Economía Aplicada

Notas casi aleatorias sobre economía, programas estadísticos y econometría

Valor en Riesgo (VaR) en R (4): basados en un proceso

ARMA-GARCH
diciembre 22, 2019

En la siguiente entrada se muestra la estimación del Valor en Riesgo (VaR, Value at Risk) para los
precios de un determinado índice financiero, para esto se utiliza el método delta-normal y VaR
condicional combinando la estrategia ARIMA con la GARCH. Se utiliza la data EuStockMarkets
disponible en R, tal como se muestra en los siguientes codigos:

library(rugarch)
library(ggfortify)
library(ggplot2)
library(ggthemes)
library(forecast)
library(tseries)
library(gridExtra)

DAX <- EuStockMarkets[,"DAX"]

returnx <- diff(log(DAX))*100

# _________________________________________________________

p1 = qplot(x = 1:length(returnx) , y = returnx , geom = 'line') +

geom_line(color = 'darkblue') +
geom_hline(yintercept = mean(returnx) , color = 'red' , size = 1) +
labs(x = '' , y = 'Daily Returns')

p2 = qplot(returnx , geom = 'density') +

coord_flip() +
geom_vline(xintercept = mean(returnx) , color = 'red' , size = 1) +
geom_density(fill = 'lightblue' , alpha = 0.4) + labs(x = '')

grid.arrange(p1 , p2 , ncol = 2)
Ya el gráfico de las rentabilidades apunta a que la serie estudiada muestra volatilidades cambiantes
en el tiempo y que tiende agruparse alrededor de episodios de distintos niveles de incertidumbre en
las series, características frecuentes en series financieras de alta frecuencia. Sin embargo, un estudio
formal de la heterocedasticidad en las series se obtiene a partir de un test ARCH o de
autocorrelación del cuadrado de las rentabilidades. El comando Box.test aplica el test de Box-
Pierce sobre la serie de rentabilidades:

Box.test(returnx**2, lag = 1, type = "Ljung")

Box-Ljung test

data: returnx^2
X-squared = 11.596, df = 1, p-value = 0.0006609

Estimación del modelo ARMA-GARCH

Según los resultados se rechaza la hipótesis nula de no autocorrelación en el cuadrado del retorno, lo
que se asume como evidencia de heterocedasticidad. Posterior al estudio de la heterocedasticidad en
la varianza, realizamos la especificación del modelo ARMA-GARCH asumiendo una distribución
normal. Para entender la estimación de este modelo piense en la función de verosimilitud de una
normal, donde la media y la varianza cambian en el tiempo, siguiendo el modelo ARIMA y
GARCH, respectivamente.

En los códigos siguientes usamos la función ugarchspec para especificar el modelo GARCH(1,1)
como modelo de varianza (variance.model) indicándole el tipo de GARCH a estimar ("sGARCH") y
el orden del mismo (c(1, 1)), que corresponden al beta y alpha respectivamente. Adicionalmente,
se indica el orden del modelo ARMA (c(1 1)) que corresponde al proceso auto regresivo y de
se indica el orden del modelo ARMA (c(1,1)) que corresponde al proceso auto regresivo y de
media móvil respectivamente (note que el proceso ARMA no comprende un orden de integración de
las series, por ende, debe asegurarse que la serie usada es un proceso estacionario o I(0)).
Finalmente se presenta la distribución asumida (distribution.model). Respecto a este último
punto, debe tener pendiente que se asume una distribución normal de los datos, siendo en algunos

casos necesario asumir otros tipos de distribuciones que se ajusten mejor a nuestros datos.
Finalmente, la estimación del modelo se realiza mediante el comando ugarchfit.

## Especificación del modelo

spec <- ugarchspec(variance.model = list(model = "sGARCH", garchOrder = c(1, 1)),
mean.model = list(armaOrder = c(1,1)),
distribution.model = "normal")

fit_mod <- ugarchfit(spec, data = returnx)

La función sigma permite recuperar la volatilidad histórica de la serie, este proceso solo se realiza
una vez se ha validado el modelo estimado. Esto es, los residuos estandarizados se comportan como
un ruido blanco.

vol_hist <- sigma(fit_mod)

plot(vol_hist)

Antes de poder usar el modelo, debemos obtener los residuos estandarizados para validarlo. Esta
validación, tal como el resto de los modelos de serie temporales, requieren que el residuo se
comparte como de manera aleatoria. En el siguiente ejemplo se utiliza el test de Box-Pierce, cuya
hipótesis nula es que la serie no tiene autocorrelación, sobre los residuos estandarizados, para
validar el modelo usado. Por tanto, usando el p-valor del test, claramente no rechazamos h0.

rs <- residuals(fit_mod, standardize = TRUE)

Box.test(rs, lag = 1, type = "Ljung")
Box-Ljung test
data: rs
X-squared = 1.963, df = 1, p-value = 0.1612

