Econometría financiera

.
Modelos de regresión lineal y Modelación de la
volatilidad condicional
 Análisis causal Regresión

• El análisis de regresión trata del estudio de la dependencia de la

variable dependiente, respecto a una o más variables, con el objetivo
de estimar y/o predecir el valor promedio poblacional de la primera en
términos de los valores conocidos o fijos de la última.

• El análisis de regresión, es el valor esperado de Y dado una variable

X.
 Regresión Vs Causalidad

• A pesar de que el análisis de regresión tiene que ver con la

dependencia de una variable respecto a otras variables, esto no
implica causalidad necesariamente.
• Las ideas de causalidad deben venir de estadísticas externas y, en
último termino de una u otra teoría.
• Para aducir causalidad se deben acudir a consideraciones a priori o
teóricas.
 Regresión Vs Correlación

• En el análisis de correlación el objetivo principal es medir la fuerza o

el grado de asociación lineal entre dos variables. En el análisis de
regresión se trata de estimar o de predecir el valor promedio de una
variable sobre la base de valores fijos de otras variables.

• El análisis de regresión supone asimetría en los valores, por un lado

una variable dependiente aleatoria, y por otro lado, una variable
independiente con valores fijos.
 Objetivos

• Pronóstico:
–Regresión Simple

–Regresión múltiple

• Análisis estructural:
–Regresión múltiple
 Tipos de modelo
1.•   Económico:
1. Versión Simplificada de una realidad económica.
1. Ejemplo: CAPM(Capital Asset Pricing Model)

2. Econométrico:

El error, recoge el efecto combinado de otras variables independientes que explican

el comportamiento de la variable dependiente y que no fueron incluidas en el modelo.
 Fases del modelo de regresión

Se deben desarrollar cuatro pasos:

1. Especificación

2. Estimación

3. Validación

4. Pronóstico y/o análisis estructural

 Regresión: Especificación
•  
• Partiendo de una función lineal entre dos variables, se puede estimar una relación de tal manera
que la variable independiente explique de manera exclusiva el comportamiento de la variable
dependiente, este modelo de regresión es llamado determinístico

– Donde β0 y β1, representan respectivamente, el valor de corte con el eje de las ordenadas cuando
la variable independiente toma el valor de cero y la pendiente de la recta de la regresión. El
conocimiento de dichos parámetros permitirá determinar en qué cantidad se incrementa o
disminuye la variable dependiente ante cambios en la variable independiente y, asimismo,
predecir el valor de la variable dependiente, dado un valor en la variable independiente
 Regresión: Especificación
•  
• El modelo determinístico se encuentre muy limitado al comportamiento de la variable dependiente debido a que
existe un sin número de variables que podrían afectar la estabilidad del modelo y de esta misma manera los
parámetros de la regresión lineal. Una manera adecuada se solucionar este problema consiste en incorporar una
variable aleatoria al modelo. De esta manera se pasa de un modelo determinístico a un modelo de tipo estocástico
Una variable aleatoria, es una variable que puede tomar cualquier valor de los números reales y que a su misma vez
tiene una distribución de probabilidad. La función de regresión poblacional será de la siguiente manera.

• El término u es una variable estocástica inobservable que captura los errores de especificación dentro del modelo,
tales como variables omitidas, forma funcional incorrecta, comportamiento aleatorio de los individuos y errores de
media
 Regresión: Especificación

•  
• La ecuación anterior representa una función de la variable dependiente que recoge observaciones tanto de
la variable Y como de X correspondiente a la población estadística. Por lo tanto β0 y β1, son los parámetros
de la población y se puede considerar como los coeficientes verdaderos de la regresión. Sin embrago, los
investigadores no suelen trabajar con la población sino con una muestra de tamaño n, a partir de la cual se
estiman los parámetros de la regresión, la cual se denomina función de regresión muestral.

Donde y , son los estimadores muestrales de β0 y β1, poblacionales

 Regresión: Especificación

• Características del modelo:

–Los parámetros son lineales dentro del modelo.

–Las variables pueden ser no lineales.

–Se espera que la perturbación aleatoria, error, tenga un valor con media cero.

• ¿Por qué se presenta perturbación aleatoria?:

–Comportamiento de los agentes es aleatorio.

–El error recoge problemas de especificación por omisión de variables relevantes.

–El error recoge problemas de especificación funcional en el modelo.

–Recoge problemas en la medición de las variables.

