Modelización de volatilidades y

correlaciones
Version 18.0
Universidad Complutense de Madrid
COPYRIGHT © 2018-2019 Jimenez-Martin, Juan-Angel.
(http://www.ucm.es/fundamentos-analisis-economico2/jajm)
Capítulo 3
Modelización de volatilidades y correlaciones

Complutense University of Madrid

COPYRIGHT © 2018-2019 Jimenez-Martin, Juan-Angel. (webpage)
Tema 3. Modelización de volatilidades y correlaciones (2 hora)
Objetivos: Análisis de la variación temporal de volatilidades y correlaciones
Secciones: (Tema 5, páginas 59 -73)
1. Varianza de una cartera
2. Agrupamientos de volatilidad
3. Estimación de la volatilidad:
a) Ventanas móviles,
b) RiskMetrics,
c) Suavizado exponencial,
d) GARCH
e) Predicción de volatilidad a distintos horizontes.
4. Modelización de correlaciones:
a) Suavizado exponencial (RiskMetrics) y
b) Modelo GARCH de correlaciones
5. Transmisión de volatilidad entre activos o mercados

3
o Tradicionalmente se utiliza la varianza (desviación típica) como medida de volatilidad
o Los rendimientos (cambios en precios son difíciles de prever), sin embargo la volatilidad futura de los
rendimientos si que se puede prever.

o Características de los precios de los activos:

o Colas pesadas leptocúrticas
o Cluster (agrupamiento) de volatilidad. Mandelbrot refleja que grandes cambios en precios
van seguidos de grandes cambios. La volatilidad/riesgo cambia a lo largo del tiempo.
o Leverage (apalancamiento), caídas de precio implican caídas en el valor de la empresa, lo
que implica un apalancamiento mayor y por lo tanto más riesgo / volatilidad.
o Cuando el mercado está cerrado la información se acumula a una tasa distinta que
cuando el mercado está abierto, la volatilidad un lunes no es tres veces la volatilidad de
un martes.
o La volatilidad es previsible, por ejemplo hay menos volatilidad al principio de la tarde.
o Se observan movimientos paralelos entre volatilidades. Hay evidencia que la volatilidades
entre activos es positiva y además cambiante en el tiempo.
o Los rendimientos NO son normales, pero los rendimientos condicionales pueden serlo.
o Varianza incondicional: Es la varianza de la distribución incondicional
de los rendimientos, la cual se supone constante en todo el período analizado.
Se puede considerar como la varianza media de todo el período. Si los
rendimientos son i.i.d, podemos considerar que el orden de los rendimientos
en la muestra no importa y estimar la varianza como una media igualmente
ponderada de los rendimientos al cuadrado. Esto nos daría una estimación
de la varianza incondicional de lo rendimientos.
o Varianza condicional: la varianza condicional cambiará en cada período
de tiempo porque depende de la historia de los rendimientos hasta este ese
Momento. Se trata de explicar las propiedades dinámicas de los rendimientos
observando su distribución en cada momento del tiempo, teniendo en cuenta VIX
toda la información hasta ese momento. Chicago Board Options
Exchange (CBOE) Volatility Index
Cuando la distribución condicional de los rendimientos en cada momento del tiempo son normales, se puede
escribir:

o Previsión de volatilidad es importante en: inversiones, valoración de activos, gestión del riesgo, diseño de
política monetaria.
o La teoría de la volatilidad dinámica gira en torno a los modelos ARCH (Autoregressive Conditional
Heteroskedasticity) - Engle (1982). Después Bollerslev’s (1986) generaliza el modelo y se utilizan los GARCH
(Generalized ARCH)
o Autorregresivo (Autoregressive) porque es un modelo de series temporales con una forma autorregresiva
(regresión en si mismo).
o Heteroscedasticidad Condicional (Conditional Heteroskedasticity) porque la variación temporal de la varianza
es condicional en el modelo utilizado.

5
o Varianza incondicional: Es la varianza de la distribución incondicional de los rendimientos, la cual se supone
constante en todo el período analizado. Se puede considerar como la varianza media de todo el período. Si
los rendimientos son i.i.d, podemos considerar que el orden de los rendimientos en la muestra no importa y
estimar la varianza como una media igualmente ponderada de los rendimientos al cuadrado. Esto nos daría
una estimación de la varianza incondicional de lo rendimientos.

o Varianza condicional: la varianza condicional cambiará en cada período de tiempo porque depende de la
historia de los rendimientos hasta este ese Momento. Se trata de explicar las propiedades dinámicas de los
rendimientos observando su distribución en cada momento del tiempo, teniendo en cuenta toda la
información hasta ese momento.

