Pontificia Universidad Católica del Perú

Maestrı́a en Economı́a
ECO781 Econometrı́a Avanzada: Series de Tiempo
Prueba Final

1. Supóngase que rt denota a los retornos diarios del ı́ndice general de la bolsa de Lima (IGBVL) y que
rt ∼ N (µ , σ 2 ), t = 1, . . . , N. Asumiendo que la distribución a priori conjunta puede ser especificada por

p(µ , σ 2 ) = p(µ | σ 2 )p(σ 2 )

donde µ | σ 2 ∼ N (µ0 , k0−1 σ 2 ) y σ 2 ∼ I G ( n20 , S20 ). N (., .) e I G denotan la distribución normal univa-
riada e inversa gamma respectivamente.

a) Obtenga la distribución posterior de µ , σ 2

b) Determine las distribuciones condicionales de µ | σ 2 , y1:N y σ 2 | µ , y1:N donde: y1:N = (y1 , . . . , yN )⊤ .
c) Usando b) describa como usar el algoritmo de Gibbs.

2. Sea (y1 , . . . , y5 )⊤ = (13, 15, 14, 16, 17)⊤ , el vector de observaciones que representa las ventas en millones
de soles de un determinado producto. Se asume que yt sigue un modelo de espacios de estados de primer
orden el cual es dado por

yt = µt + vt vt ∼ N (0,V )
µt = µt−1 + wt wt ∼ N (0,W )

Asumiendo que (V,W ) = (0,25, 25) y que µ0 ∼ N (17, 100)

a) Determine de forma general las recursiones del Filtro de Kalman.

b) Para t = 1, 2, 3, 4, 5, encuentre la distribución predictiva un paso al frente.
c) En el caso de que V y W sean desconocidas, ¿Cómo procederia para estimarlas?. Justifique su res-
puesta.

3. Considerese los retornos de los precios de cierre de los siguientes ı́ndices: MERVAL (Argentina), IBO-
VESPA (Brasil), IPSA (Chile), MEXBOL (México), IGBVL (Perú) y S& P 500 (Estados Unidos de Norte
América). El perı́odo de análisis corresponde del 6 de enero de 1998 hasta el 30 de diciembre de 2016. El
Cuadro 1 presenta las estadı́sticas resumen para los retornos considerados.

a) ¿Qué puede comentar acerca de las estadı́sticas resumen?

El modelo GARCH(1,1) con errores normales es definido por

1/2
yt = ht εt
2
ht = α + β yt−1 + θt−1

donde εt ∼ N (0, 1).

1
Cuadro 1: Estadı́sticas resumen para los retornos diarios del MERVAL, IBOVESPA, IPSA, MEXBOL, IGBVL,
S&P500
INDEX MERVAL IBOVESPA IPSA MEXBOL IGBVL S&P500
Size 4651 4698 4737 4759 4597 4777
Mean 0.0701 0.0376 0.0296 0.0464 0.0478 0.0177
S. D. 2.2125 2.0262 1.0695 1.4276 1.4111 1.2418
Mı́nimo -14.2896 -17.2082 -7.6381 -10.3410 -13.2908 -9.4695
Máximo 16.1165 28.8325 11.8034 12.1536 12.8156 10.9572
Asimetrı́a 2.2091 0.5313 0.1372 0.1458 -0.3915 -0.2086
Curtosis 7.3418 16.8094 11.6866 8.7449 13.5715 10.6576
Retornos
ρ̂1 0.0550 0.0130 0.1840 0.0910 0.1890 -0.0700
ρ̂2 0.0020 -0.0180 0.0220 -0.0300 0.0080 -0.0450
ρ̂3 0.0240 -0.0390 -0.0190 -0.0301 0.0680 0.0100
ρ̂4 0.0070 -0.0320 0.0250 -0.0030 0.0640 -0.0080
ρ̂5 -0.0090 -0.0170 0.0270 -0.0150 0.0250 -0.0460
Q(12) 33.37 44.51 190.52 54.57 240.53 66.95
Cuadrado de los Retornos
ρ̂1 0.2580 0.1990 0.2320 0.1430 0.4210 0.2040
ρ̂2 0.2160 0.1640 0.2130 0.1780 0.3890 0.3720
ρ̂3 0.1780 0.1860 0.1720 0.2540 0.3920 0.1920
ρ̂4 0.1660 0.1170 0.1550 0.1300 0.2840 0.2880
ρ̂5 0.2130 0.0990 0.2910 0.2420 0.2140 0.3220
Q(12) 1763.40 1069.30 2086.00 2147.10 3960.20 4643.70

El modelo de volatilidad estocástica con errores normales se define por

yt = eht /2 εt
ht+1 = µ + φ (ht − µ ) + ση ηt

donde εt ∼ N (0, 1) e ηt ∼ N (0, 1) y son no correlacionados.

A seguir ambos modelos son ajustados a los retornos considerados en el item a). Los resultados de la
estimación via MCMC se presentan en los cuadros 2 y 3. En base a estos resultados:

b) ¿Qué puede afirmar acerca de las estimativas de los modelos GARCH(1, 1)?, son los modelos persis-
tentes?.
c) ¿Qué puede afirmar acerca de las estimativas de los modelos de volatilidad estocástica?, son los mo-
delos persistentes?.
d) El cuadro 4, presenta dos criterios de comparación de modelos el log-predictive score (LPS) y el
deviance information criterion (DIC). Al comparar modelos competidores em ambos criterios se elige
el mı́nimo LPS (DIC) como el mejor modelo. De acuerdo a los resultados en el cuadro, ¿qué modelo
presenta el mejor ajuste?
d) Se justificaria, el ajuste de una versión GARCH(1,1) y SV con errores t-Student?. Justifique su res-
puesta.

