MAESTRÍA EN ADMINISTRACIÓN FINANCIERA

ECONOMETRÍA FINANCIERATALLER #3 TEMA IDENTIFICACIÓN,

N E G O C IO S
IN T E R N A C IO N A L E S
PREDICCION DE SERIES DE TIEMPO Y MODELOS DE VOLATILIDAD
NO CONSTANTE

En el trabajo son muy importantes las interpretaciones de cada uno de los literales en términos de
las variables dadas. En todos los literales sustente apropiadamente su respuesta. Respuesta sin
sustentación no será calificada.
Realizar un análisis completo de todos los resultados.
Elaborar un documento en Word con los resultados y análisis.
Adjunta archivos trabajados en Excel, Eviews.

1) Considere las series de tiempo de: las utilidades trimestrales (en millones de dólares) de cierta
compañía que vende electricidad, el retorno diario del índice del DOLAR (RT_DXY), el retorno
mensual de un fondo de inversión colectiva, el número mensual de pernoctaciones desde el
extranjero a Europa (en millones), el índice mensual de elaboración de productos lácteos, las ventas
diarias (en millones de dólares) de un almacén de cadena, las ganancias trimestrales por acción de
una compañía (en dólares), el retorno mensual de un fondo de inversión de renta variable, el precio
de cierre diario de la acción de Pfizer Inc (PFE) y el índice mensual de elaboración de azúcar y
panela.
Grafique cada una de las series de tiempo y su respectivo correlograma. Identifique de manera clara si
la serie es, estacionaria en media, ruido blanco, con patrón de tendencia, estacional estacionaria, o
estacional con tendencia. Justifique de manera detallada sus análisis.

a) las utilidades trimestrales (en millones de dólares) de cierta compañía que vende electricidad es
una serie de tiempo estacional con tendencia.

b) el retorno diario del índice del DOLAR (RT_DXY) es una serie de tiempo estacionaria en
media.
c) el retorno mensual de un fondo de inversión colectiva es una serie de tiempo estacional
estacionaria

d) el número mensual de pernoctaciones desde el extranjero a Europa (en millones) es una serie de
tiempo estacional estacionaria

e) el índice mensual de elaboración de productos lácteos es una serie de tiempo estacional

estacionaria
 f) las ventas diarias (en millones de dólares) de un almacén de cadena es una serie de tiempo con
patrón de tendencia.

g) las ganancias trimestrales por acción de una compañía (en dólares) es una serie de tiempo
estacional con tendencia.

h) el retorno mensual de un fondo de inversión de renta variable es una serie de tiempo estacional
con tendencia

i) el precio de cierre diario de la acción de Pfizer Inc (PFE) es una serie de tiempo con patrón de
tendencia

j) el índice mensual de elaboración de azúcar y panela es una serie de tiempo estacional con
tendencia.

2) Consulte para que son útiles los modelos EWMA y EGARCH. Cuál es la diferencia entre dichos
modelos. Las hipótesis de cada uno de ellos. ¿Por qué pueden ser útiles en el mercado bursátil?
Consultar al menos tres aplicaciones de dichos modelos en el mercado bursátil.

MODELO EWMA
La volatilidad EWMA conocida también como volatilidad dinámica, mide la desviación estándar de
los rendimientos de un activo, por medio de un promedio móvil ponderado a través de un factor de
decaimiento, lamba con comportamiento exponencial.

Dicho factor tiene el efecto de otorgar mayor importancia a los datos mas recientes para el pronóstico
de la volatilidad.

Este modelo permite capturar rápidamente fuertes variaciones en los precios en los mercados, siendo
así más fácil generar mejores pronósticos de volatilidad en épocas de alta volatilidad.

El principal objetivo de EWMA es estimar la volatilidad del ¨día siguiente¨ (o periodo) de una serie de
tiempo y rastrear muy de cerca la volatilidad a medida que cambia.

Antecedentes
Defina σn como la volatilidad de una variable de mercado en un día n, como está estimado al final del
día n-1. La tasa de es el cuadrado de la volatilidad, σ2n, en el día n.

