CORRELACIONES DINAMICAS GARCH.

INTRODUCCION:
De acuerdo a la definición de ( Meloa, & Rincón, 2013) La creciente integración de los
mercados de valores ha contribuido a la unificación del espacio económico y financiero,
estimulando aparentemente la propagación de las crisis financieras. Estos periodos de
inestabilidad han ocurrido con alta frecuencia a través del tiempo y por regiones,
provocando fuertes colapsos en los mercados de valores, caídas en la actividad
económica, inestabilidad financiera y macroeconómica a los países involucrados.
( Meloa, & Rincón, 2013)
Los modelos DCC GARCH, son un tipo de modelos econométricos que se pueden usar
para medir, modelar y predecir la volatilidad en las series de manera dinámica.
Sabemos que la volatilidad expresada estadísticamente por la varianza es un valor fijo, o
un momento poblacional constante. Mediante estos modelos podemos generar una serie
de tiempo que nos ayude al estudio.
Son una evolución de los modelos de CCC, y nos pueden permitir hacer predicciones
tanto de la varianza como de la con varianza y correlación cuando tenemos varias series.
Al incluir la especificación GARCH lo que se busca es que existan puntos de equilibrio
central de manera que se hace que la volatilidad tienda a un equilibrio.
El autor (Víctor A Rico,2020) afirma que la correlación indica como calcular el
coeficiente de correlación de Pearson de cada par de
rentabilidades, condicional porque primero estimaremos un modelo Garch de cada
rentabilidad y Dinámica porque el coeficiente de correlación será dinámico en el
tiempo. Es decir, variará. (Rico, 2020)
RESUMEN:
Dentro de las correlaciones de GARCH, existen tres características de los rendimientos
financieros que son dejados de lado (como enigmas) por algunos modelos y que sí son
tomados en cuenta por los modelos GARCH: los rendimientos son prácticamente no-
predecibles, existe un número considerable de movimientos extremos y existe un
agrupamiento en períodos de baja volatilidad y períodos de alta volatilidad. En los
modelos GARCH cuando la volatilidad es alta (baja) es muy probable que permanezca
alta (baja) por cierto período de tiempo, dando lugar a clusters, movimientos extremos y
a pronósticos a lo largo de un patrón de regresión hacia la tendencia de largo plazo.
Cuando tenemos un portafolio de inversión con más de un activo no sólo es relevante
modelar las volatilidades individuales, también se vuelve relevante modelar la forma en
que covarían en el tiempo los activos dentro del portafolio. (Reyes, 2022)
La Correlación Condicional Dinámica Se emplea un modelo GARCH multivariado que
permite que tanto la media condicional como la covarianza condicional sean dinámicas.
En este sentido, el modelo de correlación condicional dinámica propuesto se caracteriza
porque representa una estructura, en el que las volatilidades condicionales
multiecuacionales siguen el esquema GARCH de correlaciones dinámicas propuesto por
Engle (2002), que va a permitir introducir el efecto de los periodos de crisis sobre los
retornos, varianzas y correlaciones condiciones. Este modelo puede escribirse como
sigue:
EJERCICIOS PRESENTADOS:
Existen diferentes especificaciones de los modelos GARCH para estimar la volatilidad
del rendimiento de los activos financieros.
A continuación, se describe el modelo GARCH, el cual es el más común en la
estimación de la volatilidad. Una manera de capturar el dinamismo de la volatilidad de
los mercados es mediante el uso del suavizamiento exponencial de las observaciones
históricas durante algún periodo, generalmente anual. Esta metodología le proporciona
mayor peso a las últimas y más recientes observaciones que a las primeras o más
alejadas en el tiempo. Esto representa una ventaja sobre el promedio simple de las
observaciones o volatilidad histórica: la volatilidad dinámica captura rápidamente
fuertes variaciones de precios en los mercados debido a su ponderación, y por ello es
posible genera mejores pronósticos en épocas de volatilidad. (Reyes Zarate, 2014)
Este modelo estima la varianza condicional (volatilidad), en función del cuadrado de los
errores rezagados un periodo y de la varianza condicional del periodo anterior (término
autorregresivo).
Para que el modelo sea
estacionario, es decir, que
converja a un nivel de
equilibrio, se requiere que los
parámetros cumplan las
restricciones siguientes:

+1 (persistencia de volatilidad (Test de Wald, donde H0 : +=1 P>0.05;

Ha : +1 P.

