Documentos de Académico
Documentos de Profesional
Documentos de Cultura
2021
1. VOLATILIDAD
El termino ‘volatilidad’ ha adquirido gran importancia para cualquier persona en relación a
los mercados financieros, se considera a la volatilidad como proxy de riesgo, es por tanto
necesario entender la volatilidad no como un único parámetro.
Se entiende por Volatilidad, como una medida de riesgo derivada del cambio de precios en
la rentabilidad de un activo financiero , por lo cual la estructura de mercado nos presenta
los precios de un activo financiera como un proceso que evoluciona a lo largo del tiempo.
Por lo cual se toma la siguiente definición de volatilidad:
“La volatilidad es una medida de intensidad en los cambios aleatorios o impredecibles del
rendimiento de un activo financiero o en el precio del título; en la representación gráfica de
una serie histórica de rendimientos se asocia la volatilidad con la amplitud de las
fluctuaciones del rendimiento tanto es que consideren en valor absoluto como en
desviaciones alrededor de un valor medio”
1.1. Características
De acuerdo a la literatura, la volatilidad se caracteriza por:
Exceso de curtosis en la mayoría de series financieras
Existencia de períodos de alta y baja volatilidad denominados Clusters. Si la
volatilidad es elevada en un período, tiende a seguir siéndolo; si es baja en un
período tiende a seguir siéndolo en el periodo siguiente.
De manera ocasional se pueden producir valores altos en la volatilidad en momentos
concretos, lo que se conoce como “Discontinuos Price jump”, es decir valores
atípicos en la continuidad de precios.
Los periodos de alta o baja volatilidad pueden venir seguidos de periodos con
volatilidad moderada al largo plazo
El comportamiento de las series de volatilidades es diferente según lleguen al
mercado buenas o malas noticias.
Existen movimientos conjuntos de la volatilidad: Cuando se estudian series
distintas, pero del mismo concepto (tipos de interés, cotizaciones, etc) se observa
que movimientos importantes en un mercado están relacionados con movimientos
importantes en otro mercado. Esto pone en evidencia la utilidad de los modelos
multivariantes para series temporales.
Retornos
La grafica muestra la variabilidad de los retornos individuales de las acciones de
APPLE desde el 19 de octubre de 2020 al 15 de octubre de 2021. Los retornos
evidencian los altos periodos de variabilidad y bajos. Por lo cual la varianza no es
constante (heteroscedástica) y cambia con el tiempo.
σ 2n es la volatilidad por día en un mercado variable, n es estimado al final del dia n-1. Por lo
cual la varianza es estimada como el cuadrado de la volatilidad. Suponga que el valor del
activo al final del mercado es Pt , lo que quiere decir que r t es la rentabilidad continua
durante el dia t. (entre el final del dia t-1 y t).
Pt
r t =ln ( )
Pt −1
Por lo cual, una aproximación para estimar σ n es utilizar la desviación estándar de los
retornos de r t , por lo cual la formula de la desviación estándar de los retornos es:
m
σ n=
√1
∑
m−1 t=1
(r t−ŕ )2
Donde r t será la media de los retornos esperados. Por último, una vez calculada la
desviación típica , para obtener la volatilidad histórica del activo, se suele dividir el
resultado entre la raíz cuadrada de la longitud del intervalo de tiempo en años, por último,
si se desea encontrar la volatilidad anual, se multiplica la desviación diaria de los retornos
por la raíz de 252 (Business days) en bolsa.
σ año =σ dia∗√ 252
1.3.1.1.1. Problemáticas:
Como se observa, la volatilidad histórica determina la desviación típica móvil de una
serie de rendimientos. El tamaño de la ventana de observaciones m es elegida por el
agente según la persistencia de la volatilidad.
Esta medida es un punto de referencia para muchos estudios de la volatilidad, sin
embargo, presenta varios problemas:
La elección arbitraria de m y los idénticos pesos que reciben todas las
observaciones, pueden dar lugar a subidas o bajadas excesivamente bruscas en la
volatilidad.
