Clase 7 - Series de tiempo de volatilidad

heterocedástica
Modelos ARCH

Cristian Maravi Meneses

Universidad de Piura

2020-II

Cristian Maravi (UdeP) E1EMA1 2020-II 1 / 35

Introducción a modelos ARCH
Modelos Autoregresivos con volatilidad heterocedástica condicionada.
Estos modelos se estudian con énfasis en series financieras.
Analizaremos modelos de volatilidad condicional (sobre información
en el tiempo t − 1).
Este tipo de modelos tienen implicaciones para las finanzas para que
los inversores pueden predecir el riesgo.
Este tipo de modelos caracterizan con éxito el hecho de que los
precios de las acciones parecen atravesar:
Largos perı́odos de alta volatilidad.
Largos perı́odos de baja volatilidad.

Si los agentes pueden predecir precios muy volátiles, deberı́a salir del
mercado o exigir una prima importante como compensación por
asumir un riesgo alto inusual.
Cristian Maravi (UdeP) E1EMA1 2020-II 2 / 35
Hechos estilizados de las series de tiempo

Muchas series tienen tendencias bien definidas.

La volatilidad de muchas series no es constante en el tiempo.

Los shocks a algunas series suelen tener mucha persistencia en el

tiempo.

Algunas series parecen serpentear.

Algunas series comueven con otras series.

Algunas series exhiben quiebres.

Cristian Maravi (UdeP) E1EMA1 2020-II 3 / 35

Series Macroeconómicas de EEUU

Cristian Maravi (UdeP) E1EMA1 2020-II 4 / 35

Tasa de crecimiento del PBI real de EEUU

Cristian Maravi (UdeP) E1EMA1 2020-II 5 / 35

Cambio porcentual en el precio del NYSE

Cristian Maravi (UdeP) E1EMA1 2020-II 6 / 35

Tasa de Interés en EEUU

Cristian Maravi (UdeP) E1EMA1 2020-II 7 / 35

Currencies Exchange Rate

Cristian Maravi (UdeP) E1EMA1 2020-II 8 / 35

Precio Internacional del Petroleo

Cristian Maravi (UdeP) E1EMA1 2020-II 9 / 35

Momentos condicionales e incondicionales
Supongamos que tenemos un Random Walk: yt = yt −1 + et ,
entonces
t
yt = y0 + ∑ ej
j =1

Momentos Incondicionales:

E (yt ) = y0
V (yt ) = tσ2

Momentos Condicionales:

E (yt |yt −1 ) = yt −1
V (yt |yt −1 ) = E (yt − E (yt |yt −1 ))2
= E (yt −1 + et − E (yt |yt −1 ))2
= σ2
Cristian Maravi (UdeP) E1EMA1 2020-II 10 / 35
Modelos ARCH
En el modelo lineal Arch (q) introducido originalmente por Engle
(1982)
La varianza condicional variable en el tiempo es una función lineal de
las últimas innovaciones q al cuadrado.
q
σt2 = ω + ∑ αi ε2t −i = ω + α(L)ε2t −1
i =1

Donde E[ε2t |ε2t −1 , . . . ] = σt2 , o de otra forma vt = ε2t − σt2 . Ası́:

ε2t = ω + α(L)ε2t −1 + vt

El proceso es estacionaria en covarianzas sı́ y solo sı́ la suma de los

parámetros autorregresivos positivos es menor que uno, en cuyo caso
la varianza incondicional es igual a:

Var (ε t ) = ω/(1 − α1 − α2 − · · · − αq )

Cristian Maravi (UdeP) E1EMA1 2020-II 11 / 35

ARCH(1)
Varianza incondicional constante pero condicional no constante.
Este modelo simple exhibe una varianza incondicional constante pero
una varianza condicional no constante.

yt = µ + ε t
ε t = ut (ω + αε2t −1 )1/2 , ut ∼ IID (0, 1), ω > 0, α > 0

La expectativa condicional de ε t es igual a cero

E (ε t |ε t −1 ) = E (ut |ε t −1 )(ω + αε2t −1 )1/2 = 0

Note que E (ut |ε t −1 ) = E (ut ) = 0, ya que ut ∼ IID (0, 1)

