Clase 7

Introducción
El Modelo ARCH
Extensiones Univariadas
Extensiones Multivariadas
Laboratorio de Econometría: MATLAB

Clase 7: Modelos de volatilidad
Pérez Rojo, Flavio

BCRP y PUCP
Pérez Rojo, Flavio BCRP y PUCP Laboratorio de Econometría: MATLAB

Introducción
El Modelo ARCH
1 Introducción
2 El Modelo ARCH
3 Extensiones Univariadas
4 Extensiones Multivariadas

Introducción
El Modelo ARCH
Introducción
La varianza de los retornos de los activos …nancieros es

importante para la construcción de portafolios, manejo del
riesgo, option pricing, etc.
Utilizaremos a los modelos de heterocedasticidad condicional
autorregresiva (ARCH) propuestos por Engle (1982). Estos
modelos son autoregresivos en la varianza condicional.

Introducción
El Modelo ARCH
Propiedades de los Retornos Financieros
Consideremos a los retornos rt = 100 (log pt log pt 1 ), donde

pt es el precio de un activo …nanciero. Estos presentan las
siguientes propiedades:
Parecen ser aleatorios. Su ACF cae rápidamente.
Presentan clusters que también son de volatilidad. En
unos periodos los retornos cambian poco y en otros periodos
hay grandes movimientos seguidos de movimientos más
grandes. Los clusters en la volatilidad se pueden apreciar en la
ACF de los retornos al cuadrado.

Introducción
El Modelo ARCH
Las propiedades previamente descritas se modelan así:

No autocorrelación en los retornos. No se pueden predecir
los retornos.
rt = ρrt 1 + vt , vt N (0, σ2 ),
donde al no presentar autocorrelación ρ = 0, y sus momentos

incondicionales son:
E [rt ] = 0
Var [rt ] = σ2

Introducción
El Modelo ARCH

Autocorrelación en los retornos al cuadrado. Se puede
predecir la volatilidad de los retornos.
rt2 = α0 + α1 rt2 1 + et , et i.i.d.(0, σ2e )
donde la varianza incondicional σ2 es:
σ 2 = α0 / (1 α1 )
Para que σ2 sea positiva α0 > 0 y para que sea de…nida jα1 j < 1.
Considerando la varianza condicional σ2t :
σ2t = α0 + α1 rt2 1 ,
la que cambia en el tiempo debido a rt2 1 . Se pueden apreciar

clusters de volatilidad si 0 < α1 < 1.
Introducción
El Modelo ARCH
Otras propiedades de los Retornos Financieros
Normalidad. Se puede asumir que los retornos se distribuyen

condicionalmente como
rt jrt 1 N (0, α0 + α1 rt2 1 )
Para pequeños rt 1 la varianza condicional es α0 , lo que podría

modelar un pequeño rt . En cambio, grandes rt 1 dispersan la
distribución, posiblemente modelando un gran rt .
Leptokurtosis. Si se presentan altas volatilidades con
frecuencia, la distribución condicional será más dispersa y
presentará varios picos pequeños. Por ello, se deberá usar
distribuciones leptokurticas con colas pesadas y un pico más
grande.

Introducción
El Modelo ARCH
El Modelo ARCH: Modelación de volatilidad
1 Especi…camos un modelo para la media condicional. Los

retornos pueden presentar autocorrelación pequeña que puede
ser considerada usando un modelo ARMA.
2 Usamos los residuos del modelo anterior para veri…car si hay
efectos ARCH. Si los hay, especi…camos el modelo de
volatilidad.
3 Veri…camos el modelo: diagnostics.