La ausencia de un término independiente en esta medida puede dar lugar a una
infraestimación del riesgo. De hecho, si los precios permanecen constantes en un
periodo, el nivel de riesgo estimado por VH será cero, lo que quiere decir que los
rendimientos serán nulos.
Rit son los rendimientos diarios centrados respecto a la media y hay exactamente N t .
Este estimador se calcula como la suma de desviaciones al cuadrado y, a diferencia de la
expresión de la desviación típica no ha sido promediada. La definición garantiza que σ t >0
y si se utilizan en la estimación de σ t muestras disjuntas, se obtiene un estimador cuyo error
de estimación no está correlacionado en el tiempo y cuya varianza, si suponemos que los
rendimientos están normalmente distribuidos, es:
σ 2t
V ( σ^ t )=
2Nt
Esta medida solo está pensada para datos mensuales, por lo que no nos parece adecuada y
consideramos preferible una medida que sea aplicable para datos de cualquier frecuencia.
No es éste el único estimador que elimina en su cálculo el promedio de las desviaciones. El
estimador propuesto por Schwert (1990) y Schwert y Seguin (1990) calcula la volatilidad a
partir de las desviaciones en valor absoluto entre la rentabilidad en el período t (más
concretamente el exceso de rentabilidad) y su media.
Se diferencia de la anterior en que esta emplea directamente los valores absolutos de las
rentabilidades pasadas. Al utilizar el valor absoluto es más robusta ante problemas como la
no-normalidad de los rendimientos o el efecto de los valores extremos. Por lo demás, está
sujeta a las mismas problemáticas.
Por ello, este autor propone R ( F ) =A |r|θ como medida de riesgo a considerar. El valor de A
no es esencial por lo que Granger y Ding (1994) recomiendan fijar A=1. Si se aceptan los
dos supuestos de los que se parte, el teorema de Luce (1980) proporciona una familia de
medidas de riesgo en función del valor que se asigne al parámetro θ. Si la distribución de
los rendimientos es N ( 0 , σ 2 )entonces R ( F ) es proporcional a σ θ (para θ=1 será
proporcional a la desviación típica y para θ=2 será proporcional a la varianza). En
distribuciones distintas de la normal, este tipo de relaciones no existen necesariamente,
salvo para θ=2. El parámetro θ debe ser fijado por parte del investigador. Esta medida está
directamente relacionada con la medida de Fama para θ=1 o con la volatilidad histórica
para θ=2 (fijando el tamaño de la ventana a una observación). Para valores de θ cercanos a
cero se amortiguará el problema de los valores extremos y al contrario conforme el valor de
ese parámetro vaya siendo mayor.
− ( P−Po ) 2
P ( Po ≤ Pt ≤ Po +dP ) =
dP
√2 π σ 2 t
exp (
2t σ 2 )
Como σ 2 es la varianza del desplazamiento tras una unidad de tiempo , esto sugiere estimar:
T
d =( P t−Pt −1 ) ; σ ≡ d´2=T −1 ∑ d 2t
2 2 2
t d
t=1
T
1 1 1 2
var ( σ^2d )=
T
var ( d´2 ) =
( ∑
T T −1 t =1
(d 2− d́ 2) )
Siendo d t =Pt −Pt−1 la variación diaria en el precio. Si Pt es el logaritmo del precio, x t será
rentabilidad.
