Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CATEDRA:
ECONOMETRIA
INTERMEDIA
TEMA:
ALUMNA:
DOLORES GUAMÁN
ROBERTO NAULA
SEMESTRE:
QUINTO “A”
DOCENTE:
ECO. YADIER TORRES
FECHA:
26/JULIO/2020
INTRODUCCION
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).
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 ]
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)
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.
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
También podemos identificar otra característica sobre la serie es atreves del problema
de heteroscedasticidad, para comprobarlo lo realizamos atreves del contraste de Levene.
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
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.
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
Figura 7: Estimación de modelo ARCH, para series de rendimientos bursátiles de FB durante el periodo
comprendido 26/07/2019- 26/07/2020
Y t = y +e t
Y t =0,000814+ et
ht =α 0 +α 1 e t−12
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
Y t = y +e t
Y t =0,000965+e t
ht =α 0 +α 1 e t−12 + β1 ht −1
AIC=-5.079273
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
AIC=-5.089932
positivos, además y i >0, lo que nos indica que hay un efecto de apalancamiento, es decir
condicional lo que nos indica que las noticias en el mercado son malas (las malas
AIC: -5.077241
- 𝜷𝟏 < 1 Para que exista estacionariedad
0.469497 < 1
Figura 11: Estimación de modelo AR (1) TGARCH (1,1) para la serie de rendimiento bursátiles de
FB
AIC=-5.089932
positivos, además y i >0, lo que nos indica que hay un efecto de apalancamiento, es decir
condicional lo que nos indica que las noticias en el mercado son malas (las malas
Engle, R. F. (1993). Measuring and Testing the Impact of News onVolatility. Brazil:
Journal of Finance.
Estadística Española.