Introducción
El Modelo ARCH
El Modelo ARCH: Especi…cación
En este modelo la varianza condicional es una función de

rezagos de los retornos al cuadrado. Por ello el modelo ARCH
es
rt = vt , vt N (0, σ2t )
σt = α0 + ∑qi=1 αi vt2
2
q = α0 + ∑qi=1 αi rt2 q
donde α0 > 0 y ∑qi=1 αi < 1 para que σ2t sea positiva y de…nida.
Asimismo, la distribución condicional de rt es
f (rt jrt 1; θ) =p 1
exp[ rt2 /(α0 + ∑qi=1 αi rt2 q )]
2π (α0 +∑qi=1 αi rt2 q )

Introducción
El Modelo ARCH
El Modelo ARCH: Estimación

Se estima utilizando MV y un algoritmo iterativo. Para una
muestra t = 1, 2, ..., T , la log-verosimilitud condicional es
ln LT (θ ) = T 1
∑Tt=1 ln f (rt jrt 1; θ)
Considerando valores iniciales θ (0 ) , el gradiente GT (θ ) y el

hessiano HT (θ ), el algoritmo realiza el procedimiento iterativo
hasta una cumplir una condición de pare
θ (K ) = θ (K 1) HT 1 ( θ ( K 1 ) )GT ( θ (K 1 ) )
En la estimación σ2t no necesariamente será no negativa, lo que

puede ocasionar que el algoritmo se detenga. Así, se pueden
modi…car los parámetros de tal forma que sean no negativos y que
la varianza incondicional sea estable.
Introducción
El Modelo ARCH
El Modelo ARCH: Test de Engle
H0 : α1 = α2 = ... = αq [no ARCH ]

H1 : al menos un α 6= 0 [ARCH ]
Estimamos la regresión AR (q )
rt2 = α0 + ∑qi=1 αi rt2 q + et , et i.i.d.(0, σ2e )
Y construimos el estadístico LM (q ) = TR 2 χ2(q ) . Partimos de

q = 1 hasta q = q donde no se rechaza H0 para determinar el
orden ARCH.

Introducción
El Modelo ARCH
El Modelo ARCH: Test de Ljung-Box
H0 : los m rezagos de la ACF de rt2 son no signi…cativos

H1 : No H0
ρ2
b
Utilizamos el estadístico QLB (m ) = T (T + 2) ∑m k
k =1 n k χ2(m ) ,
donde bρk es la autocorrelación muestral de orden k y m es el
número de rezagos que se están probando. Partimos de m = 1
hasta m = m donde no se rechaza H0 para determinar el orden
ARCH.

Introducción
El Modelo ARCH
El Modelo ARCH: Diagnostics
Para determinar si el modelo ARCH estimado captura

adecuadamente a la varianza condicional, se realiza un test de
efectos ARCH a los residuos.
Si nunca se rechaza la nula, el modelo está correctamente
especi…cado; si se rechaza, se debe considerar otro modelo de
volatilidad.

Introducción
El Modelo ARCH
Modelo GARCH - Bollerslev (1986)
Para los procesos con larga memoria en la varianza un modelo

ARCH presentará un orden alto. Por ello, la solución es el modelo
GARCH (p, q ):
σ2t = α0 + ∑qi=1 αi vt2 i + ∑pj=1 βj σ2t j
donde todos los parámetros deben ser positivos y

q p
∑i =1 αi + ∑j =1 βj < 1 para que σ2 sea positiva y estable.

Introducción
El Modelo ARCH
Modelo GARCH - Bollerslev (1986)
Considere un modelo GARCH (1, 1):
σ2t = α0 + α1 rt2 1 + β1 σ2t 1
Trabajemos un poco la ecuación de la varianza condicional
σ2t = α0 /(1 β1 ) + α1 rt2 1 + α1 ∑i∞=1 βi1 rt2 i 1
es equivalente a un modelo ARCH (∞); por ende, el modelo

GARCH (1, 1) es una representación parsimoniosa de la larga
memoria usualmente observada en la varianza de los retornos.

Introducción
El Modelo ARCH
Otros modelos
IGARCH: modela que la volatilidad tiene un proceso raíz
unitaria o cercano a este.
GARCH-exo: introduce variables exógenas que puedan
explicar la media y la varianza.
Modelos asimétricos: los choques negativos tienen un mayor
impacto en la volatilidad en comparación a choques positivos
debido al efecto apalancamiento
TARCH: considera un umbral para los errores de la ecuación
del retorno.
EGARCH: incorpora asimetrías pero modela al logaritmo de la
varianza condicional.
APARCH: modela la potencia de la desviación estándar
considerando una asimetría
GARCH-M: captura el trade o¤ entre el retorno esperado y el
riesgo.
Introducción
El Modelo ARCH
No-normalidad Condicional
Se reemplaza la distribución condicional por una distribución que

presente leptokurtosis. Considere el modelo GARCH (1, 1) :
rt = vt , vt = σt zt
σ2t = α0 + α1 vt2 1 + β1 σ2t 1
donde la distribución de zt es una t(ν) con ν grados de libertad,

media cero y varianza 1. Ante ello, la verosimilitud cambia
incorporando el nuevo parámetro ν. Si ν es grande, es mejor
emplear una distribución normal.

