Núcleo Integrador – Modelos de Volatilidad

Miguel Ángel Sáenz

Liseth Vanesa Rodríguez

Profesor: José Luis Flores

Programa de Ingeniería Financiera

Universidad Autónoma de Bucaramanga

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.

1.2. La Varianza como Indicador de Riesgo: Limitantes

Los mercados financieros, fondos de inversión y administradores de cartera han utilizado la
varianza y la desviación típica de los retornos de un activo como medida de riesgo y
volatilidad. Sin embargo, estos sólo tienen sentido sobre una posición de probabilidad.
Hay varias situaciones en los cuales utilizar la varianza como indicador de riesgo es
problemático:
 Cuando hay una tendencia determinista, el nivel seleccionado de volatilidad y
comportamiento no será representativo, pues las desviaciones estándar se
construyen con base a las observaciones totales.
 Cuando hay casos de estacionariedad, la varianza puede crecer con el número de
observaciones.
 La varianza mide toda la fluctuación que experimenta una variable, por lo cual se
está asignando la misma ponderación a todos los diferentes periodos.
 Cuando se presenta heteroscedasticidad en el comportamiento de la serie de tiempo.
Ejemplo:

Volatilidad y rendimientos APPL

6%
4%
2%
0%
-2%
-4%
-6%
-8%

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.

1.3. Modelos de Volatilidad:

Un buen modelo para la volatilidad debe ser capaz de pronosticarla, esta clase de modelos
utiliza proyecciones y estimaciones, por ejemplo, el pronóstico del valor absoluto de la
magnitud de los retornos de precios de un activo, la estimación de cuantiles y densidades de
probabilidad, entre otros.
Conocer la volatilidad actual y predecir la volatilidad futura es vital para la gestión del
riesgo y consecuentemente el éxito del inversionista. Por lo tanto, es necesario de la
elaboración de un modelo adecuado que contemple las características de las series
financieras.
De acuerdo a Engle y Patton, (2001), un buen modelo de volatilidad se debe caracterizar
por:
 Aglomeración de la volatilidad: La volatilidad tienen tendencia a aparecer
agrupada por periodos, es decir puede ser alta y luego baja , por lo cual los choques
de hoy influyen en el valor esperado de la volatilidad en varios periodos en el
futuro.

 Reversión a la media: La aglomeración de la volatilidad implica que esta puede

seguir a un periodo de alta volatilidad a uno de baja volatilidad o viceversa. Lo que
quiere decir que la volatilidad tiende a revertirse en torno a la media. Es decir,
existe un nivel normal de volatilidad al cual se retorna eventualmente. Los
pronósticos a largo plazo convergerán a este nivel, sin importar cuando fueron
hechos.

 La volatilidad es asimétrica: La volatilidad se comporta diferente frente a

innovaciones positivas o negativas. No reacciona de la misma manera frente a un
alza o una caida del precio del activo. Varios modelos imponen el supuesto de
simetría , es decir que la volatilidad es afectada simétricamente tanto para
innovaciones positivas o negativas, por ejemplo, en el modelo ARCH(p) , donde la
varianza depende del cuadrado de las innovaciones retardadas. Se ignora el efecto
de asimetría. El efecto de simetría recibe el nombre de apalancamiento y ha sido
modelada por otros modelos como el EGARCH.

 Influencia de Variables Exógenas: Existen variables que contienen información

relevante para la información de la serie. Además, es posible que eventos repercutan
sobre la volatilidad de la serie, un ejemplo de esto pueden ser informes de estados
financieros de la empresa en cuestión o nuevas políticas macroeconómicas.
La volatilidad asociada a una serie temporal de rentabilidad no es observable; lo por cual se
debe construir la serie de volatilidades previo al proceso de modelización. La existencia de
distintos estimadores de la volatilidad son características diferentes tanto a nivel de
estructura, como a nivel de capacidad.
 I. Volatilidad Puntual o Serial
Es considera como el calculo de la desviación típica asociada a un conjunto de
rentabilidades observadas. De esta manera se obtiene un único valor que representa
la dispersión global de los datos, pero no la evolución de esta dispersión a lo largo
del tiempo. Si se desea recoger la dinámica de la volatilidad, se debe tomar una
medida estocástica o serie de tiempo.

