UNIVERSIDAD NACIONAL DE CHIMBORAZO

FACULTAD DE CIENCIAS POLÍTICAS Y ADMINISTRATIVAS

CARRERA DE ECONOMÍA

CATEDRA:

ECONOMETRIA
INTERMEDIA

TEMA:

TRABAJO DEL MODELO

DE ARCH, GARCH,
TGARCH Y EGARCH

ALUMNA:
DOLORES GUAMÁN
ROBERTO NAULA

SEMESTRE:

QUINTO “A”

DOCENTE:
ECO. YADIER TORRES

FECHA:
26/JULIO/2020
INTRODUCCION

MODELOS ARCH, GARCH, TGARCH Y EGARCH: APLICACIONES A

SERIES FINANCIERAS

Este trabajo nos da a conocer una descripción de los modelos ARCH, GARCH y
EGARCH, relación con los modelos con heterocedasticidad condicional autorregresiva
y de los procesos de estimación de sus parámetros usando máxima verosimilitud
relacionada con los modelos con heterocedasticidad condicional autorregresiva. Se
propone un modelo alternativo para el análisis de series financieras y se estudian las
series de precios y de retornos de las acciones de Facebook. La selección de modelos
usando los criterios AIC y BIC según Aitkin, M [CITATION Ait87 \n \t \l 21514 ]permite
concluir que, de los modelos considerados el GARCH (1,2) es el que mejor explica el
comportamiento de los precios de las acciones y el EGARCH (2,1) es el que mejor
explica la serie de los retornos.

Las series temporales según, Cepeda, E. y Gamerman, D [ CITATION Cep01 \l 21514 ]son
muy conocidas por el impacto en la sociedad, ya que en parte son las que tienen mayor
público, son las que aparecen en el mercado financiero, debido a que estas controlan la
economía mundial y a la gran cantidad de gente que invierte en estas con tan de
aumentar su capital. Sin embargo, estas series no pueden ser modeladas mediante los
procesos lineales clásicos ARMA estudiados en el curso, ya que estos no tienen en
cuenta una posible volatilidad condicionada a valores anteriores, un factor que tiene un
papel importante para el modelado de estas series.

Es por esto por lo que en este trabajo realizamos una práctica con series financieras de
Facebook con los modelos con heterocedasticidad condicional autorregresiva (ARCH) o
la generalización de estos (GARCH), los cuales tienen en cuenta el factor mencionado
anteriormente y son los idóneos para el modelado de este tipo de series. También se
realiza un estudio al método EGARCH (modelo exponencial generalizado,
autorregresivo, condicionalmente heterocedastico).

Los modelos EGARCH según Engle, R. F. y Ng V. K [CITATION Eng93 \n \t \l 21514 ]

para la serie de los precios no satisfacen los supuestos de no correlación, ya sea en los
residuales o en los residuales al cuadrado, o no se rechaza la hipótesis H0: θ = 0 donde θ
es uno de los parámetros de la varianza. En consecuencia, estos modelos, no se tienen
en cuenta para modelar los precios.
Los modelos GARCH estándar según Hansen y Lunde [CITATION Han061 \n \t \l 21514 ]
suponen que los errores positivos y negativos influyen en la volatilidad simétricamente,
es decir, tanto la información buena como la mala tienen el mismo efecto en la
volatilidad del modelo. En la práctica, esta suposición generalmente es incorrecta, por
ejemplo, cuando se trata del desempeño de las acciones, ya que la volatilidad en estas
acciones tiende a aumentar después de las malas noticias en lugar de las buenas. Este
efecto se conoce como el efecto de apalancamiento y ocurre primero con Fischer
Sheffey Black, un economista estadounidense.

Esta propiedad es comprensible porque los rendimientos negativos implican una alta
proporción de la deuda, lo que se traduce en un menor valor de mercado para la
empresa, lo que conduce a una mayor volatilidad. Aunque los retornos positivos
conducen a aumentos menores, también aumentan la volatilidad. Desde un punto de
vista empírico, la volatilidad no responde simétricamente al signo de los choques, razón
por la cual se han propuesto extensiones parametrizadas del modelo GARCH estándar.
Dos de los más importantes son el modelo GARCH exponencial (EGARCH) y el
GARCH umbral (TGARCH) (modelo GARCH con umbral).[ CITATION Nov93 \l 21514 ]