Introducción
El Modelo ARCH
Recomendaciones Empíricas
El modelo más robusto es el GARCH (1, 1) ya que los modelos

ARCH usualmente requieren un gran número de parámetros.
Las colas pesadas se capturan e…cientemente con errores
t-student, pero distribuciones no-normales no necesariamente
mejoran las predicciones de volatilidad.
Para acciones bursátiles la asimetría es importante. Para
predicciones a largo plazo, es mejor incluir variables exógenas.

Introducción
El Modelo ARCH
Modelos GARCH Multivariados
Estos modelos se centran en las varianzas y covarianzas

condicionales de un par o más activos …nancieros, siendo capaces
de estimar el efecto contagio. Por ejemplo, si la bolsa de EEUU
cae esto podría tener un efecto sobre la bolsa de Brasil.

Introducción
El Modelo ARCH
Rt = υt , υt N (0, Vt )
donde Rt = [r1,t , r2,t , ..., rN ,t ]0 es el vector de los retornos

…nancieros, υt = [v1,t , v2,t , ..., vN ,t ]0 son los errores y Vt es una
matriz positiva de…nida de varianzas condicionales en la diagonal
(σi ,i ,t ) y covarianzas condicionales fuera de esta (σi ,j ,t ). Así, su
verosimilitud es
N 1 1 0 1
ln lt (θ ) = 2 ln(2π ) 2 ln jVt j 2 υt Vt υt
Se debe tomar en cuenta que: (i ) Vt debe ser positiva de…nida

para todo t y (ii ) el número de parámetros incrementa
exponencialmente a medida que N aumenta.
Introducción
El Modelo ARCH
Modelo VECH. Generalización directa del modelo GARCH a

varios retornos.
Modelo BEKK . Reduce la parametrización del modelo VECH
y posee la ventaja que Vt es estrictamente positiva de…nida en
cada t.
Modelo DCC . Reduce la dimensión del modelo BEKK .
Modelo DECO. Simpli…ca al modelo DCC restringiendo a las
correlaciones para que sean iguales contemporáneamente.

Introducción
El Modelo ARCH
Modelo VECH
Es el modelo más simple y análogo al caso univariado
vech(Vt ) = C + Avech (υt0 1 υt 1 ) + Dvech (Vt 1 )
Para N = 2:
2 3 2 3 2 3
σ1,1,t υ21,t 1 σ1,1,t 1
4 σ1,2,t 5 = C3 1 + A3 3 4 υ1,t 1 υ2,t 1 5 + D3 3 4 σ1,2,t 1 5
σ2,2,t υ22,t 1 σ2,2,t 1
Este modelo no garantiza que Vt sea positiva de…nida en cada t y

además tiene muchos parámetros por estimar.

Introducción
El Modelo ARCH
Modelo BEKK
Es una propuesta más e…ciente ya que restringe el número de

parámetros así:
Vt = CN 0 + AN 0 0 + DN 0
N CN N N υt 1 υt 1 AN N N Vt 1 DN N
donde C es una matriz triangular inferior. Para N = 2:
c1,1 0 a1,1 a1,2 d1,1 d1,2

C = ,A = ,D = A =
c2,1 c2,2 a2,1 a2,2 d2,1 d2,2
Asimismo, A y D pueden ser simétricas (a1,2 = a2,1 y d1,2 = d2,1 )

y las covarianzas pueden ser constantes
(a1,2 = a1,2 = d1,2 = d2,1 = 0).