II. Estimación No paramétrica o Paramétrica

Dada la estructura temporal de la volatilidad, es posible realizar la estimación desde
un enfoque paramétrico o no paramétrico. La estimación no paramétrica tiene como
principal ventaja que requiere pocas hipotesis para obtener estimaciones de
volatilidad. En cambio, requiere una gran cantidad de datos históricos para asegurar
el funcionamiento del modelo.
Los métodos no paramétricos realizan estimaciones basados en un proceso de
suavizado que elimina los errores observados en base a promediar los datos de
diferentes maneras. Entre otras técnicas no paramétricas, se destacan las redes
neuronales, los “splines” y la regresión por “kernels”

1.3.1. Medidas Simples o Medidas de Volatilidad basadas en Medias

Móviles
Estas medidas han sido las más populares entre los operadores del mercado debido a su
sencillez de cálculo. Las medidas simples de volatilidad están basadas en medias móviles y
precisan de un método concreto para el cálculo de la volatilidad. Las más utilizadas se
basan en el cálculo de la desviación típica de un conjunto de observaciones, pero todas ellas
tienen características propias que las diferencian y que permiten dar respuestas distintas a
cuestiones relacionadas con la medida. Las cuestiones planteadas se sintetizan en tres
grandes líneas:
  Obsolescencia de las observaciones pasadas
 Frecuencia de los datos
 Conveniencia de promediar las desviaciones respecto a la media.
A continuación, se hace énfasis en las medidas sencillas de volatilidad que se ilustran entre
los operadores financieros:

1.3.1.1. Volatilidad Histórica (VH)

Esta medida estima la volatilidad usando las fluctuaciones del precio del activo más
reciente. Su principal interés es captar el agrupamiento de la volatilidad en el tiempo.
Esta medida no es más que la desviación típica móvil de la serie de rendimientos. El
tamaño de la ventana de observaciones. Para estimar la volatilidad histórica de un activo, el
precio de dicho activo se ha de observar en intervalos de tiempo fijos y concretos (días,
semanas o meses). 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:

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.

1.3.1.2. Estimador de la Varianza de Datos Mensuales

La volatilidad mensual se estima a partir de σ^ t , donde σ^ 2t tiene la siguiente expresión:
Nt
2 2
σ^ t =∑ Rit
i=1

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.

1.3.1.3. Desviación Absoluta de Volatilidad Respecto a la Media

Schwert (1990), y Schwert y Seguin (1990), definen la volatilidad como sigue:
 π
√
σ^ t= |Rt −μt|
2
Donde Rt es el exceso de rentabilidad y μt es tratado como un parámetro y estimado a partir
π
de la media muestral de Rt . El factor
siguiente preposición:
√ 2
permite obtener un estimador insesgado, según la

Si suponemos que el exceso de rentabilidad Rt se distribuye normalmente, entonces la E ( σ^ t )

es igual a σ t y σ^ t es un estimador insesgado de la volatilidad mensual.
Esta medida al no promediar las desviaciones, a diferencia de la desviación típica, origina
una serie cuyos valores reflejan la divergencia entre la rentabilidad observada en un
momento del tiempo t y el valor de la rentabilidad media en ese mismo momento. Como se
observa en la expresión anterior, la volatilidad para el período t solo tiene en cuenta en su
cálculo el exceso de rentabilidad en este período Rt , y la media (este parámetro sí que
involucra otras observaciones pasadas, pero en muchos casos se considera igual a cero).
La desviación absoluta respecto a la media al no promediar las desviaciones, origina una
serie que evoluciona en el tiempo de manera natural y cuyos cambios reflejan de manera
más fidedigna la evolución del mercado.