La idea de los modelos Threshold ARCH (TARCH) es dividir la distribución de las

innovaciones de la desviación y la varianza condicionales en intervalos disjuntos, para
luego aproximarlas a una función lineal por partes. Si solo hay dos intervalos, entonces
la división se hace en el 0, separando las innovaciones positivas de las negativas para la
influencia en la volatilidad. En este caso, el modelo TARCH de orden q se puede
escribir como:

Donde 1(·) es la función indicadora, y para δ = 1 tenemos la expresión de la desviación

estándar condicional, y para δ = 2 la de la varianza condicional. Extendiendo este
modelo añadiéndole las desviaciones estándar condicionales retardadas (varianzas
respectivamente) como regresores, aparece el llamado modelo TGARCH. En lugar de
una función lineal por partes, se puede utilizar una función gradual, constante por
partes, como modelo de la volatilidad.
METODOLOGIA

1- Seleccionar una de las series históricas relacionadas con la página de Yahoo

Finanzas durante 1 año (de forma diaria(5 días a la semana).

Figura 1: Datos de precio de acciones de FB

2- Aplicar la metodología para incorporar la serie escogida en una base de datos de

Excel, y finalmente exportarla al Eviews 10.

Figura 2: Datos de manera desordenado de Precio de acciones de BF

Figura 3: Datos de manera ordenado de Precio de acciones de BF

3- Aplicar la
metodología IMRYD con introducción, metodología, resultados y discusión, todo
en normas APA (tablas, gráficos, figuras, etc.)

Característica de la serie

Gráfica 1
Serie de precio de acciones de FB (26 de Julio de 2019 – 26 de
Julio de 2020)

Como se puede observar en la gráfica el precio de las acciones de FB presenta una

tendencia al crecimiento dese el periodo M8 hasta el M11, luego decrece durante dos
periodos para luego otras veces crecer, en general se puede notar que presenta periodos
de alta y baja volatilidad. También se puede identificar que la serie tienen tendencia y
variabilidad, por lo tanto, es una serie no estacionaria y no sería posible construir un
modelo. En consecuencia, se hace necesario realizar la transformación de la serie,
sacando la primera diferencia logarítmica para luego aplicar las pruebas y determinar si
la serie es estacionaria, propiciando la posibilidad de construcción de modelos ARCH y
GARCH.
También se puede analizar el problema de la normalidad a través de un histograma.

Gráfica 2
Histograma de serie de acciones de FB
 Como se
puede observar en el histograma es una serie volátil que presenta sesgo positivo con
respecto a la normalidad es decir que la serie no presenta normalidad.
Para poder determinar qué modelo estimar de la mejor forma los precios de la acción de
FB resolvemos los ejercicios de estos dos modelos.

Modelo ARCH

Para determinar este modelo corremos la regresión de la variable High original con un
constante.

Figura 4: Ecuación de la variable original de high

Una vez determinado el modelo podemos observar que la variable independiente que
tiene el modelo ARCH es significativa y el valor de R al cuadrado es menor que 0,05 lo
que significa que rechazamos la hipótesis nula.
H 0=No hay efectos ARCH de primer orden

H 1=Existe efectos ARCH de primer orden

Es decir que en esta serie si existe efectos ARCH de primer orden.

También podemos identificar otra característica sobre la serie es atreves del problema
de heteroscedasticidad, para comprobarlo lo realizamos atreves del contraste de Levene.

Figura 5: Problema de Heterocedasticidad

Como se puede observar el contraste de Levene es menor que 0,05 lo que indica que es

una evidencia en contra del H0, es decir que existe desigualdad en las varianzas de la

serie por lo tanto se procede a corregir aplicando la transformación logarítmica.

Gráfica 3
Serie de precio de acciones de FB (26 de Julio de
2019 – 26 de Julio de 2020)
 Como se puede observar ya se ha reducido la escala de medida. Sin embargo, todavía se
puede observar que la serie presenta tendencia tanto al crecimiento como al
decrecimiento por lo que procedemos a corregir la raíz unitaria.

Figura 6: Ecuación de la serie de FB aplicado el contraste de raíz unitario

Una vez realizado el proceso se puede observar que el Durbin Watson es estable, valor
de probabilidad del contraste es potente, y el valor de probabilidad en general es menor
que 0,05 lo que indica que ya no existe más raíz unitaria es decir que la variable loghigh
es una variable integrada de orden 1.
Gráfica 4
Grafica de la serie de precio de acciones de FB
estable

Se puede observar que la serie es estable sobre los valores medios, es decir ya existe una
estabilidad en la media

Gráfica 5
Histograma de serie de acciones de FB aplicado la primera
diferencia

Además, ya es una serie leptocúrtica es decir no sigue una distribución normal.

