de dlog(promedio) nos los sugiere
así

 Se elaboró el modelo para AR(8) pero no resultaró significativo , por tal

motivo se escogió un AR(24)
  Media

condicional=AR(24)
o P<0.10  significativo dado el valor porcentual de significancia
asignado
o Se rechaza Ho y por tanto se podría considerar un intercepto diferente
a cero
o “@SQRT(GARCH)= efecto de la desviación estándar condicional en la ecuación
de la media condicional ; es significativo al 10%

 Varianza Condicional
 “C” corresponde a ω,
 “RESID(-1)^2” corresponde a α
 Primero se tiene que proceder a saber si cumple con la estacionariedad para esto:

o α < 1  0.19  es estacionario

o Todos los coeficientes deben ser positivos
 o No hay un coeficiente negativo  es estacionario

 En segundo lugar vemos el valor de p

o p<0.05 en RESID(-1)^2, por tanto es significativo

2.1.-Modelo GARCH con AR(24)

 Media condicional=AR(24) @SQRT(GARCH)

o @SQRT(GARCH)= El efecto de la desviación estándar condicional en la
ecuación de la media condicional es significativo solo al 15%
o P<0.10  significativo dado el valor porcentual de significancia
asignado
o Se podría rechazar Ho dado los niveles de significancia asignados y por
tanto se podría considerar un intercepto igual a cero
 Varianza Condicional
 “C” corresponde a ω,
 “RESID(-1)^2” corresponde a α
 “GARCH(-1)” a β
 a) Primero se tiene que proceder a saber si cumple con la
estacionariedad para esto:
 α + β < 1  0.20009 + -0.65777  es estacionario
 Todos los coeficientes deben ser positivos
o No hay un coeficiente negativo  es estacionario
b) Segundo vemos el valor de p
o p<0.05 en GARCH(-1) , por tanto es significativo
o p<0.05 en RESID(-1)^2, por tanto es significativo
CRITERIOS DE INFORMACIÓN AKAIKE Y SCHWARZ
Por último dado que los dos últimos modelos estudiados son significativos,
debemos ver cuál de estos escoger para esto utilizamos los criterios de
información Akaike y Schwarz

Akaike Schwarz
ARCH-M AR(24) -6.320831 -6.257500
GARCH AR(24) -6.377339 -6.295274

Como se puede observar el modelo a usar sería el GARCH(1,1)

AR(24):
Quedando el modelo:

Donde ω=1.91E-05, ∝=0.216030 y β=0.633802

Varianza condicional:
0.0000191
σ 2= =0.00012719 =1.2719 E -04
1−0.216030−0.633802

σ 2t =0.0000191+ 0.216030∗u 2t−1 +0.633802∗σ 2t−1

a) Grafica GARCH(1,1) Desviación Estándar:

b) Grafica GARCH(1,1) Varianza Condicional:

 ADICIÓN DE CURVA DE IMPACTO DE LAS NOTICIAS Y ASIMETRÍA
AL MODELO GARCH (1,1)-M AR (24)

a) Modelo TARCH
  RESID (-1)^2*(RESID (-1)<0)= = representa el efecto de las
malas noticias en la varianza condicional
 RESID (-1)^2*(RESID (-1)<0)  en ambos casos es mayor al 40% por lo que no
se podría considerar significativo , de esta forma no sería adecuado usar el
modelo TARCH
 De la misma forma el coeficiente es negativo en ambos casos ( GARCH-M y
GARCH)

b) MODELO EGARCH

 En este modelo se afirma que existe el efecto de apalancamiento si γ < 0 y es

estadísticamente signficativo
 Se usará la distribución recomendada por Nelson la GED (generalizada de
errores)

 En ambos casos γ > 0 , por lo que se considera la no existencia de

efecto apalancamiento , a pesar que la variable podría ser
significativa a un nivel de significancia de apróx 10%
c) Modelo de componentes ARCH

 El modelo GARCH(1,1) implica que la varianza condicional tiende a su media

incondicional , que es constante en el tiempo
 El modelo de componentes ARCH permite que la varianza condicional tienda a
una media (qt ) que varía en el tiempo
o Donde qt representa la volatilidad de largo plazo que a su vez varía con
el tiempo
 “En la ecuación (1), el término a la izquierda representa el elemento transitorio, el que converge
a cero con una velocidad dada por (α + β). La ecuación (2) representa el componente de largo
plazo el que converge a ω con una velocidad dada por ρ. Normalmente ρ es un número bastante
cercano a 1 (generalmente igual a 0,99), lo que significa que qt converge a ω lentamente”

 Modelo de componentes ARCH con incorporación de efectos asimétricos

Donde d es una variable dummy que toma el valor de 1 si u(t-1) < 0 (malas
noticias). Si γ > 0 y estadísticamente significativo, existirá el efecto de
apalancamiento transitorio en la varianza condicional

c.1) Sin considerar efectos de asimetría

  Coeficiente que muestra la convergencia de la volatilidad de largo plazo (qt ) a ω está
dado por C(3), que es igual a 0,856822
o Esto significa que el componente de largo plazo converge lentamente al nivel
de equilibrio
 La velocidad de convergencia de la parte transitoria está dada por la suma de (α + β),
que en este caso es igual a [C(5)+C(6)].
o Esta suma es igual a -0,869457 (-0,079134 - 0,790323)

c.2) Considerando efectos de asimetría

  El coeficiente γ=C(6)=-0.262417<0 , por lo que se podría afirmar que a pesar que
existen significancia estadística  p=0.000 , NO existe efecto transitorio de
apalancamiento en la serie CREDITIC 1

PRONÓSTICO DEL MODELO

Para el posterior pronostico del modelo se usará el modelo GARCH (1,1) y el GARCH-M(1,1)
ambos usando AR(24) como media condicional

a) GARCH (1,1) AR(24)

Dinámica Estática
b) GARCH-M(1,1) AR(24)
Dinámica Estática
En ambos modelos se puede observar que el MAPE y el índice de Theil son menores que 100%
y1