o Ley de la varianza total

𝒗𝒂𝒓 𝒀 𝑬 𝒗𝒂𝒓 𝒀 𝑿 𝒗𝒂𝒓 𝑬 𝒀 𝑿

Demostración:

v𝒂𝒓 𝒀 𝑬 𝒀𝟐 𝑬 𝒀 𝟐

v𝒂𝒓 𝒀 𝑬 𝑬 𝒀𝟐 𝑿 𝑬 𝑬 𝒀𝑿 𝟐

v𝒂𝒓 𝒀 𝑬 𝑽𝒂𝒓 𝒀 𝑿 𝑬 𝒀𝑿 𝟐 𝑬 𝑬 𝒀𝑿 𝟐

v𝒂𝒓 𝒀 𝑬 𝑽𝒂𝒓 𝒀 𝑿 𝑬 𝑬 𝒀𝑿 𝟐 𝑬 𝑬 𝒀𝑿 𝟐

𝐯𝒂𝒓 𝒀 𝑬 𝒗𝒂𝒓 𝒀 𝑿 𝒗𝒂𝒓 𝑬 𝒀 𝑿

𝟐
𝒗𝒂𝒓 𝒀 𝑿 𝑬 𝒀 𝑬 𝒀𝑿 𝑿 6
MODELOS DE VOLATILIDAD
Modelo 1 – Media Móvil
La varianza de futura es las media simple de las últimas m observaciones

Limitaciones
A. Este modelo da igual peso a todas las observaciones pasadas.
B. Cómo se elige m?
C. Shocks (noticias) positivos tienen el mismo efecto que shocks
(noticias) negativas.

Modelo 2 – Suavizado Exponencial

El modelo de RiskMetrics® diseñado por JP Morgan para la gestión del riesgo considera un modelo donde los pesos de los
rendimientos al cuadrado pasados decaen exponencialmente a medida que nos alejamos en el pasado.

Trabajando en la expresión anterior:

Los rendimientos recientes o noticias más cercanas tienen un efecto mayor en la varianza de manaña cuando λ es menor
que uno y se hace más pequeño el peso cuando se aleja en el tiempo. λ = 0.94 para la previsión con datos diarios.

7
MODELOS DE VOLATILIDAD
Modelo 2 – Suavizado Exponencial

También podemos escribir la varianza de hoy como:

Reacción de la volatilidad a los eventos del mercado.

La información del mercado que está contenida en los
Intuición de lambda rendimientos.

Persistencia de la volatilidad: Independientemente de lo que

ocurra en el mercado, la volatilidad tiene persistencia, y si ayer
fue alta, también lo será hoy. Si lambda es grande.

Nota: En GRETL lambda es la respuesta a los rendimientos.

8
Modelo RiskMetricsTM
Modelo 2 – Suavizado Exponencial

Gráfico 1: lambda = 0.94 Gráfico 1: lambda = 0.80

9
Model 3 - GARCH

o¿Por qué un modelo GARCH puede funcionar?

o La noticias económicas sobre valores futuros y riesgos mueven los precios

o La volatilidad es la respuesta natural de los mercados financieros a la nueva información que
llega.
o Las noticias nunca llegan solas (llegan en clúster – en grupos)
o Alta volatilidad significa un clúster – grupo de noticias importantes.

o Nota: Varianza incondicional o Varianza de largo plazo es aquella que cumple

Interpretación de los parámetros modelo GARCH:

1.- α mide la reacción de la varianza condicional a los shocks (noticias) del mercado
2.- β mide la persistencia en la volatilidad condicional sin tener en cuenta lo que ocurre en el
mercado. Cuando β es muy alto, la persistencia es muy elevada y la volatilidad tarda mucho en
volver a la situación inicial después de una crisis de mercado.
3.- La suma α + β determina la tasa de convergencia de la volatilidad condicional a la varianza de
largo plazo. Cuando α + β es relativamente grande (por ejemplo, por encima de 0.99) entonces
la estructura temporal de la previsión de volatilidad de un modelo GARCH es relativamente
plana.
4.- El coeficiente ω, junto con α y β determinan el nivel de volatilidad a largo plazo, es decir, la
volatilidad incondicional en el modelo GARCH. Cuando esta es relativamente elevada (la
magnitud es relativa a la magnitud de los cuadrados de los rendimientos) entonces la volatilidad
incondicional es relativamente alta.
https://www.youtube.com/watch?v=uQ2AOoNG5uI&t=296s
Diferencia Suavizado Exponencial y Modelo GARCH

o Los parámetros del modelo GARCH se estiman óptimamente usando Máxima Verosimilitud
o Los coeficientes de reacción y persistencia se estiman separadamente, por lo tanto una alta
persistencia en volatilidad que sigue a un shock de mercado, no necesariamente está asociada
con una baja reacción a un shock de mercado, como ocurre con el modelo de RiskMetrics.
Estimación de un modelo GARCH suponiendo Student - t

 Para estimar un modelo GARCH hay que definir la función de verosimilitud, que normalmente la
expresamos en logaritmos, de tal manera que una función multiplicativa la convertimos en aditiva.
La función de verosimilitud de un model ARCH con un error que se distribuye Student t viene dada por la
función L.