Clase 7

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Clase 7

Cargado por

Copyright:

Formatos disponibles

Introducción

Laboratorio de Econometría: MATLAB

Pérez Rojo, Flavio

Pérez Rojo, Flavio BCRP y PUCP Laboratorio de Econometría: MATLAB

Pérez Rojo, Flavio BCRP y PUCP Laboratorio de Econometría: MATLAB

La varianza de los retornos de los activos …nancieros es

Pérez Rojo, Flavio BCRP y PUCP Laboratorio de Econometría: MATLAB

Propiedades de los Retornos Financieros

Consideremos a los retornos rt = 100 (log pt log pt 1 ), donde

Pérez Rojo, Flavio BCRP y PUCP Laboratorio de Econometría: MATLAB

Propiedades de los Retornos Financieros

Las propiedades previamente descritas se modelan así:

donde al no presentar autocorrelación ρ = 0, y sus momentos

Pérez Rojo, Flavio BCRP y PUCP Laboratorio de Econometría: MATLAB

Propiedades de los Retornos Financieros

rt2 = α0 + α1 rt2 1 + et , et i.i.d.(0, σ2e )

donde la varianza incondicional σ2 es:

la que cambia en el tiempo debido a rt2 1 . Se pueden apreciar

Otras propiedades de los Retornos Financieros

Normalidad. Se puede asumir que los retornos se distribuyen

rt jrt 1 N (0, α0 + α1 rt2 1 )

Para pequeños rt 1 la varianza condicional es α0 , lo que podría

Pérez Rojo, Flavio BCRP y PUCP Laboratorio de Econometría: MATLAB

El Modelo ARCH: Modelación de volatilidad

1 Especi…camos un modelo para la media condicional. Los

Pérez Rojo, Flavio BCRP y PUCP Laboratorio de Econometría: MATLAB

El Modelo ARCH: Especi…cación

En este modelo la varianza condicional es una función de

Pérez Rojo, Flavio BCRP y PUCP Laboratorio de Econometría: MATLAB

El Modelo ARCH: Estimación

Considerando valores iniciales θ (0 ) , el gradiente GT (θ ) y el

En la estimación σ2t no necesariamente será no negativa, lo que

El Modelo ARCH: Test de Engle

H0 : α1 = α2 = ... = αq [no ARCH ]

rt2 = α0 + ∑qi=1 αi rt2 q + et , et i.i.d.(0, σ2e )

Y construimos el estadístico LM (q ) = TR 2 χ2(q ) . Partimos de

Pérez Rojo, Flavio BCRP y PUCP Laboratorio de Econometría: MATLAB

El Modelo ARCH: Test de Ljung-Box

H0 : los m rezagos de la ACF de rt2 son no signi…cativos

Pérez Rojo, Flavio BCRP y PUCP Laboratorio de Econometría: MATLAB

El Modelo ARCH: Diagnostics

Para determinar si el modelo ARCH estimado captura

Pérez Rojo, Flavio BCRP y PUCP Laboratorio de Econometría: MATLAB

Modelo GARCH - Bollerslev (1986)

Para los procesos con larga memoria en la varianza un modelo

σ2t = α0 + ∑qi=1 αi vt2 i + ∑pj=1 βj σ2t j

donde todos los parámetros deben ser positivos y

Pérez Rojo, Flavio BCRP y PUCP Laboratorio de Econometría: MATLAB

Modelo GARCH - Bollerslev (1986)

Considere un modelo GARCH (1, 1):

σ2t = α0 + α1 rt2 1 + β1 σ2t 1

Trabajemos un poco la ecuación de la varianza condicional

σ2t = α0 /(1 β1 ) + α1 rt2 1 + α1 ∑i∞=1 βi1 rt2 i 1

es equivalente a un modelo ARCH (∞); por ende, el modelo

Pérez Rojo, Flavio BCRP y PUCP Laboratorio de Econometría: MATLAB

Se reemplaza la distribución condicional por una distribución que

donde la distribución de zt es una t(ν) con ν grados de libertad,

Pérez Rojo, Flavio BCRP y PUCP Laboratorio de Econometría: MATLAB

El modelo más robusto es el GARCH (1, 1) ya que los modelos

Pérez Rojo, Flavio BCRP y PUCP Laboratorio de Econometría: MATLAB

Modelos GARCH Multivariados

Estos modelos se centran en las varianzas y covarianzas