1.3.1.4. Medida de Fama

Esta medida está en la línea con la volatilidad histórica (VH). Fue propuesta por Fama
(1976) para medir la volatilidad de las letras del Tesoro americanas. Se formula de la
siguiente manera:
k
1
σ t= ∑|r −ŕ|
m−1 t =1 t

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.

1.3.1.5. Medida de Luce

Esta medida fue propuesta por Luce en su trabajo de 1980 y ha sido recientemente
impulsada por los trabajos de Granger y Ding (1994, 1995, 1996) y Ding y Granger (1996).
Luce (1980) parte del siguiente planteamiento:
“sean r 1 y r 2 rendimientos con media cero tales que r 1=r tiene como función de
distribución F (x) y r 2=αr tiene como función de distribución Gα ( x )=F ( x /α ), donde α >0
es un factor de escala y sea R ( F ) una medida del riesgo asociado a F (x)”
  Supuesto 1: Existe un S ( α ) tal que R [ G α ( x ) ]=S ( α )∗R [ F ( x ) ] , es decir, el efecto de
un cambio de escala es multiplicativo.
 Supuesto 2: Existe una función T ( x ) tal que, para cualquier función de distribución
F: R ( F ) =E [ T ( x ) ] =∫ T ( x ) dF( x ) .

El primer supuesto hace referencia al efecto de un cambio de escala en la variable aleatoria.

Implica que un cambio de escala (por ejemplo, pasar los rendimientos de tantos por uno a
tantos por ciento) debe tener un efecto multiplicativo en la medida de riesgo. El segundo de
los supuestos implica que la medida de riesgo debe ser tal que resuma la información
contenida en la función de densidad de los rendimientos.
A partir de estos supuestos Luce (1980) demostró que S ( α )=α θ y que:
θ
R ( F ) =AE [|r| ] , con θ>0 , A> 0

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.

1.3.1.6. Medida de Parkinson

Suponga que el precio de un activo sigue un camino aleatorio continuo con difusión
constanteσ 2. Al cabo de t periodos, el precio cumplirá:

− ( 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 )

Y mide, aproximadamente el porcentaje en el que el precio máximo excede del mínimo.

Puede probarse que al cabo de un intervalo de tiempo de t periodos.

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 )

1.3.1.7. Medida de volatilidad de Garman-Klass

2 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.

1.3.1.8. Esquemas de Volatilidad Ponderada

El método de volatilidad histórica, como hemos visto, incorpora los mismos pesos para
todos rendimientos. Por lo cual el objetivo ahora será estimar σ n con un peso de acuerdo a
los datos más recientes. Para eso reformulamos la anterior ecuación de VH de la siguiente
forma:
m
σ =∑ α i r n−i2
2
n
t=1

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.

1.3.2. Medidas Estructuradas o Modelos Estadísticos de Volatilidad

Los métodos de estimación que asumen un modelo estadístico no realizan una estimación
directa de la volatilidad. Estos métodos modelizan tanto la serie de rentabilidades como la
varianza de la rentabilidad y, a partir de esta última, definen la desviación típica como
volatilidad; el ajuste del modelo para la varianza permitirá obtener la estimación de la
volatilidad. Dentro de este grupo encontramos varios enfoques diferentes: los modelos de
heteroscedasticidad condicional autorregresiva (modelos tipo GARCH), los de volatilidad
estocástica (SV), los modelos de regresión y los basádos en métodos no paramétricos.

1.3.2.1. El modelo EWMA

El cálculo de la volatilidad dinámica también conocido como modelo EWMA ,
(Exponential Weighted Moving Average) es una estrategia de medición de la volatilidad
utilizada por JP Morgan en 1994 denominada RiskMetrics.
Esta metodología es considerada un esquema de volatilidad ponderada y confiere un mayor
peso a las observaciones más recientes que a las pasadas. Es importante esta característica,
ya que si se realiza la volatilidad histórica con desviación estándar, se asume el mismo peso
para todas las observaciones, por lo cual no es capaz de capturar fuertes variaciones en los
precios de los activos.
El modelo EWMA captura las variaciones a través de una ponderación que realiza el
método, lo que permite generar mejores pronósticos en épocas de alta volatilidad. El
modelo depende de un factor de decaimiento lamda el cual se encuentra entre cero y uno.
Lamda determinará los pesos que se aplican a las observaciones. Entre más pequeño sea ,
mayor peso tendrán los datos más recientes. Por lo cual la formula del modelo para m
grupo de observaciones es:

σ 2n =λ σ 2n−1 + ( 1−λ ) r 2n−1

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:

σ 2n =λ [ λ σ 2n −1 + ( 1− λ ) r 2n−2 ]+ ( 1−λ ) r 2n−1

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:

∑ (r 2n− r^2n)2 , Minimizarla SEC

El modelo ARCH y su Familia

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

Donde vt es un conjunto de variables IID (independientes e idénticamente distribuidas) con

media cero y varianza unitaria . Por lo cual un proceso GARCH toma ht como:

ht =a o +a1 ht −1 +a 1 ht −2+ …+a r ht−r + c1 u2t −1+ c2 u2t −2 +…+ c m u 2t−m

Por lo cual, el modelo más utilizado en el calculo de la volatilidad es el GARCH (1,1)

donde

ht =a o +a1 ht −1 +c 1 u2t−1

La diferencia entre el EWMA y el GARCH radica en que el GARCH calcula la varianza de

largo plazo Vl a partir de la desviación típica y la rentabilidad continua del periodo anterior.
Lo que quiere decir que la ecuación del GARCH (1,1) es :

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:

σ 2n =ω+ α r 2n−1+ β r 2n−1

La estimación de σ 2n se utiliza como predicción a un día. Si se desea predecir con un

horizonte de un mes, es necesario generar la predicción diaría de la varianza desde el
primera día del mes y para todo el mes, La predicción de la volatilidad para un mes se
obtiene como la raíz cuadrada de la suma de las predicciones diarias de la volatilidad.

Optimizar los parámetros de GARCH(1,1): Máxima Verosimilitud

El modelo de suavizamiento exponencial utiliza una distribución normal, bajo el cual las
rentabilidades logarítmicas se distribuyen de acuerdo a una ponderación Z r t =σ t z t , donde
Zt i . ,i . d . N (0,1), por lo cual se tiene la función de verosimilitud,
T
−(r 2t −ŕ )2
L=∏
t =1 [√ 1
2π σ 2
t
(
∗exp ⁡
2σ
2
t
)]
Aplicando logaritmo neperiano obtenemos:
T
(r 2t −ŕ )2
ln L=
−1
2 ∑
t =1
lnσ
(2
t +
σ 2t )
Que se puede maximizar bien mediante algoritmos numéricos o mediante procedimientos
de búsqueda. Evidentemente el vector de valores paramétricos que maximizará a Ln L es el
mismo que maximiza la función de máxima verosimilitud.

Predicción de volatilidad: EWMA y GARCH

En el modelo de suavizado exponencial utilizado por RiskMetrics α + β=1, Lo cual hace
que la persistencia de la volatilidad del modelo EWMA sea igual a 1, es decir. Se espera
que todo el Shock de volatilidad persista para siempre, y cualquier incremento observado
elevará la previsión de volatilidad de todos los periodos futuros en la cuantía del Shock.
En cambio, el modelo GARCH (1,1) Utiliza la varianza una persistencia menor a 1, lo que
quiere decir que la ultima observación va perdiendo importancia y la predicción convergerá
a lo que se denomina varianza de largo plazo.
La esperanza de la varianza en el periodo k para el modelo GARCH (1,1) es:
ω
Et σ 2t+ k =
1−( α + β )
Que también se denomina como la varianza incondicional o varianza de largo plazo. Esto
es lo que se cabe esperar suceda con la volatilidad de todas las variables estacionarias.
Problemas del modelo GARCH(1,1)
Una limitación de los modelos GARCH es que la varianza condicionada responde de la
misma mantera a los residuos positivos que a los negativos, característica que contradice el
comportamiento observado en las series temporales con datos financieros. Para superar este
problema Nelson (1991) propone el modelo GARCH exponencial o EGARCH que permite
una respuesta asimétrica de la varianza condicionada en función del signo de los residuos.
Estos modelos presentan otros problemas asociados a la predicción como:
- Necesitan un gran número de datos para obtener estimaciones robustas
- El funcionamiento de estos modelos es bueno en muestra, debido a que involucran
un gran número de parámetros, pero tiende a fallar rápidamente fuera de muestra.
- Todos los modelos de la familia GARCH se basan en la varianza a un paso y no
están diseñados para generar predicciones de la varianza a varios pasos.
Se puede mejorar el funcionamiento de los anteriores modelos utilizando datos diarios y
horizontes de predicción cortos.