Suponiendo que solo se observan los desplazamientos máximos y mínimos durante cada
intervalo de tiempo, H t =max ( Pt ) , Lt =min ( Pt ). Con el máximo y mínimo de la sesión, el
rango del logaritmo del precio se definirá como la diferencia entre el precio máximo y
mínimo Lt diarios,
l t =ln ( H t ) −ln ( Lt )
8 2
E ( lt ) =
√ π
σ t
π
E ( l 2t ) =4 ln ( 2 ) σ 2 t=4 ln 2∗
√ 8
[
2
E ( l t ) ] =1,088 [ E ( l t ) ]
2
Lo cual es una relación que podría usarse para una estructura de camino aleatorio. Por lo
tanto, para un intervalo de tiempo de 1 periodo, tenemos:
π 2 2
σ 2= [ E ( l ) ] =0,393 [ E ( l ) ] =0,361 E(l 2)
8
Que sugiere un estimador del Método Generalizado de momentos, lo que lleva a que la
medida de la volatilidad de Parkinson sea:
2
√
T
H
Volatilidad : V =√ 252
∑
t=1 [ ( )]
ln t
Lt
T 4 ln2
Para un día cualquiera, podríamos utilizar como proxy de la volatilidad:
1
σ^l2= l 2=0.361l 2
4 ln ( 2 )
√
T T
H C
V olatilidad :V =√ 252
∑ 12 ln L t
t=1 t [ ( )] −0,386 ∑
t =1 [ ( )]
ln t
At
T
El trading de activos es un proceso que, en muchos casos tiene lugar de modo continuo a lo
largo del día pero, sin embargo se observa en momentos discretos del tiempo. Los valores
de trading overnight no se registran, por lo que los valores realmente observados como
máximo y mínimo no coinciden necesariamente con los producidos durante las 24 horas.
Esto produce un sesgo a la baja en el estimador de máximo. Por lo cual el rango de precios
quedará subestimado. Esto sesgo se produce por generar un proceso discreto a partir de uno
realmente continuo, este sesgo es significativo en la medida de Parkinson, pero menor en la
de Garman-Klass.
α i es el peso dado a una observación de i días previos, a medida que el ponderador es más
pequeño, mayor peso se les dará a las observaciones recientes. Por lo cual la sumatoria de
estos pesos deberá ser igual a 1.
Una extensión del modelo también puede asumir que existe una varianza promedio de largo
plazo a algún peso dado, por lo cual el modelo tomará la forma de:
m
σ 2n =γ V l + ∑ α i r n−i2
t =1
Donde V l será la varianza del activo al largo plazo, y ganma será el peso asignado a V l, por
lo cual la suma de ambos parámetros ganma y Alpha debe ser igual a 1.
A este modelo se le conoce como el ARCH (m), primeramente, sugerido por Engle. La
estimación de la varianza está basada en la de largo plazo con m observaciones.
Donde σ 2n es la volatilidad es la volatilidad para el dia n , calculada al final del dia n-1, para
tal fin se requiere al menos un dato previo de la desviación estándar. Para entender el
porqué la ecuación corresponde a una ponderación que decrece exponencialmente, se
sustituye σ 2n −1 para conseguir:
Por lo cual se puede considerar la formula resumida como la multiplicación de 1- lamda por
la sumatoria de los retornos diarios elevados al cuadrado ponderados por lamda. Lo cual
resume un proceso de suavizamiento exponencial decreciente sobre los ponderadores:
i
σ 2n =(1−λ) ∑ λi−1 r 2n −i
t =1
Para el cálculo, se debe tomar un vector i donde se organicen las fechas de entrada de los
datos, donde i = 1 es la fecha más reciente y i =n es la fecha más antigua, con el fin de
asignar el ponderador Lamda, de igual forma, lamda puede optimizarse a través de un
proceso de suavizamiento exponencial de los rendimientos elevados al cuadrado.
Optimizar Lamda
De acuerdo a la metodología de JP Morgan , se suele utilizar 0,94 y 0,97 como valores
típicos de lambda si los rendimientos calculados son diarios o típicos respectivamente. Sin
embargo, es posible encontrar el mejor modelo de ajuste utilizando un suavizamiento
exponencial simple sobre la varianza de los retornos elevados al cuadrado.