 Regresión: Estimación

• Método de estimación: Mínimos cuadrados ordinarios

–Este método minimiza la perturbación aleatoria, estima los parámetros de
tal manera que minimiza la suma de los errores al cuadrado.
 
M.C.O

 
Recordar
 Regresión: Estimación
•  

• Método de estimación: Mínimos cuadrados ordinarios

 Si la constante no es significativa:

 Regresión: Estimación

– Supuestos del método de estimación de M.C.O:

• Linealidad de los parámetros.
• El valor medio de la perturbación es igual a cero.
• Valores de X fijos en muestreo repetitivo con variabilidad de X.
• Homocedasticidad
• No autocorrelación
• No multicolinealidad perfecta (Regresión múltiple)
• Independencia
• El error se distribuye como una normal
 Regresión: Estimación

•  

–Supuestos del método de estimación de M.C.O:

•El valor medio de la perturbación es igual a cero.

El modelo debe estar bien especificado.

 Regresión: Estimación
•  

–Supuestos del método de estimación de M.C.O:

•Valores de X fijos en muestreo repetitivo con variabilidad de X.
 Regresión: Estimación
•  

–Supuestos del método de estimación de M.C.O:

•Homocedasticidad
 Regresión: Estimación

•  

–Supuestos del método de estimación de M.C.O:

•No autocorrelación: el error asociado a la observación i-esima es
independiente al error asociado a la observación j-esima. No deben
tener ningún patrón de comportamiento a través del tiempo. No
autocorrelación entre los errores. Suponga una autocorrelación de
primer orden.
 Regresión: Estimación

•  

–No multicolinealidad perfecta:

•Xi no puede escribirse como una combinación lineal de Xj.
 Regresión: Estimación
•  

–Supuestos del método de estimación de M.C.O:

•Independencia
–Debe existir independencia entre la variable independiente y el
termino de error.
 CAPM (Sharpe, 1964)

El modelo de fijación de precios de los activos de capital permite medir el riesgo

de un activo financiero a través de un beta, β. Además de medir el riesgo de un
activo financiero, se usa en ocasiones para estimar la tasa de rendimiento
requerida por los inversionistas. Es un modelo de equilibrio general, el mercado
de bienes y servicios como el de dinero están en equilibrio.

Objetivos:
–Estimar el coeficiente de riesgo, β (concepto más importante).
–Estimar los diferentes riesgos de un activo financiero
–Tomar decisiones de inversión.
 Especificación
•  
1. Opción adversa al riesgo. Inversión en renta fija

2. Opción intermedia. Inversión en renta variable

»Prima de riesgo de mercado: Compensación que exige el inversionista

por invertir en activos con una cantidad promedio de riesgo.
3. Expresión financiera para la línea de mercado de los activos de capital.
 Especificación
•  – Para solucionar el modelo CAPM es necesario resolver la siguiente función mediante la
metodología de M.C.O:

–
 Validación: Precisión de los parámetros
•  
• Para esto, lo primero es encontrar la varianza del error, que en teoría se
supone que es constante u homocedastica.

• Primer paso: Varianza del error

Los valores de se obtienen de reemplazar en la ecuación los valores de X, es decir los valores
observados. n-k, corresponde a los grados de libertad, donde k es el número de parámetros a
estimar, en este caso son dos parámetros β0 y β1 , y por último n corresponde al número de
observaciones que se tienen para las variables.
 Validación: Precisión de los parámetros
•  
•Segundo paso: Error típico

La raíz de la varianza del error equivale al error típico, . Este estimador es una
medida de bondad de ajuste, es decir, muestra que tan bien el modelo estimado
se ajusta a los datos.

A menor dispersión, mejor bondad de ajuste, en otras palabras, muestra que tanto
se desvía el modelo de su valor observado. Calculada la varianza del error es
posible hallar las varianzas de los estimadores.
 Validación: Precisión de los parámetros
•  
•Tercer paso: Varianza de los estimadores

 Si la constante no es significativa:

 Validación: Pruebas de hipótesis de los parámetros
•  
•Se elaboran las pruebas de hipótesis para cada uno de los parámetros, o pruebas “t”. El objetivo de hacer
este tipo de contrastes es validar la información suministrada por el modelo econométrico.
–Primer paso: Planteamiento de hipótesis para los parámetros

• Hipótesis para el coeficiente β1

Se establece la hipótesis nula H0, y se contrasta contra la hipótesis alternativa HI.