Estructura a plazo de la volatilidad

Suponga que hoy es el día

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 )

E [ σ 2n+t ]=V L +e−at [V ( 0 )−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.

Impacto del cambio de la volatilidad

La probabilidad en un tiempo t puede ser escrita como:
2
1−e aT σ ( 0 )
2
σ ( T ) =252 V L + {
aT 252 [
−V L ]}
Cuando σ ( 0 )2 cambia en la proporción ∆ σ ( 0 ) ,σ ( T ) lo cual genera una variación de la
volatilidad aproximada de:

1−e aT
∗σ ( 0)
aT
∆ σ (0)
σ (T )

Modelos GARCH asimétricos

Una de las debilidades del modelo GARCH radica en que la volatilidad del precio del
activo responde de forma asimétrica a caídas o subidas. Esto es incorrecto pues el mercado
reacciona según expectativas, por lo cual estos modelos son extensiones del modelo
GARCH en los que se introduce la posibilidad de que la volatilidad responda de manera
asimétrica ante cambios de distinto signo en los precios. Es decir el efecto apalancamiento.
En ese sentido, una de las propuestas es una ampliación del modelo GARCH en la que se
incluyen variables ficticias que permiten diferentes respuestas dependiendo del signo de los
rendimientos pasados de la siguiente forma:
q p s
δ δ
σ δt =α o + ∑ α i|r t−i| + ∑ βi σ tδ−1+ ∑ γ i St −i|r t −i|
i=1 i=1 i=1

Si δ =2, esto corresponderá al modelo GJR-GARCH de Glosten, Jagannathan y Runkle

(1993) y al modelo TACH de Zakoian si δ =1.
Al igual que en los casos anteriores, los modelos GARCH asimétricos implican que la
desviación típica condicional elevada a δ es una suma ponderada de los rendimientos en
valor absoluto elevados al mismo exponente, en el caso que p = q = s = 1, la volatilidad del
modelo será:
∞
αo δ
σ δt = + ∑ (α 1+ γ 1 S t−i ) β i|r t −i|
1−β 1 i=1
El modelo DTARCH
El modelo EGARCH
El modelo IGARCH
El modelo ARCH-M
En numerosas aplicaciones empíricas, Y t no es la serie temporal analizada sino la
perturbación de un modelo con estructura dinámica en la media. En ese sentido, Engle
(1982) considera modelos ARCH en perturbaciones, donde un modelo ARCH(1) sería:
y t =x t β+u 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.

El modelo de Pagan y Schwert:

El modelo de Schwert (1989) (SW)
Este autor propone una generalización del método de Officer (1973), Fama (1976) y
Merton (1980) para estimar la volatilidad mensual de una serie de rendimientos. Se base en
el valor absoluto de los residuos del modelo de la media por ser más robusto que los
procedimientos basados en su cuadrado.
El procedimiento es el siguiente:
- Estimar un modelo autorregresivo de orden 12 para la serie de rendimientos
mensuales que incluye 12 variables ficticias para captar las diferencias en la media
de cada mes.
- Se estima un modelo autorregresivo de orden 12 para el valor absoluto de los
2 2
residuos del anterior modelo multiplicado por ( ) , se incluyen en este modelo las
π
12 variables ficticias anteriormente mencionadas.
Modelo de Pagan y Schwert (1990)