Para tal fin , se plantea el modelo a continuación:
1− λ=α
Donde el suavizamiento exponencial de los retornos elevados al cuadrado es un método que
revisará la estimación a la luz de las más recientes. Por lo cual se plantea lo siguiente:
r^
2 2
n +1=α r n+(1−α )
α, es la contante de atenuación y debe estar entre 0 y 1 , a medida que Alpha sea más
grande, se le asignará un mayor peso a las observaciones más recientes. Por lo cual se
puede establecer que optimizar la constante Alpha permite hallar el valor optimo de Lamda.
Para tal fin es necesario minimizar la sumatoria total de cuadrados de los valores reales y
predichos de los retornos cuadráticos. La formula se define como:
El modelo GARCH
En 1982, Engle propuso el modelo Autoregressive Conditional Heterokedasticity (ARCH)
caracterizado porque la varianza no se mantiene constante, sino que varía con el tiempo.
Posteriormente el modelo ARCH es generalizado al modelo GARCH, el cual es muy
utilizado para la modelización de la volatilidad. El modelo GARCH es un mecanismo
adaptativo que tiene en cuenta la varianza condicionada en cada etapa, es decir. Produce
conglomerados de observaciones atípicas o “outliers que corresponden a conglomerados de
alta volatilidad.
Los modelos GARCH especifican y estiman dos ecuaciones simultaneas. Cuando se quiere
realizar mediante este modelo, la estimación de la volatilidad, la primera ecuación explica
la evolución de la rentabilidad (variable subyacente) en función de rentabilidades pasadas y
la segunda ecuación modeliza la evolución de la varianza de la rentabilidad.
A partir de la varianza se estima la volatilidad. La expresión matemática es la siguiente: sea
una serie de tiempo de observaciones diarias, se define yr en función de los valores pasados
de la variable.
y t =β 0+ β1 y t−1 + β 2 y t −2+ …+ β p y t − p +ut
ut =√ ht∗vt
ht =a o +a1 ht −1 +c 1 u2t−1
σ 2n =γ V l + α r 2n−1+ β r 2n−1
γ es el paso asignado a Vl , la cual es la varianza de largo plazo del activo, α es el peso de
los retornos elevados al cuadrado y β es el peso asignado a la varianza del periodo anterior.
Por lo cual los 3 ponderadores deben ser iguales a 1:
1=γ + α + β
Cabe añadir que el modelo GARCH requiere que α + β< 1 para que la varianza sea estable.
En caso contrario, el peso aplicado a la varianza de largo plazo sería negativo. Cabe añadir
que el método utilizado en el modelo EWMA es un caso especial del modelo GARCH (1,1)
donde γ =0, 1− λ=α y β=λ .
El (1,1) en el modelo GARCH (1,1) indica que σ 2n está basada en la observación más
2
reciente de r n, Lo que implica que el modelo general GARCH (p) modela la varianza de los
rendimientos desde los más recientes p observaciones.
Si se establece que γ V l=ω, el modelo GARCH(1,1) también puede ser escrito como:
V ( t ) =E(σ 2n+t )
Y
1
a=ln
α+β
Por lo cual la ecuación de la volatilidad esperada en un modelo GARCH (1,1) queda:
t
E [ σ 2n+t ]=V L + ( α + β ) ( σ 2n −V L )
V t es la varianza instantánea en t días. La varianza promedio por día entre hoy y el tiempo
T será:
T
1 1−eaT
∫ V ( t ) dt=V L + [ V ( 0 )−V L ]
T 0 aT
A medida que T aumenta, se acerca a VL. Defina σ (T) como la volatilidad anual que
debería ser utilizado para fijar el precio de una opción de día T bajo GARCH (1,1)
.Suponiendo 252 días por año, σ (T) es 252 veces la tasa de variación promedio por día, de
modo que:
aT
1−e
2
σ ( T ) =252 V L +{ aT
[ V ( 0 )−V L ] }
Se hace referencia a la relación entre las volatilidades de las opciones y sus vencimientos.a
como la estructura temporal de volatilidad. La estructura del plazo de Z volatilidad
generalmente se calcula a partir de volatilidades implícitas, pero la ecuación (10.15)
proporciona un enfoque alternativo para estimar del modelo GARCH (1,1). Aunque la
estructura temporal de volatilidad estimada a partir de GARCH (1,1) no es el mismo que el
calculado a partir de volatilidades implícitas, se utiliza a menudo para predecir la forma en
que la estructura de plazos de volatilidad real responderá a los cambios de volatilidad.