You only get to see what the nature wants you to see. Things you see are facts. These facts have an underlying process that
generated it. These process are hidden, unknown, needs to be discovered. Then the question is: Given the observed fact, what
is the likelihood that process P1 generated it? What is the likelihood that process P2 generated it? And so on... One of these
likelihoods is going to be max of all. MLE is a function that extracts that max likelihood.

Let's play a game: I am in a dark room, no one can see what I do but you know that either (a) I throw a dice and count the
number of '1's as 'success' or (b) I toss a coin and I count the number of heads as 'success'.
As I said, you can not see which of the two I do but I give you just one single piece of information: I tell you that I have thrown a
dice 100 times or I have tossed the coin 100 times and that I had 17 successes.

The question is to guess whether I have thrown a dice or tossed a coin. You will probably answer that I tossed a dice. If you
do, then you probably have 'made a guess by maximizing the likelihood' because if I observe 17 successes out 100 experiments,
it is more likely that I have thrown a dice than that I have tossed a coin. So what you have done is taking that value of the
'probability of success' (1/6 for a dice and 1/2 for a coin) that makes it most likely to observe 17 successes in 100. 'More likely'
meaning that the chance that you have 17 times a '1' in 100 throws of a dice is higher than the chance of having 17 heads out of
100 coin tosses.
Estimación de un modelo GARCH

 Para estimar un modelo GARCH hay que definir la función de verosimilitud, que normalmente la
expresamos en logaritmos, de tal manera que una función multiplicativa la convertimos en aditiva.
La función de verosimilitud de un model GARCH con un error que se distribuye normal viene dada por la
función L.
Previsión de un modelo GARCH

Con un modelo GARCH se puede preveer la volatilidad a partir del modelo estimado:

Si suponemos que los rendimientos son diarios, la previsión de la varianza un día hacia delante a fecha T es:

Nosotros podemos observar rT puesto que es el último residuo en el modelo GARCH. Pero no se conoce rT+1
en el momento T. Para prever T+2 -Previsión dos días hacia delante- necesitamos usar la expectativa de
r2T+1. Puesto que la expectativa condicional de rT+1 =0, y por lo tanto de lo que deducimos que:

… y en general:
Tabla 1. Estimación GARCH R_TL5 Gráfico 1. Varianza condicional de los errores

Gráfico 2. Previsión varianza Condicional – 200 días

CURVA de impacto de Noticias
• Modelos GARCH Asimétricos

1.- Puesto que todos los términos en un modelo GARCH son cuadrados,
estos modelos siempre ofrecerán un respuestar simétricas
a shocks positivos y negativos.
2.- Sin embargo debido al apalancamiento de muchas empresas
los shoks (noticias) negativos (as) serán más peligrosa que los shocks positivos y por tanto,
producirán mayor volatilidad.
3.- Hay dos modelos que tratan de recoger este fenómeno: Modelo GARCH de Glosten,
Jagannathan y Runkle (1993) (GJR) y el GARCH exponencial (EGARCH)
4.- El ajuste asimétrico se introduce en el modelo a través de una variable dummy que toma
los valores 0 y 1. El valor 1 lo toma para aquel momento del tiempo en el que se producen
shocks negativos (rt < 0) y cero para el resto de valores.

MODELO GJR

5.- Se puede comprobar que un shock positivo produce menos volatilidad que un shock
negativo, suponiendo que γ es positivo.
• Modelos GARCH Asimétricos
• Modelos GARCH Asimétricos
• Modelos GARCH Asimétricos
MODELO EGARCH (GARCH Exponencial) Nelson (1991)

Una de las principales ventajas es que la variable dependiente está en logarítmos, lo que
implica que la restricción de no negatividad no es necesaria.
• Modelos GARCH Asimétricos

2.- g(t) representa las innovaciones ponderadas que recogen los efectos asimétricos de
las variaciones positivas y negativas de los rendimientos.

 +  y  -  representan la asimetría en la respuesta a shocks positivos y negativos