La varianza condicional viene dada por la siguiente fórmula

Var (ε t |ε t −1 ) = E (ut2 |ε t −1 )(ω + αε2t −1 ) = (ω + αε2t −1 )

Note que E (ut2 |ε t −1 ) = E (ut2 = 1, ya que ut ∼ IID (0, 1)

Cristian Maravi (UdeP) E1EMA1 2020-II 12 / 35
ARCH(1)

Entonces la media condicional y la varianza de yt vienen dadas por las

siguientes fórmulas;

E (yt |yt −1 ) = µ
Var (yt |yt −1 ) = (ω + αε2t −1 )

Entonces, la varianza condicional de yt varı́a con el tiempo.

Por otro lado, se puede ver fácilmente que la varianza incondicional es
invariante en el tiempo siempre que ε2t sea estacionario, es decir

V (yt ) = V (ε t ) = ω/(1 − α)

siempre que el proceso sea estacionario.

(Ya que V (ε t ) = E (ε2t ) = E (ω + αε2t −1 ) = ω + αE (ε2t −1 ))

Cristian Maravi (UdeP) E1EMA1 2020-II 13 / 35

Proceso autorregresivo de primer orden con efectos ARCH
Para AR(1) - ARCH(1): resultados similares siempre que y sea
estacionario.
Suponga el siguiente proceso autorregresivo de primer orden:

yt = θyt −1 + ε t

Donde ε t = ut (ω + αε2t −1 ) y ut ∼ IID (0, 1), ω > 0, α > 0

La expectativa condicional de ε t es igual a cero

E (ε t |ε t −1 ) = E (ut2 |ε t −1 )(ω + αε2t −1 ) = 0

Ya que E (ut |ε t −1 ) = E (ut ) = 0

La varianza condicional viene dada por la siguiente fórmula

Var (ε t |ε t −1 ) = E (ut2 |ε t −1 )(ω + αε2t −1 ) = (ω + αε2t −1 )

ya que E (ut2 |ε t −1 ) = E (ut2 ) = 1

Cristian Maravi (UdeP) E1EMA1 2020-II 14 / 35
Proceso autorregresivo de primer orden con efectos ARCH
Entonces, la media condicional y la varianza de yt vienen dadas por
las siguientes fórmulas;
E (yt |yt −1 ) = θyt −1
Var (yt |yt −1 ) = (ω + αε2t −1 )
Para encontrar la varianza incondicional de yt , recordemos la
siguiente propiedad de la varianza;
Var (yt ) = E (Var (yt |yt −1 )) + Var (E (yt |yt −1 ))

E (Var (yt |yt −1 )) = (ω + αε2t −1 ) = ω + αE (ε2t −1 ) = ω + αVar (ε t −1 )

Var (E (yt |yt −1 )) = θ 2 Var (yt −1 )
Entonces, si el proceso es de covarianza estacionaria, tenemos
ω + αVar (ε t −1 )
Var (yt ) =
(1 − θ 2 )
ω
=
(1 − α)(1 − θ 2 )
Cristian Maravi (UdeP) E1EMA1 2020-II 15 / 35
Modelos GARCH
A menudo es difı́cil estimar modelos con un gran número de parámetros:
ARCH(q).
Bollerslev (1986) propuso el modelo ARCH generalizado o GARCH(p, q).
q p
σt2 = ω + ∑ αi ε2t −i + ∑ βi σt2−i
i =1 i =1
= ω + α(L)ε2t −1 + β(L)σt2−1

Condición suficiente para que la varianza condicional esté bien definida:

todos los coeficientes en el modelo ARCH lineal infinito deben ser positivos.
Siempre que α(L) y β(L) no tengan raı́ces comunes y que las raı́ces del
polinomio en L, (1 − β(L)) = 0 se encuentren fuera del cı́rculo unitario
Reorganizando el modelo GARCH(p, q) definiendo ν ≡ ε2t − σt2 , se sigue que