 Y luego determinamos el modelo ARCH

Figura 7: Estimación de modelo ARCH, para series de rendimientos bursátiles de FB durante el periodo
comprendido 26/07/2019- 26/07/2020

Volatilidad de variable en el tiempo

Ecuación sobre la media

Y t = y +e t

Y t =0,000814+ et

Ecuación sobre la varianza

ht =α 0 +α 1 e t−12

ht =0,000215+ 0,65 et2

Características para cumplir

α 0 >0 ; 0 ≤ α 1 <1

Como se puede observar que esta ecuación ha cumplidos estos supuestos, es decir que
este modelo puede servir para realizar un buen pronóstico.

AIC= -5,036747
Estimación de modelo GARCH

Figura 8: Estimación de modelo AR (1) GARCH (1,1) para la serie de rendimiento de FB

Ecuación sobre la media

Y t = y +e t

Y t =0,000965+e t

Ecuación sobre la varianza

ht =α 0 +α 1 e t−12 + β1 ht −1

ht =8,71+0,412962 e t2 +0,426901 ht−1

AIC=-5.079273

α 1 + β 1< 1 para que exista estacionariedad. Si α 1 + β 1> 1 sería un proceso GARCH

integrado o IGARCH.

0,412962+0,426901=0,839863
Como el GARCH es menor que 1 por lo tanto si cumple las propiedades sobre los
estimadores

Modelo TGARCH

Figura 9: Estimación de modelo AR (1) TGARCH (1,1) para la serie de rendimiento bursátiles de
FB

σ 2t =α 0+ φ1 μ 2t−1+ y i φ 1 μ2t −1 I t−1 + β i σ 2t−1

σ 2t =9.56+0,225341 μ2t −1 +0,420085 μ2t −1 I t−1+ 0,42 σ 2t−1

AIC=-5.089932

Se puede mencionar que los pronósticos de la varianza condicional ( β i σ 2t−1 ¿ es

positivos, además y i >0, lo que nos indica que hay un efecto de apalancamiento, es decir

los shocks, tienen un impacto asimétrico porque el parámetro, y i ≠0  afecta la varianza

condicional lo que nos indica que las noticias en el mercado son malas (las malas

noticias incrementan la volatilidad en los rendimientos cambiarios).

Modelo EGARCH (Exponencial-GARCH)

Figura 10:Estimación de modelo AR (1) EGARCH (1,1) para la serie de rendimiento

bursátiles de FB

AIC: -5.077241
- 𝜷𝟏 < 1 Para que exista estacionariedad
0.469497 < 1

El modelo que nos permitió pronosticar y la volatilidad condicional de

heterocedasticidad es el modelo de EGARCH, mediante también nos ayuda describir
un menor valor en los criterios de información obtenida en AIC.
RESULTADOS Y DISCUSIÓN
Modelo TGARCH

Figura 11: Estimación de modelo AR (1) TGARCH (1,1) para la serie de rendimiento bursátiles de
FB

σ 2t =α 0+ φ1 μ 2t−1+ y i φ 1 μ2t −1 I t−1 + β i σ 2t−1

σ 2t =9.56+0,225341 μ2t −1 +0,420085 μ2t −1 I t−1+ 0,42 σ 2t−1

AIC=-5.089932

Se puede mencionar que los pronósticos de la varianza condicional ( β i σ 2t−1 ¿ es

positivos, además y i >0, lo que nos indica que hay un efecto de apalancamiento, es decir

los shocks, tienen un impacto asimétrico porque el parámetro, y i ≠0  afecta la varianza

condicional lo que nos indica que las noticias en el mercado son malas (las malas

noticias incrementan la volatilidad en los rendimientos cambiarios).

 BIBLIOGRAFÍA

A., H. P. (2006). Consistent ranking of volatility models. Journal ofEconometrics.

Aitkin, M. (1987). Modelling Variance Heterogeneity in Normal Regression

UsingGLIM: A New Approach. Applied Statistics: Applied Statistics.

Cepeda, E. y. (2001). Bayesian Modelling of Variance Heterogeneity inNormal

Regression Models. Brazil: Bayesian Modelling of Variance Heterogeneity

inNormal Regression Models.

Engle, R. F. (1993). Measuring and Testing the Impact of News onVolatility. Brazil:

Journal of Finance.

Novales A. C., G. D. (1993). Guía para la estimación de modelos ARCH. España:

Estadística Española.