1−e aT
∗σ ( 0)
aT
∆ σ (0)
σ (T )
ut =ε t σ 2t −1
σ 2t =ω+ α σ 2t −1
Por lo cual un caso particular del modelo anteriormente presentado sería que entre las
variables explicativas se encuentra la volatilidad o una transformación de ella. Algunas
teorías financieras se basan en que a mayor incertidumbre, mayor rendimiento esperado.
Por lo cual un modelo capaz de representar esto sería:
y t =δ σ t +ut
Donde ut sigue un proceso ARCH. Este modelo es conocido como ARCH-M y presenta
autocorrelación en los niveles. Esto es que asume que la varianza dependerá de las noticias
pasadas o los shocks anteriores.
Debilidades:
El modelo ARCH(M) presenta algunas debilidades respecto a la estimación de los
parámetros de la volatilidad:
- La varianza solo se explica por las noticias pasadas y no futuras.
- Tiende a sobreestimar la varianza de la serie
- No distingue diferencias entre como afecta al mercado un choque positivo o
negativo
El modelo SETAR
El proceso {xt} sigue el modelo SETAR dado un conjunto de rentabilidades. Tal que:
kj
( j) (j) ( j)
X t =α + ∑ α i X t−i +ε t
0
i=1
Por lo cual, la anterior expresión permite determinar que el modelo SETAR se compone de
un conjunto de procesos autoregresivos. Es decir un modelo donde el cambio de régimen
está determinado por una variable que ya hemos observado. Esta estructura dota al modelo
de unas características importantes.
Una de estas es su capacidad de capturar la irreversibilidad temporal que se produce en
evolución de ciclos asimétricos. Por lo cual este factor coincide con las características de la
volatilidad comentadas anterior.
En el caso de los modelos SETAR: La media, varianza y autocorrelación cambian en los
diferentes regímenes , también este proceso presenta saltos que se producen a intervalos
irregulares en el tiempo, y que son debidos a cambios en la política financiera o episodios
de crisis.
Este tipo de conducta no es modelada por los modelos de la familia GARCH pues suponen
cambios no estructurales en la volatilidad . En ese sentido el modelo SETAR captura este
comportamiento asimétrico de la serie. La presencia de conglomerados de volatilidad
sugiere que la volatilidad de las acciones evolucionada de acuerdo a los valores pasados.
Por lo cual se deben considerar modelos autorregresivos.
Por otro lado. Al realizar la predicción de la volatilidad debemos tener presente que este
proceso no tiene una estructura fija, por tanto, es necesario evaluar la precisión de las
predicciones fuera de muestra (”out-of-sample”). Figlewski (1997) afirma que muchos
modelos elaborados para la predicción de la volatilidad muestran un buen comportamiento
predictivo en muestra (”in-sample”), que no coincide con el observado fuera de muestra.
Tong (1990)también es claro en este punto al diferenciar entre lo que él denomina
predicción no genuinay predicción genuina, y que se corresponde con la predicción en
muestra y fuera de muestra. El modelo SETAR permite realizar ambos tipos de predicción,
siendo la predicción genuina la realmente útil cuando se trata de predecir la volatilidad de
un activo financiero.