Recuerde que X ∼ N (µ , σ 2 ) e y ∼ I G (a, b) si sus densidades son dadas por

1 − 1 (x−µ )2
f (x | µ , σ 2 ) = √ e 2σ 2
2πσ 2
ba 1 a+1 − by
 
g(y | a, b) = e
Γ(a) y

2
 Cuadro 2: Estimación via MCMC del Modelo de Volatilidad estocástica. Se reporta la media a posteriori, error de Monte Carlo, intervalo de credibi-
lidad del 95 %, factor de ineficiencia (Inef) y diagnóstico de convergencia de Geweke (CD, respectivamente
Parameter Mean MC Error 95 % interval Inef CD Parameter Mean MC Error 95 % interval Inef CD
MERVAL (Argentina) IBOVESPA (Brazil)
µ 1.1647 0.0020 (0.9931,1.3291) 1.16 -1.79 µ 1.2898 0.0040 (0.9807,1.6022) 1.36 1.17
φ 0.9501 0.0007 (0.9353,0.9629) 19.32 -0.98 φ 0.9730 0.0007 (0.9565,0.9863) 14.83 0.26
σ 0.2688 0.0025 (0.2399,0.3044) 44.67 1.17 σ 0.1649 0.0025 (0.1325,0.1968) 44.23 -0.64
3

IPSA (Chile) MEXBOL (Mexico)

µ -0.3596 0.0025 (-0.5706,-0.1555) 1.00 -0.33 µ 0.2316 0.0033 (-0.0634,0.5200) 1.00 -0.33
φ 0.9697 0.0004 (0.9599,0.9791) 15.91 0.06 φ 0.9803 0.0003 (0.9725,0.9870) 11.24 -0.56
σ 0.2111 0.0021 (0.1880,0.2385) 55.41 -0.11 σ 0.1859 0.0016 (0.1655,0.2102) 42.70 0.05
IGBVL (Peru) S&P 500 (USA)
µ -0.0095 0.0025 (-0.2342,0.2044) 1.00 -1.08 µ -0.1332 0.0032 (-0.4096,0.1375) 1.07 0.01
φ 0.9618 0.0006 (0.9490,0.9732) 19.82 -0.98 φ 0.9791 0.0005 (0.9705,0.9864) 28.76 0.91
σ 0.2725 0.0026 (0.2351,0.3102) 37.22 0.86 σ 0.1968 0.0035 (0.1686,0.2311) 100.00 -1.08
 Cuadro 3: Estimación via MCMC del modelo GARCH(1,1). Se reporta la media a posteriori, el error de Monte Carlo (MC), el intervalo de credibilidad
del 95 %, el factor de ineficiencia (Inef) y el criterio de convergencia de Geweke (CD), respectivamente.
Parameter Mean MC Error 95 % interval Inef CD Parameter Mean MC Error 95 % interval Inef CD
MERVAL (Argentina) IBOVESPA (Brazil)
α 0.1570 0.0009 (0.1115,0.2041) 1.21 -0.77 α 0.0692 0.0008 (0.0434,0.0932) 4.72 -0.58
β 0.1106 0.0004 (0.0932,0.1330) 1.22 0.84 β 0.0837 0.0005 (0.0691,0.0993) 3.33 0.37
θ 0.8589 0.0005 (0.8316,0.8797) 1.21 -0.12 θ 0.8973 0.0007 (0.8794,0.9170) 4.75 0.48
β +θ 0.9695 0.0002 (0.9540,0.9814) 1.27 -1.31 β +θ 0.9810 0.0003 (0.9714,0.9898) 5.93 0.48
4

IPSA (Chile) MEXBOL (Mexico)

α 0.0245 0.0003 (0.0172,0.0346) 42.67 0.41 α 0.0165 0.0001 (0.0105,0.0258) 1.00 -0.06
β 0.1347 0.0010 (0.1176,0.1573) 29.15 1.62 β 0.0821 0.0004 (0.0675,0.0984) 1.00 0.33
θ 0.8436 0.0011 (0.8143,0.8617) 31.85 -1.06 θ 0.9103 0.0001 (0.8923,0.9623) 1.00 0.33
β +θ 0.9783 0.0008 (0.9630,0.9897) 16.51 0.52 β +θ 0.9923 0.0001 (0.9820,0.9973) 1.00 -0.65
α 0.06186 0.0002 (0.0436,0.0850) 1.00 0.42 α 0.0233 0.0001 (0.0163,0.0302) 1.00 0.97
β 0.1853 0.0006 (0.1542,0.2222) 1.00 0.21 β 0.1018 0.0003 (0.0837,0.1203) 1.00 -0.78
θ 0.7868 0.0005 (0.7435,0.8230) 1.00 -0.10 θ 0.8810 0.0003 (0.8588,0.9006) 1.00 -0.19
β +θ 0.9722 0.0003 (0.9542,0.9866) 1.00 0.18 β +θ 0.9828 0.0001 (0.9730,0.9898) 1.00 -0.19
 Cuadro 4: Comparación de Modelos. Log-predictive score (LPS) y Deviance Information Criterion (DIC).
LPS DIC
INDEX / MODEL GARCH SV GARCH SV
MERVAL 5.6223 2.0731 53460.38 19293.51
5

IBOVESPA 4.3952 1.9729 37009.72 18543.70

IPSA 2.1169 1.2936 18816.81 12265.85
MEXBOL 2.8946 1.5878 26362.53 15122.51
IGBVL 2.8712 1.4944 20005.94 13750.03
S&P 500 2.4344 1.4150 21334.94 13528.69