ε2t = ω + (α(L) + β(L))ε2t −1 − β(L)νt −1 + νt

que define un modelo ARMA(Max(p, q ), p) para ε2t

Cristian Maravi (UdeP) E1EMA1 2020-II 16 / 35
Modelos GARCH

Según los argumentos estándar, el modelo tiene covarianza

estacionaria si y solo si todas las raı́ces de (1 − α(L) − β(L)) se
encuentran fuera del cı́rculo unitario.
Si todos los coeficientes son positivos, esto equivale a que la suma o
los coeficientes autorregresivos sean menores que 1.
La analogı́a con la clase de modelos ARMA también permite el uso de
técnicas estándar de series de tiempo en la identificación de los
órdenes de p y q.
En la mayorı́a de las aplicaciones empı́ricas con datos de muestreo
finito, se encuentra que el GARCH(1,1) simple proporciona una
descripción justa de los datos.

Cristian Maravi (UdeP) E1EMA1 2020-II 17 / 35

Persistencia y estacionariedad
Usando el modelo GARCH (1,1) es fácil construir pronósticos de
volatilidad de múltiples perı́odos. Cuando α + β < 1, la varianza
incondicional de ε t +1 es ω/(1 − α − β).
Si reescribimos el siguiente GARCH (1,1) como
σt2 = ω + αε2t −1 + βσt2−1
= ω + α(ε2t −1 − σt2−1 ) + (α + β)σt2−1
El coeficiente α mide el grado en que un choque de volatilidad hoy se
transmite a la volatilidad del siguiente perı́odo.
(α + β) mide la tasa a la que este efecto muere con el tiempo.
Sustituyendo recursivamente y usando la ley de expectativas iteradas,
la expectativa condicional de volatilidad j perı́odos futuros es:
Et [σt2+j ] = (α + β)j (σt2 − ω/(1 − α − β)) + w /(1 − α − β)
El pronóstico de volatilidad de varios perı́odos vuelve a su media
incondicional a una tasa (α + β).
Cristian Maravi (UdeP) E1EMA1 2020-II 18 / 35
Modelos IGARCH

Los modelos GARCH integrados son procesos en los que la parte

autorregresiva de los residuos cuadrados tiene una raı́z unitaria, es
decir, (α + β) = 1. Para este caso la expectativa condicional de la
volatilidad j perı́odos futuros es

Et [σt2+j ] = σt2 + j ω

Este proceso se parece mucho a un paseo aleatorio con deriva ω.

Entonces, si ε t sigue un proceso IGARCH, la varianza incondicional

no existe y, por lo tanto, no es una covarianza estacionaria.

Nelson (1990) muestra que la analogı́a con el proceso de caminata

aleatoria debe tratarse con precaución ya que el proceso IGARCH no
es de covarianza estacionario.

Pero podrı́a ser estrictamente estacionario.

Cristian Maravi (UdeP) E1EMA1 2020-II 19 / 35
Modelos IGARCH

Por ejemplo, cuando ω = 0, Et [σt2+j ] = σt2

La volatilidad es una martingala. Pero la volatilidad permanece

acotada, ya que no puede ser negativa.

Usando el hecho de que una martingala acotada debe converger,

podemos demostrar que converge a cero, una distribución degenerada.

A pesar de que parece ser una regularidad empı́rica que la volatilidad

es IGARCH (muchos modelos estimados tienen coeficientes que
suman cerca de 1) consideramos que este tipo de proceso es poco
probable.