VaR incondicional: enfoque Delta-Normal

VaR(c)= -mean(R) - sqrt(sigma)*qnorm(c)

VaRincon <- mean(returnx) + sd(returnx) * qnorm(0.01)

VaRincon
[1] -2.331129

qplot(returnx , geom = 'histogram') +

geom_histogram(fill = 'lightblue' , bins = 30) +
geom_histogram(aes(returnx[returnx < VaRincon]) , fill = 'red' , bins = 30) +
geom_vline(aes(xintercept = VaRincon), colour="red") +
labs(x = 'Retornos diarios')

Expected shortfall

esVaR <- mean(returnx[returnx < VaRincon])

esVaR
[1] -2.331129

qplot(returnx , geom = 'histogram') +

geom_histogram(fill = 'lightblue' , bins = 30) +
geom_histogram(aes(returnx[returnx < VaRincon]) , fill = 'red' , bins = 30) +
geom_vline(aes(xintercept = VaRincon), colour="red") +
geom_vline(aes(xintercept = esVaR), colour="black") +
labs(x = 'Retornos diarios')
VaR condicional: enfoque ARMA-GARCH

Ahora, dado que identificamos la ausencia de autocorrelación en los residuos y los residuos al
cuadrado, podemos usar la serie histórica de volatilidades para obtener el VaR condicional.

#VaR condicional
alpha <- 0.99
VaR_hist <- quantile(fit_mod, probs = alpha)

autoplot(VaR_hist, ts.colour = 'firebrick1')

# Alternativa
fit_mod@fit$coef
 mu ar1 ma1 omega alpha1 beta1
shape
0.07714178 0.67596085 -0.70016405 0.02079888 0.07720194 0.90635090
5.89322679

nu <- fit_mod@fit$coef[["shape"]]
VaR_hist1 <- fitted(fit_mod) + vol_hist * sqrt((nu-2)/nu) * qt(alpha, df = nu)

#VaR Plot
plot(-as.vector(VaR_hist1), type = "l", col = 4)
abline(h=VaRincon, col = 2)
legend('bottomleft', c("VaR GARCH", "VaR incondicional") ,
lty=1, col=c(4,2), bty='n', cex=.75)

Backtesting

Finalmente, necesitamos validar que tan bien el modelo VaR replica las condiciones históricas de mi
serie. Para esto, se verifican que la cantidad de veces en que las rentabilidades observadas superen el
límite establecido por el VaR condicional.

n<-length(returnx)

btest <- VaRTest(1-alpha,

actual = -returnx,
VaR = quantile(ugarchfit(spec, data = -returnx), probs = 1-
alpha))

El número de excepciones está en función del nivel de significancia = (1-alpha) * n:

(1-alpha) * n
[1] 18.59
El total de excepciones se contabilizan con;

btest$actual.exceed
[1] 10

Data = data.frame(returnx, -VaR_hist, fecha=time(EuStockMarkets[-1,]))

ggplot(Data) +
geom_line(aes(x = fecha, y = returnx), color = "gray") +
geom_line(aes(x = fecha, y = q.0.99.), color = "blue") +
geom_point(data=Data[Data$returnx<Data$q.0.99.,], aes(x=fecha, y=q.0.99.),
colour="red", size=5)

Referencias

Angelidis T., Benos A. and Degiannakis S. (2003). The Use of GARCH Models in VaR Estimation.

Hofert, Marius (2019). Fitting and Predicting VaR based on an ARMA-GARCH Process.

Proietti, Giorgio (2018). ARCH & GARCH models, application on R with rugarch package.

Prvulovic, Dejan (2017). VaR with GARCH(1,1). Rpubs.com.

Robinzonov, Nikolay (2013). Risk Management Using R.

Finanzas Cuantitativas Gestión de Riesgos Métodos cuantitativos R

RStudio Tidyverse
Entradas populares de este blog

Valores perdidos (NA) en R: identificación y tratamiento (I)

agosto 09, 2019

Missing Values (NA) in R. En la siguiente entrada se muestran algunas operaciones

básicas para la identificación y tratamiento de valores perdidos en R. Dado el siguiente
vector de valores, se verifica que los valores NA son utilizados en R para señalar valore …

LEER MÁS

5 Métodos para la identificación de valores atípicos en R

octubre 07, 2018

Las series económicas pueden estar influidas por una serie de procesos
no determinista, ni conocidos para el analista y que pueden incidir en
que estas observaciones presenten estructura distinta al del resto de …

LEER MÁS

Ejemplos de tablas en Stata

noviembre 12, 2016

Tablas de frecuencia con condicionales: tabulate Las tablas de frecuencia absoluta nos
permiten contabilizar casos que cumplen con determinadas condiciones, Stata genera
…
este tipo de tablas mediante diversas formas, una de ella es mediante el comando tabulate

LEER MÁS

Con la tecnología de Blogger

Notificar uso inadecuado

 NERYS RAMÍREZ MORDÁN

VISITAR PERFIL

Artículos por Fecha