Suponga que el valor del mercado variable al final del día i es Si. La tasa compuesta continua de
retorno durante el día i (entre el final del día anterior (i.e. i-1) y el final del día i) se expresa de la
siguiente manera:

Luego, utilizando el enfoque estándar para estimar σn del histórico de datos, usaremos las
observaciones (m) más recientes para calcular un estimado parcial de la varianza:

Ahora, asumamos que r¯=0 y usemos el estimado máximo de probabilidad de la tasa de

varianza:

Hasta el momento, hemos aplicado ponderados iguales a todos r2i, de manera que la
definición expresada anteriormente, con frecuencia se refiere al estimado de volatilidad
igualmente ponderado.
Anteriormente definimos que nuestro objetivo era estimar el nivel de volatilidad actual σn, de
manera que tiene sentido otorgarle ponderados más altos a datos recientes que a datos viejos.
Para hacerlo, expresemos el estimado de varianza ponderada como indicamos a continuación:
Donde:
αi es la cantidad ponderada atribuida a una observación hace un número (i) de días.
αi≥0
∑mi=1αi=1
Entonces, para darles un ponderado más alto a observaciones recientes αi≥αi+1

Promedio de varianza de largo plazo

Una posible ampliación de la idea citada anteriormente es asumir que existe un promedio de
varianza de largo plazo VL, al que se le debe adjudicar cierto ponderado:

Donde:

El modelo anteriormente descrito se conoce como el modelo (m) ARCH, propuesto por Engle
en 1994.
EWMA es un caso especial de la ecuación anterior. En este caso, hacemos que el ponderado
de la variable αi disminuya exponencialmente a medida que nos devolvemos en el tiempo.

A diferencia de la presentación anterior, el EWMA incluye todas las observaciones previas

pero con ponderados durante el tiempo exponencialmente en declive.
Luego, aplicamos la sumatoria de los ponderados de manera que equivalgan a la unidad de
restricción:

Ahora, conectamos esos términos de nuevo en la ecuación. Para el estimado:

Y el estimado se puede expresar así:

Ahora, entender la ecuación mejor:

Para un más amplio grupo de datos, el es suficientemente pequeño para ser ignorado en la
ecuación.
El enfoque EWMA tiene un rasgo atractivo: requiere relativamente pocos datos almacenados. Para
actualizar nuestro estimado en cualquier punto, sólo necesitamos un estimado previo de la tasa de
varianza y el más reciente valor de observación
Un objetivo secundario de EWMA es rastrear cambios en la volatilidad. Para valores pequeños, las
observaciones recientes afectan el estimado de inmediato. Para λ los valores cercanos al uno, el
estimado cambia despaciosamente basado en los cambios recientes de los retornos de la variable
subyacente.
La base de datos Risk Metrics (producida por JP Morgan y de uso público desde 1994) utiliza el
modelo EWMA con λ=0.94 para actualizar la volatilidad diaria.

IMPORTANTE: La fórmula EWMA no asume un nivel de varianza promedio a largo plazo. Así, el
concepto de volatilidad de reversión media no es capturado por el EWMA. Los modelos
ARCH/GARCH están mejor adecuados para este propósito.
Lambda
Un objetivo secundario de EWMA es rastrear los cambios en la volatilidad, entonces para pequeños
valores λ=0.94, las observaciones recientes afectan el estimado de inmediato y para valores λ=0.94
 más cercanos al uno, el estimado cambia despaciosamente a cambios recientes en los retornos de la
variable subyacente.
La base de datos Risk Metrics (producida por JP Morgan y disponible al público desde 1994) utiliza el
modelo EWMA con λ=0.94 para actualizar diariamente la volatilidad estimada. La compañía encontró
que, a lo largo de un rango de variables de mercado, el valor de λ da un estimado de la varianza que
más se acerca al rango de varianza obtenido. Los rangos de varianza obtenidos en un día en particular

fueron calculados como un promedio igualmente ponderado de en los 25 días posteriores.

De igual manera, para calcular el valor óptimo de lambda para nuestro grupo de datos, necesitamos
calcular la volatilidad obtenida en cada punto. Existen varios métodos así que elijan uno. Luego,
calculen la sumatoria de errores cuadrados (SSE, por sus siglas en inglés) entre el estimado EWMA y
la volatilidad obtenida. Finalmente, minimice la SSE variando el valor de lambda.