Estos autores proponen un estimador en 2 etapas basado en E ( ε 2i|Ωi−1 )=σ 2i . Su

planteamiento es análogo a un modelo ARCH, pero la volatilidad se modeliza a través de la
expresión:
k
σ =σ + ∑ α k ε^ 2t −s
2 2
t
s=1

Dado que :

σ 2t =ε^ 2t + ( σ 2t −ε 2t ) + ( ε 2t −ε^ 2t ) +v t

Y sustituyendo en la primera expresión vemos que:

k
ε^ 2t =σ 2 + ∑ α k ε^ 2t −s−v t
s=1

El término Vt se comporta asintóticamente como (σ 2t −ε 2t ), que es una martingala en

diferencias con respecto a la sigma-álgebra generado por Ωt −1, por lo cual esta expresión
será consistente y si se itera varias veces podrá estimarse por Mínimos Cuadrados
Ponderados.
Modelos de Volatilidad Estocástica: El modelo SV
La familia GARCH considera a la volatilidad como una función determinística de las
observaciones pasadas , es decir, la varianza condicionada se mantiene fija y no tiene en
cuenta factores aleatorios, lo cual hace que estos modelos sean ineficientes en la fase de
predicción.
Por lo cual uno de los posibles modelos puede ser los modelos de volatilidad estocástica SV
de Taylor (1986) y Shepard (1986), en donde se supone que la rentabilidad depende de una
variable no observable (latente), que sigue un proceso estocástico ARMA y de una variable
aleatorio independiente e idénticamente distribuida. En general, se tiene que las
rentabilidades observadas {Y t }, se expresan como:

ln Y 2t =ln σ 2t +ln ϵ 2t , ε t IID (0,1)

Y la volatilidad σ 2t obedecerá a la ecuación:

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

Bello Bernal, M. Á. (2018). Técnicas de Estimación de Volatilidad en Finanzas. Obtenido de