Mientras mayor sea la suma, mayor será la persistencia. 1)  es el término de

error, en donde se supone que:  N(0,𝝈 𝟐 t).

La varianza se estima a partir de los residuales de la ecuación de regresión de la

media condicional. Para estimar la media, generalmente se utiliza el modelo
autorregresivo de orden uno, es decir, el rendimiento en el periodo actual se explica
exclusivamente por el valor rezagado del rendimiento.
Otros métodos de estimación de la media condicional de los rendimientos:
promedios móviles y más sofisticados como redes neuronales y algoritmos genéticos
(¡cuidado!: estimaciones ineficientes de la media condicional implican estimaciones
inconsistentes de la volatilidad, no así lo contrario
 Los modelos GARCH toman en cuenta la correlación temporal y las
discontinuidades de las series de tiempo. La ecuación es despejada algebraicamente
para obtener la volatilidad no condicional:

CONCLUSION:
La presePara alcanzar el objetivo planteado se han empleado tres metodologías
diferentes, aunque complementarias. Por un lado, la metodología GARCH se utiliza
para analizar la volatilidad condicional.
El propósito de profundizar aún más en la interdependencia entre los mercados, se
implementa un modelo GARCH multivariado de Correlación Condicional Dinámico
que permite introducir la dinámica de las rentabilidades, las varianzas y covarianzas
condicionales de las mismas para cuantificar la correlación condicional dinámica entre
el mercado bursátil colombiano y los demás mercados financieros internacionales. El
modelo GARCH Multivariado permite analizar la Correlación Condicional Dinámica
entre el mercado colombiano y los mercados internacionales. El resultado más relevante
es la existencia un co-movimiento significativo en el tiempo entre el mercado bursátil.
Por otra parte, tienen distintas aplicaciones como son: la medición del riesgo (crédito,
mercado, sistémico), la asignación de activos a un portafolio, la valuación de derivados,
modelos macroeconómicos, entre otras. Una aplicación interesante es la medición de
excesos de correlación entre diversos mercados (contagio financiero) en donde una
pregunta importante es saber si hay correlaciones que no se derivan solamente de la
actualización de la información en los primordiales, lo que paralelamente conduce a
examinar procesos de revelación de información como el trading.
RECOMENDASIONES:
Modelo alternativo que sirve para el análisis de series financieras y se estudian
las series de precios y de retornos de las acciones.
Es un modelo cuyo propósito es estimar la varianza no condicional de los
rendimientos de los activos financieros.
Son procesos autorregresivos generalizados con heteroscedasticidad condicional;
es decir, modelos que suponen que la varianza cambia a través del tiempo.

Bibliografía
Meloa, , L. F., & Rincón, H. (Junio de 2013). elsevier. Obtenido de

https://www.elsevier.es/es-revista-ensayos-sobre-politica-economica-387-

articulo-choques-externos-precios-activos-latinoamerica-X012044831360061X

Reyes Zarate, f. J. (2014). paginaspersonales. Obtenido de

http://www.paginaspersonales.unam.mx/files/278/Presentacion4.pdf

Reyes, C. (2022). puertacee. Obtenido de

https://puertacee.wordpress.com/2010/03/12/correlaciones-condicionales-

dinamicas-dcc/

Rico, V. A. (24 de Agosto de 2020). ricovictor. Obtenido de

https://ricovictor.com/index.php/2020/08/24/modelos-dcc-garchcorrelacion-

dinamica-condicional/