La hipótesis nula indica que la variable Xt no explica el comportamiento de la variable Yt, mientras que la
hipótesis alternativa indica que la variable independiente explica el comportamiento de la variable dependiente.
 Validación: Pruebas de hipótesis de los parámetros

•  
Hipótesis para el coeficiente β0

La hipótesis nula indica que el modelo pasa por el origen, es decir, el

modelo no tiene intercepto. Mientras que la hipótesis alternativa indica que el
modelo posee intercepto.
 Validación: Pruebas de hipótesis de los parámetros
•  
–Segundo paso: Plantear el nivel de significancia:

Recordar: El nivel de significancia es la máxima probabilidad que se especifica para hacer

mínimo el error tipo I. El error tipo I consiste en rechazar la hipótesis nula siendo esta
verdadera.
–Tercer paso: Se calcula el estadístico de prueba, que para este caso es el estadístico
t-calculado.
Estadístico de prueba para el coeficiente βi
 Validación: Pruebas de hipótesis de los parámetros
•  
–Cuarto paso: Criterio de decisión
»Se toma el criterio de decisión, existen tres maneras para tomar la decisión de rechazar o no
rechazar la hipótesis nula H0 .
• Método estadístico

Si , se rechaza la hipótesis nula al nivel de significancia . De acuerdo con la tabla del anexo I.b. El t-crítico “,
se busca de la siguiente manera:

• Método gráfico

Se elabora la gráfica de la distribución t-student y se ubican los valores críticos. Estos definen la zona de
rechazo o de no rechazo de la hipótesis nula. Después se ubica en la gráfica el t calculado tc , dependiendo
de su ubicación se toma la decisión de rechazo o de no rechazo de la H0
 Validación: Pruebas de hipótesis de los parámetros

•  
•P-Value
Este método es el que se utiliza en la salida de computador, pues es calculado siempre por el software.

El P-value es el menor valor al cual es posible rechazar la H0, por lo que por debajo no se rechaza. En otras
palabras, el P-value indica la probabilidad de la hipótesis nula o la probabilidad exacta de cometer un error Tipo I.

La decisión es de rechazar H0

La decisión es de no rechazar H0
 Validación: Intervalos de confianza

•  
• Se construyen los intervalos de confianza (IC) para cada uno de los parámetros significativos
de acuerdo con las pruebas de hipótesis anteriores.

El significado del IC es el que sigue: De cada 100 intervalos que se formen, (1 - α ) contendrá el
parámetro poblacional; consecuente con esta definición, al construir un único intervalo de
confianza se confía que dentro del mismo se encuentre el verdadero valor del parámetro.
 Validación: Prueba de dependencia

•  
Solo para regresión múltiple pero su resultado es consistente con la prueba individual o prueba “t” hecha
para el parámetro en regresión simple. Sin embargo, dado que de su análisis se desprende la fórmula para
calcular el coeficiente de determinación , resulta pertinente realizar su análisis.

 
¿
  2 2 2

 
∑ ( 𝑌 𝑖 − 𝑌 ) =∑ ( 𝑌 𝑖 − 𝑌 𝑖 ) + ∑ ( 𝑌 𝑖 − 𝑌 )
´ ^ ^ ´
Validación: Prueba de dependencia

Tabla ANOVA

Fuente de Grados de Suma de “F”

Varianza
variación libertad g.l cuadrados calculado
Regresión k-1 SCR SCR/k-1
Error n-k SCe SCe/n-k
Total n-1 SCT  
 Validación: Prueba de dependencia
•  
• Primer paso: Hipótesis global

Para este caso la hipótesis nula indica que el modelo no es consistente, y la

hipótesis alternativa indica que al menos una variable es diferentes de cero dentro
del modelo econométrico y por lo tanto es consistente.
• Segundo paso: Plantear el nivel de significancia
 Validación: Prueba de dependencia

•  
• Tercer paso: Estadístico de prueba

• Cuarto paso: Decisión

Si , se rechaza la hipótesis nula, por lo tanto el modelo es consistente. El F-critico (F*) se calcula
con k-1 grados de libertad para el numerador y n-k son los grados de libertad para el denominador.
 Validación: Coeficiente de determinación

•  
Este coeficiente permite encontrar el porcentaje de variación de la variable dependiente que
es explicado por el comportamiento de las variables independientes.