Cristian Maravi (UdeP) E1EMA1 2020-II 20 / 35

Modelos de GARCH en medias
Muchas teorı́as en finanzas asumen algún tipo de relación entre la
media de un rendimiento y su varianza.
Una forma de tener esto en cuenta es escribir explı́citamente los
rendimientos como una función de la varianza condicional
O incluir la varianza condicional como otro regresor.
GARCH en modelos de medias permite que la varianza condicional
tenga efectos medios.
La mayorı́a de las veces, este término de varianza condicional tendrá
la interpretación de un riesgo variable en el tiempo.
Considere el siguiente modelo.

yt = θxt + ψσt2 + ε t

y
σt2 = ω + α(L)ε2t −1 + β(L)σt2−1

Cristian Maravi (UdeP) E1EMA1 2020-II 21 / 35

Modelos de GARCH en medias

La estimación consistente de θ y ψ depende de la especificación

correcta de todo el modelo.

La estimación de GARCH en modelos de tipo Media es

numéricamente inestable y muchas aplicaciones empı́ricas han
utilizado modelos de tipo ARCH-M que son más fáciles de estimar.

Un modelo ARCH en Media simplemente modela la varianza

condicional como un modelo ARCH en lugar de modelar como
GARCH, es decir,
σt2 = ω + α(L)ε2t −1
Considere una versión simple del modelo anterior.

yt = ψσt2 + ε t

donde ε t = νt σt νt ∼ N (0, 1)
Cristian Maravi (UdeP) E1EMA1 2020-II 22 / 35
ARCH(1) - M

σt2 = ω + αε2t −1
Además yt puede ser expresado como

yt = ψ(ω + αε2t −1 ) + ε t

Luego la expectativa del valor de yt es

E (yt ) = ψω + ψαE (ε2t −1 )

Y usando E (ε2t −1 ) = ω/(1 − α) luego

E (yt ) = ψω + ψαω/(1 − α)

Que puede verse en los modelos financieros como el rendimiento

esperado incondicional por mantener un activo de riesgo.

Cristian Maravi (UdeP) E1EMA1 2020-II 23 / 35

Prueba GARCH
Antes de intentar estimar un modelo GARCH, primero debe verificar si hay
efectos ARCH en los residuos del modelo.
Claramente, no debemos modelar (y estimar) explı́citamente la volatilidad
condicional de series como GARCH cuando no hay signos de efectos ARCH.
La prueba del multiplicador de Lagrange original para ARCH propuesta por
Engle (1982) es muy simple de calcular y relativamente fácil de derivar.
Bajo la hipótesis nula se asume que el modelo es digamos un modelo AR(p)

yt = φ1 yt −1 + φ2 yt −2 + ... + φp yt −p + ε

donde ε t es un proceso de ruido blanco gaussiano, ε t |It −1 ∼ N (0, σ2 ) donde

It es el conjunto de información.
La hipótesis alternativa es que los errores son ARCH(q).
La prueba del efecto ARCH (q) consiste simplemente en retroceder

ε̂2t = α1 ε̂2t −1 + α2 ε̂2t −2 + ... + αq ε̂2t −q + ψt

Cristian Maravi (UdeP) E1EMA1 2020-II 24 / 35

Prueba GARCH

Bajo la hipótesis nula de que α1 = α2 = ... = αq = 0 y TR 2 se distribuye

asintóticamente χ(q ), donde T es el número de observaciones.
Si bien esta es la prueba más utilizada, debemos tener cuidado al interpretar
los resultados.
Si el modelo está mal especificado, es muy probable que rechace la hipótesis
nula simplemente porque la mayor parte del tiempo la correlación en serie en
los residuos inducirá una correlación en serie en los residuos al cuadrado.

Cristian Maravi (UdeP) E1EMA1 2020-II 25 / 35

Estimación de modelos GARCH
Estimación de máxima verosimilitud con errores gaussianos
La estimación de modelos de tipo GARCH se realiza fácilmente mediante
máxima verosimilitud condicional.
Si el modelo a estimar es
yt = xt θ + ε t
Donde xt es un vector (fila) de variables predeterminadas, que podrı́a incluir
variables rezagadas, θ es un vector de parámetros y ε t ∼ N (0, σt2 ), donde se
supone que la varianza condicional es GARCH(1,1), es decir;
σt2 = ω + αε2t −1 + βσt2−1
Entonces la distribución condicional de yt is
f (yt |xt , It −1 ) = (2πσt2 )−0.5 exp (−0.5(yt − xt θ )2 /σt2 )
Entonces la probabilidad logarı́tmica condicional es
T
logL(θ, ω, α, β|It −1 ) = ∑ (−0.5log (2π ) − 0.5log (σt2 ) − 0.5σt−2 (yt − xt θ )2 )
t =1