¿Les suena sencillo? Pues lo es. El gran reto es coincidir con un algoritmo que calcule la volatilidad
obtenida. Por ejemplo, los chicos en RiskMetrics escogieron los posteriores 25 días para calcular el
rango de varianza obtenida. Ustedes pueden escoger un algoritmo que utilice Volumen Diario,HI/LO
y/o precios ABIERTOS-CERRADOS.

MODELO EGARCH (GARCH EXPONENCIAL)

Los modelos EGARCH o GARCH exponenciales nacen a partir de la publicación de Nelson (1991), sobre
heterocedasticidad condicional en los modelos de rentabilidad de activos. Dicho autor propone una nueva
forma funcional a partir de la observación de las deficiencias de los ya ampliamente actualizados modelos
tipo ARCH. En su artículo critica tres elementos de los procesos ARCH: 1) Las restricciones de no
negatividad de los parámetros son difíciles de lograr en muchas ocasiones, 2) los modelos GARCH no
permiten estimar convenientemente el efecto de apalancamiento financiero que aparece en la realidad. 3)
los modelos GARCH Integrados, IGARCH, son difíciles de llevar a la práctica, siendo confuso el término
de persistencia en varianza condicional, cuestionamiento planteado por Engle y Bollerslev (1986).

Nelson (1991), propone una nueva especificación más general sobre la varianza condicional
heteroscedástica que da nombre a los GARCH exponenciales o EGARCH(p,q). Dicha especificación de la
varianza condicional trata de capturar la asimetría existente entre los retornos positivos y los negativos,
esto se conoce como efecto apalancamiento.
El modelo EGARCH utiliza una especificación logarítmica para asegurar la no negatividad de la varianza
Independientemente del signo de los parámetros estimados.

Este modelo fue desarrollado en 1990 por Pagan y Schwert y en 1991 por Nelson, el EGARCH(1,1) se
define como:

En este caso, la influencia de los residuos sobre la varianza condicional es de tipo exponencial, ya que se
puede escribir como:

El parámetro ,,𝛾.-1. mide el efecto de asimetría en la volatilidad.

El parámetro ,,𝛾.-1. indica si el efecto de asimetría en la volatilidad es estadísticamente significativo, para
ello se realiza la siguiente prueba de hipótesis,

Rechazar Ho indica que el efecto de asimetría en la volatilidad es significativo; no rechazar indica que el
efecto no es significativo y por lo tanto el modelo EGARCH no es adecuado.

Si ,𝛾-1>0. y significativo, indica que las noticias positivas generan mayor impacto sobre la volatilidad que
las negativas de igual magnitud.
Si ,𝛾-1<0. y significativo, indica que las noticias negativas generan mayor impacto sobre la volatilidad
que las positivas de igual magnitud.

Como cuantificar el impacto sobre la volatilidad de una noticia negativa respecto a una positiva de
igual magnitud.
En particular, el impacto de un choque negativo de tamaño k veces la desviación estándar respecto a un
choque positivo del mismo tamaño, se obtiene por medio de la siguiente expresión,

la volatilidad condicional de los retornos de un activo financiero cuando se presenta una noticia negativa
de k veces la desviación estándar, es w veces la volatilidad condicional de los retornos del activo
financiero cuando se presenta una noticia positiva de k veces la desviación estándar.

En general, mientras mayor sea el choque, mayor es la diferencia en el impacto de la volatilidad.

Otro de los grandes aportes del artículo de Nelson (1991) [17], sobre los modelos EGARCH hace
referencia a la función de distribución de la perturbación aleatoria. Con frecuencia, las series a las que se
aplica el modelo tipo ARCH muestran una distribución con mayor apuntamiento que el de una normal y
con colas "más gruesas". Es por ello por lo que se plantea aquí una forma tal que la función de densidad
del proceso admita, como caso especial, una distribución normal; pero que, al tiempo, permita otros tipos
de funciones. El autor propone emplear la función de distribución GED: Generalized Error Distribution
(distribución generalizada de las perturbaciones).

PROPIEDADES DEL MODELO EGARCH (1,1)

La varianza incondicional (o de largo plazo) de los errores es la varianza del vector de errores ordinarios
obtenidos con el EGARCH.