Donde el coeficiente de determinación toma valores menores o iguales a uno o valores

mayores o iguales a cero.

• Coeficiente de correlación múltiple

–Después de calcular el R2, en ocasiones se calcula también el coeficiente de

correlación múltiple que se obtiene como la raíz cuadrada del R2
 Validación: Coeficiente de determinación
•  
R2 Ajustado
• Otro indicador importante es el coeficiente ajustado el cual se utiliza para comparar modelos
econométrico siempre y cuando el tamaño de la muestra n y la variable dependiente sean las
mismas.
• Una de las propiedades que tiene el R2 es que es una función no decreciente del número de
variables independientes, es decir, a medida que se van incluyendo más variables
independientes al modelo, el coeficiente de determinación aumenta ya que reduce el error del
modelo econométrico.
• En vista de esto el término de error está asociado al número de variables que se incluyen en
un modelo, pero hay que tener mucho cuidado si se desea comparar el modelo con otro
modelo estimado, si en procura a este se toma la decisión en base al coeficiente de
determinación.
 Validación: Coeficiente de determinación

•  
• Relación entre el R2 y el estadístico F

Es importante también analizar la relación que existe entre el R 2 y el estadístico F, mediante la siguiente
expresión:

Como se puede observar, existe una relación directa entre estos dos, a medida que aumenta R 2 (bondad del
ajuste), el estadístico también aumenta, por lo tanto el estadístico de prueba tiende a rechazar la hipótesis nula,
es decir, permitiendo que el modelo econométrico sea consistente.
 Objetivo pronóstico, estimar tasa requerida
•  
• Este es el objetivo central del modelo de regresión simple. Es posible hacer un
pronóstico puntual y/o un pronóstico por intervalo.

• Pronóstico puntual:

• Pronóstico por intervalo:

 Objetivo-pronóstico, estimar tasa requerida

• Cuando se calcula la tasa de rendimiento requerida, la idea es poder comparar

esta tasa con la tasa de crecimiento esperada con cada activo de inversión, si
esta última es mayor a la tasa de rendimiento requerida entonces se invertirá
en este activo.

• Cuando no sea posible calcular la rentabilidad esperada por ausencia de

información, se puede utilizar como sustituto la tasa de rendimiento histórica
de un activo para el periodo analizado.
 Objetivo: Estimar riesgos asociados
•  
• Partiendo de la ecuación:

• Aplicando varianza

Se resuelve el sistema aplicando propiedades de la varianza, como resultado

tenemos la ecuación de riesgos:
 Ajuste Betas por Arch(p)

• Generalmente se supone que la varianza de una serie cronológica es constante, y el serlo

es una condición necesaria para que una serie de tiempo sea estacionaria. Sin embargo,
en ocasiones no es así; en particular tratándose de la volatilidad de las series financieras
se presenta el fenómeno de heterocedasticidad, es decir, la varianza de la serie tiene
cambios sistemáticos a través del tiempo. Para estos casos se diseñaron los modelos
ARCH (Autorregresivo condicional heterocedástico) y los modelos GARCH
(generalización de los modelos ARCH). Estos modelos permiten estimar una ecuación de
varianza que se supone deja de ser constante debido a choques o innovaciones
aleatorias.
 Ajustes por Betas GARCH(p,q)
•  
• El precio de un activo se distribuye como una log normal, partiendo de este supuesto se
tiene:

+
Modelos ARCH (p), modelo de la varianza del error en función de los errores rezagados

Para garantizar que exista reversión a la media, la sumatoria de debe ser menor que uno.
Esta sumatoria se conoce como persistencia del modelo. Entre mas cerca a 1, implica que
los choques aleatorios que afectaron el modelo son más persistentes y tardaran mucho
tiempo en desaparecer.
 Ajustes por Betas GARCH(p,q)

•  El modelo GARCH (p, q), se describe de la siguiente manera:

Además de incluir en la especificación los errores rezagados tienen en cuenta las varianzas del modelo

Un modelo GARCH (1,1) se describe de la siguiente manera:

Existe homocedasticidad, es decir, no existe efecto ARCH ni GARCH

Volatilidad de ayer, la varianza de hoy es mayor si ayer se obtuvo grandes perturbaciones.

Varianza de la predicción de ayer, el efecto persiste por mucho tiempo.

 Miguel Angel Bello
Economista, MBA, CRM.
miguel.bello@software-shop.com