Quantitative Shop: https://www.youtube.com/watch?v=pCtGg4maVvI
Bionic Turtle. (2018). Volatility: Exponentially weighted moving average, EWMA (FRM T2-22).
Obtenido de Youtube: https://www.youtube.com/watch?v=ffDLG7Vt6JE&t=113s
Bustamante Romaní, R. (2015). Estimación de modelos de volatilidad en series de rendimientos
bursatiles: 2000-2014. Obtenido de Pensamiento Crítico Vol. 20 N° 1, pp. 25-41:
https://www.researchgate.net/publication/322163933_Estimacion_de_modelos_de_volatilid
ad_en_series_de_rendimientos_bursatiles_2000-
2014/fulltext/5a4a28f70f7e9ba868ae2a0a/Estimacion-de-modelos-de-volatilid
Casas Monsegny, M., & Cepeda Cuervo, E. (2008). Modelos ARCH, GARCH y EGARCH:
Aplicaciones a series financieras. Obtenido de Cuadernos de Economía, v.XXVII, n. 48,
Bogotá, 2008, páginas 287-319: http://www.scielo.org.co/pdf/ceco/v27n48/v27n48a11.pdf
Engle, R. F. (1982). Autoregressive Conditional Heteroscedasticity with Estimatesof the Variance
of UK Inflation. Econometrica,50, 987-1008.
García Blázquez, Á. (2018). La estimación de la volatilidad en los modelos de valoración de
opciones Financieras. Obtenido de Universidad Pontificia ICA-ICADE Madrid:
https://repositorio.comillas.edu/xmlui/bitstream/handle/11531/18735/TFG%20Garcia
%20Blazquez%2C%20Alvaro.pdf?sequence=1&isAllowed=y
Hull, J. C. (2018). Risk Management and Financial Institutions. Obtenido de Wiley Finance Series
5th Edition: http://dl.rasabourse.com/Books/Finance%20and%20Financial%20Markets/
%5BHull%5DRisk%20Management%20and%20Financial%20Institutions
%28rasabourse.com%29.pdf
Martínez Martínez, J. (2014). Modelos de Volatilidad Estócastica y su Aplicación a la
administración de riesgos financieros. Obtenido de Universidad Nacional Autonóma de
México: http://132.248.9.195/ptd2014/abril/0711793/0711793.pdf
Mohamad, F. (2016). Entendiendo la Volatilidad Ponderada Exponencial (EWMA). Obtenido de
https://support.numxl.com/hc/es/articles/115000142626-Entendiendo-la-volatilidad-
ponderada-exponencial-EWMA-
Novales, A. (2017). Midiendo el riesgo en mercados financieros. Obtenido de Universidad
Computlense: https://www.ucm.es/data/cont/media/www/pag-41460/VOLATILIDAD.pdf
Peña, I. J. (2001). Medidas de Volatilidad en Mercados Financieros. Obtenido de Universidad
Carlos III de Madrid: https://dialnet.unirioja.es/descarga/articulo/44109.pdf
Reyes Zaráte, F. J. (2020). Modelo GARCH en Eviews y Excel. Obtenido de Youtuve:
https://www.youtube.com/watch?v=evOpSZaB73w
Robles Fernández, D. (2002). Medidas de Volatilidad. Obtenido de Revista Española de
Financiación y Contabilidad: https://dialnet.unirioja.es/descarga/articulo/291537.pdf
Ruiz, E. (1994). Modelos para series temporales Heterocedasticas. Obtenido de Universidad Carlos
III de Madrid: https://e-archivo.uc3m.es/bitstream/handle/10016/2944/ds940202.pdf?
sequence=1
Ruiz, E., & Veiga, H. (2008). Modelos de volatilidad Estocástica: Una Alternativa Atractiva y
Factible para Modelizar la Evolución de la Volatilidad. Obtenido de Anales de Estudios
Econ ́omicos y Empresariales, Vol. XVIII, 2008, 9-68:
https://dialnet.unirioja.es/descarga/articulo/3042108.pdf
Tamayo, R., & Rodriguez, H. Y. (2010). Una revisión de los modelos de volatilidad estocástica.
Obtenido de Universidad Santo Tomas:
https://dialnet.unirioja.es/descarga/articulo/7390853.pdf
Villazón Hervás, C. (2002). Modelo setar aplicado a la volatilidad de la rentabilidad de las
acciones: algoritmos para su identificación. Obtenido de Tesis Doctoral Universitat de
Catalunya: https://www.tesisenred.net/handle/10803/6503
Definiciones de Rentabilidad
Las variaciones de precios de cualquier activo financiero son la causa de la rentabilidad que
éste genera. Por lo cual, para definir las medidas de volatilidad, se debe distinguir entre dos
tipos de procesos. Bien sea capitalización compuesta o continua.
Rentabilidad Compuesta
Suponiendo que el precio de hoy es Pt, y el de ayer es Pt-1, la tasa de rendimiento a un día
es.
P t−Pt −1 Pt
Rt = = −1 , t=1,2 ,… . T
P t−1 pt −1

Sin embargo, si se considera que el periodo de capitalizaciones tiende a infinito,se puede

considerar que la rentabilidad para la obtención de nuevos intereses sigue un proceso de
capitalización continua.
Por lo cual se define de la siguiente forma:
Rentabilidad Continua
Sean Pt.1 y Pt los precios de cierre obtenidos en los períodos t-1 y t respectivamente,
entonces la rentabilidad rt se considera como:
Pt
r t =ln ⁡( )
Pt −1

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 )=r t + r t−1 +…+r t−k−1

Ambos tipos de rentabilidad pueden relacionarse de la siguiente forma:

r t ( k )=ln ⁡¿

Esta última expresión, permite analizar el comportamiento discreto de la variable

rentabilidad desde la perspectiva continua, con el fin de que sea modelada con un proceso
autorregresivo.