Documentos de Académico
Documentos de Profesional
Documentos de Cultura
FEDERICO VILLARREAL
PRESENTADO POR:
Las variaciones de la serie de los valores de hoy con respecto a los valores
del ayer (retorno diario) e implícitamente estamos eliminando la tendencia.
DIFCIERRE
.12
-.08
02 03 04 05 06 07 08 09 10 11 12 13 14 15
TEST FORMAL DE RAÍZ UNITARIA O ESTACIONARIEDAD
TEST DE AUGMENTED DICKEY-FULLER
donde
Dependent Variable: DIFCIERRE
Method: ARMA Maximum Likelihood (BFGS)
Date: 07/18/17 Time: 06:42
Sample: 1/02/2002 3/01/2016
Included observations: 3695
Convergence achieved after 27 iterations El siguiente modelo es un ARIMA (2,1,3), donde
Coefficient covariance computed using outer product of gradients
la serie analizada, diferencia del precio de cierre,
Variable Coefficient Std. Error t-Statistic Prob.
se encuentra en función de la misma variable
AR(1) -0.389644 0.103705 -3.757248 0.0002 dependiente pero rezagada en dos periodos y
AR(2) 0.078410 0.020070 3.906832 0.0001
MA(1) 0.559647 0.102968 5.435182 0.0000 además de la variable aleatoria del residuo
MA(3) -0.064044 0.010870 -5.891562 0.0000
SIGMASQ 9.53E-05 9.83E-07 96.96471 0.0000 rezagada en tres periodos.
R-squared 0.030807 Mean dependent var 0.000348
Adjusted R-squared 0.029756 S.D. dependent var 0.009917
S.E. of regression 0.009768 Akaike info criterion -6.417945
Sum squared resid 0.352113 Schwarz criterion -6.409535
Log likelihood 11862.15 Hannan-Quinn criter. -6.414952
Durbin-Watson stat 1.999502
MODELO 2: ARIMA (3,1,4)
donde
Mean 0.000309
600 Median 0.000486
Maximum 0.121058
Minimum -0.068841
400 Std. Dev. 0.009743
Skewness 0.234913
Kurtosis 13.84728
200
Jarque-Bera 18149.27
Probability 0.000000
0
-0.050 -0.025 0.000 0.025 0.050 0.075 0.100 0.125
El resultado de este análisis nos indicaría que el residuo si bien tiene un promedio muy cercano a
cero, el estadístico de la curtosis resulta ser un problema ya que se muestra con un valor alto de
13.84 lo cual indicaría claramente que la distribución del residuo, no sería normal, sino de una
forma LEPTOCURTICA, tal como se presenta en el gráfico.
Este resultado nos llevaría a concluir que los residuos del modelo planteado presentan problemas, en su forma
de distribución, es decir para estimar el comportamiento de la serie en análisis no basta con un modelo ARIMA,
sino con un modelo que pueda modelar su promedio y además que pueda modelar su varianza.
donde
0 es estacionaria en media
El proceso de la segunda ecuación se interpreta como una varianza condicionada de la serie que varía en
el tiempo con una estructura estacionaria.
MODELO GARCH(1,1)
Dependent Variable: DIFCIERRE donde
Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 07/18/17 Time: 06:53
Sample (adjusted): 1/02/2002 3/01/2016
Included observations: 3695 after adjustments
Failure to improve likelihood (non-zero gradients) after 81 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(7) + C(8)*RESID(-1)^2 + C(9)*GARCH(-1)
El nuevo modelo GARCH planteado resulta tener mejores
Variable Coefficient Std. Error z-Statistic Prob.
resultados con todos los coeficientes significativos, p-
AR(1) 0.798542 0.000449 1778.065 0.0000
AR(3) 0.201454 0.000104 1943.945 0.0000 values menores al 5% de significancia, lo cual nos resulta
MA(1) -0.611745 0.061699 -9.915064 0.0000
MA(2) -0.155922 0.045096 -3.457530 0.0005 beneficioso a la búsqueda del mejor modelo GARCH, a
MA(3) -0.227137 0.027528 -8.250975 0.0000
MA(4) -0.003865 0.017486 -0.221029 0.8251 excepción del parámetro de MA(4) que no es significativo
Variance Equation
y su importante es casi nula.
C 2.53E-06 3.99E-07 6.331297 0.0000
RESID(-1)^2 0.135310 0.010512 12.87177 0.0000
GARCH(-1) 0.838674 0.012334 67.99899 0.0000
Variance Equation
500
Series: Standardized Residuals
Sample 1/02/2002 3/01/2016
400 Observations 3695
Mean -0.001915
300 Median 0.020222
Maximum 3.874641
Minimum -4.968663
200 Std. Dev. 1.000052
Skewness -0.191885
Kurtosis 3.781830
100
Jarque-Bera 116.7831
Probability 0.000000
0
-5 -4 -3 -2 -1 0 1 2 3 4