Cristian Maravi (UdeP) E1EMA1 2020-II 26 / 35

Estimación de modelos GARCH
Note que, solo necesitamos los valores iniciales, que son los valores de
equilibrio: σ02 = ω/(1 − α − β) y ε 0 = (ω/(1 − α − β))0.5 .

Estimación de máxima verosimilitud con errores no gaussianos

La distribución incondicional de muchas series de tiempo financieras parece

tener colas más gruesas que lo normal.

Los efectos GARCH pueden no tener en cuenta esto y necesitamos usar otra
distribución para ε t .

Una distribución manejable es la distribución t. Procedemos como antes,

pero reemplazamos la función de densidad normal por
Γ[(ν + 1)/2]
f (ε t ) = ( )((ν − 2)πσt2 )−0.5 [1 + (ε2t /(σt2 (ν − 2)))]−(ν+1)/2
Γ(ν/2)
Donde n es un parámetro a estimar que representa los grados de libertad.

Estimamos como antes numéricamente sujeto a la restricción de que n es

mayor que 2.
Cristian Maravi (UdeP) E1EMA1 2020-II 27 / 35
Modelos de volatilidad estocástica
Una posible respuesta a la no normalidad de los rendimientos condicionados
a los rendimientos pasados es asumir que existe una variable aleatoria
condicionada.
La cual los rendimientos son normales, pero esta variable, que podemos
llamar volatilidad estocástica, no se observa directamente.
Un ejemplo simple de un modelo de volatilidad estocástica es el siguiente:
ηt = ε t e αt /2 , αt = φαt −1 + ξ t

donde ε t ∼ N (0, σε2 ) y ξ t ∼ N (0, σξ2 ) asumimos que ε t y ξ t no están

correlacionados en serie y son independientes entre sı́.
Si elevamos ηt al cuadrado, la ecuación devuelve, y tomamos registros,
podemos escribir esto expresión como
log (ηt2 ) = αt + log (ε2t ), αt = φαt −1 + ξ t

Esto está en forma de espacio de estado lineal excepto que tiene un error
con una distribución log χ2 en lugar de una distribución normal.
Cristian Maravi (UdeP) E1EMA1 2020-II 28 / 35
Cómo comparar entre diferentes GARCH - Especificaciones
La mayorı́a de los modelos GARCH no están anidados (no pueden
escribirse como una versión restringida de un proceso más general).
Por lo tanto, la comparación entre diferentes modelos GARCH no es
sencilla.
Pruebas de especificación errónea de los residuos estandarizados.
Hemos visto anteriormente que los residuos pueden escribirse como el
producto de un WN y la desviación estándar condicional. Por
ejemplo, para un ARCH(1) esto puede escribirse como
ε t = νt (ω + αε2t −1 )1/2
Por lo tanto, podemos probar la existencia de efectos ARCH en los
residuos estandarizados.
ν̂t = ε̂ t /(ω̂ + α̂ε̂2t −1 )1/2
El modelo que ”limpia” los residuos estandarizados es candidato a ser
el modelo ”verdadero”.
Cristian Maravi (UdeP) E1EMA1 2020-II 29 / 35
Algunas otras formas de discriminar entre modelos ARCH

Vamos a presentar dos formas alternativas de discriminar entre

modelos ARCH;
(i) basado en el uso de regresiones auxiliares de los residuos cuadrados,
(ii) basado en su capacidad de pronóstico.
Comparación entre modelos alternativos basada en el uso de regresión
auxiliar
Pagan y Scwhert (1989) sugieren utilizar la siguiente regresión auxiliar
como medio para elegir entre diferentes modelos de Arch.