Dado que :
σ 2t =ε^ 2t + ( σ 2t −ε 2t ) + ( ε 2t −ε^ 2t ) +v t
ln σ 2t =β o + β 1 ln ( σ 2t−1 ) + wt , { w t } NID(0 , σ w )
Los modelos ARCH y los SV difieren en la definición de la ecuación que modela las
volatilidad. En los primeros se le considera una función no estocástica lineal del
comportamiento pasado de la serie, mientras que en los modelos SV, la volatilidad es un
componente no observable de la serie a través de un proceso lineal autorregresivo.
Dos trabajos recientes acerca de estos modelos es el de (Breidt et al. 1998). Desde el punto
de vista financiero, los modelos SV son atractivos dado que constituyen una aproximación
en tiempo discreto a los modelos de tiempo continúo implementados en finanzas.
Sin embargo , su estimación resulta más complicada que en los modelos GARCH, ya que
no se puede construir de forma exacta la función de verosimilitud, lo cual hace necesario la
utilización de métodos de estimación alternativos tales como: Máxima verosimilitud
simulada, estimación máximo cuasi-verosímil.
El método de estimación de máximo Cuasi-verosímil propuesto por Harvey (1994), utiliza
la representación en forma de modelos de estado que admiten los modelos SV para llegar a
los estimados deseados, con esta estructura pueden estimarse, tratando las perturbaciones
del modelo, bajo distribución normal y empleando el filtro de Kalman para obtener la
descomposición de la verosimilitud en los errores de predicción.
BIBLIOGRAFÍA
https://repositorio.comillas.edu/xmlui/bitstream/handle/11531/18735/TFG%20Garcia
%20Blazquez%2C%20Alvaro.pdf?sequence=1&isAllowed=y (Modelo ARCH, GARCH,
EWMA)
https://dialnet.unirioja.es/descarga/articulo/291537.pdf (Volatilidad Historica, Medida de
Fama, EWMA , Medida de Luce , GARCH, ARCH, GARCH Asimetricos , EGARCH,
PAAV-GARCH , GARCH-M, Modelo de Schwert, Modelo de Pagan y Schwert ,
https://dialnet.unirioja.es/descarga/articulo/3042108.pdf, Modelo SV , Modelo ARSV,
https://www.researchgate.net/publication/322163933_Estimacion_de_modelos_de_volatilid
ad_en_series_de_rendimientos_bursatiles_2000-
2014/fulltext/5a4a28f70f7e9ba868ae2a0a/Estim ( Modelo ARCH y GARCH)
https://dialnet.unirioja.es/descarga/articulo/7390853.pdf (Modelo GARCH, DTARCH ,
Filtro Kalman, Modelo SV).
https://www.tdx.cat/bitstream/handle/10803/6503/03CAPITULO2.pdf?
sequence=3&isAllowed=y (Modelo SETAR, Desviación absoluta respecto a la media,
Estimador de la varianza de datos mensuales, Modelo exponencial fraccionario, Modelo
DTARCH, Modelo GARCH).
https://www.ucm.es/data/cont/media/www/pag-41460/VOLATILIDAD.pdf (De todo un
poco).
http://www.scielo.org.co/pdf/ceco/v27n48/v27n48a11.pdf (Modelo ARCH, GARCH y
EGARCH)
http://dl.rasabourse.com/Books/Finance%20and%20Financial%20Markets/%5BHull
%5DRisk%20Management%20and%20Financial%20Institutions%28rasabourse.com
%29.pdf (Libro de HULL, CAP 10: explica el modelo ARCH, GARCH y EWMA).
http://repositorio.utp.edu.co/dspace/bitstream/handle/11059/8415/33379323C268.pdf?
sequence=1&isAllowed=y (El estado del Arte tiene una tabla de resumen de toda la familia
de modelos de volatilidad ARCH).
Bibliografía
Lo que implica que la rentabilidad para k periodos se puede calcular a partir de las
rentabilidad de cada periodo como sigue:
r t ( k )=ln ¿