ε̂2t = α + βσ̂t2 + ξ t

Esto hace una regresión de los residuales al cuadrado de la varianza

ajustada de los modelos GARCH alternativos.

Cristian Maravi (UdeP) E1EMA1 2020-II 30 / 35

Algunas otras formas de discriminar entre modelos ARCH

Si el modelo GARCH elegido es apropiado para explicar la volatilidad

condicional de la serie bajo escrutinio, debe esperar que α sea cero, β
sea uno y el ajuste (R 2 ) sea bueno.
Pagan y Scwhert (1989) proponen probar la hipótesis conjunta

H0 ) α = 0, β = 1
H1 ) α 6= 0, β 6= 1

Como segundo paso, proponen comparar los modelos que no fueron

rechazados sobre la base de bondad de ajuste.
El argumento es que el que mejor se ajusta mejor imita la varianza
condicional.
También proponen expresar la regresión anterior en logaritmos para
dar cuenta de los efectos de escala y luego comparar la bondad de
ajuste de esta regresión auxiliar alternativa.

Cristian Maravi (UdeP) E1EMA1 2020-II 31 / 35

Algunas otras formas de discriminar entre modelos ARCH

Medición de la precisión de los pronósticos de diferentes modelos Arch

Hamilton (1994) propone utilizar la capacidad de pronóstico de los
diferentes modelos ARCH como una forma de comparar estos
modelos.

Los modelos tipo ARCH tienen la propiedad de que permiten

pronosticar la varianza condicional de una serie.

Por lo que un criterio que nos puede permitir elegir entre diferentes
modelos es elegir aquel que pronostique mejor.

Se han propuesto varias medidas (funciones de pérdida) para evaluar

la precisión predictiva de los modelos ARCH de pronóstico.

Cristian Maravi (UdeP) E1EMA1 2020-II 32 / 35

Elección del mejor pronóstico
El error cuadrático medio
!
T
MSE = (1/T ) ∑ (ε̂2t − σ̂t2 )2
t =1

El error absoluto medio.

!
T
MAE = (1/T ) ∑ |ε̂2t − σ̂t2 |
t =1

El error cuadrático medio del logaritmo de los residuos al cuadrado

!
T
[LE ]2 = (1/T ) ∑ (ln(ε̂2t ) − ln(σ̂t2 ))2
t =1

El error absoluto medio del logaritmo de los residuos al cuadrado.

!
T
[MAE ]2 = (1/T ) ∑ |ln(ε̂2t ) − ln(σ̂t2 )|
t =1

Cristian Maravi (UdeP) E1EMA1 2020-II 33 / 35

Elección del mejor pronóstico
Para todos los modelos, calculamos la mejora proporcional sobre un
modelo que asume una varianza constante, es decir, σ̂t2 = σ̂2 (para
tener en cuenta los efectos de escala).
El modelo que proporciona la mayor mejora proporcional es el que se
prefiere.
Hamilton propone comparar el desempeño de las previsiones en
diferentes horizontes (4 y 8 perı́odos).
El error cuadrático medio
!
T
MSE = (1/T ) ∑ (ε̂2t +τ − τ σ̂t2 )2
t =1

El error absoluto medio.

!
T
MAE = (1/T ) ∑ |ε̂2t +τ − τ σ̂t2 |
t =1

Cristian Maravi (UdeP) E1EMA1 2020-II 34 / 35

Elección del mejor pronóstico

El error cuadrático medio del logaritmo de los residuos al cuadrado

!
T
[LE ]2 = (1/T ) ∑ (ln(ε̂2t +τ ) − ln(σ̂t2 ))2
t =1

El error absoluto medio del logaritmo de los residuos al cuadrado.

!
T
[MAE ]2 = (1/T ) ∑ |ln(ε̂2t +τ ) − ln(σ̂t2 )|
t =1

Donde τ σ̂t2 es el pronóstico de la varianza τ periodos adelante dada la

información en el tiempo t

Cristian Maravi (UdeP) E1EMA1 2020-II 35 / 35