UNIVERSIDAD NACIONAL

FEDERICO VILLARREAL

MODELO GARCH CON DISTRIBUCIONES ASIMÉTRICAS Y LEPTOKURTICAS

DIARIAS DEL 27 DE SEPTIEMBRE 1993 AL 1 DE MARZO DEL 2016. IPSA

PRESENTADO POR:

HONORIO CRUCES, JUAN CALEB

GUTIERREZ SOTO, CARLOS SMITH
COTRINA VELA, CLAUDIA HILARY
MARTINEZ SUYO, LESLY GERALDINE
 ¿Qué es el índice IPSA?
El índice IPSA es considerado el mejor indicador de rentabilidad del mercado de Chile.
 
El IPSA se calcula mediante el promedio ponderado de las transacciones de las acciones de la
cartera del índice, su finalidad es valorar las variaciones de precio de los títulos más líquidos
del mercado.

Es el principal índice bursátil de Chile y su elaboración corre a cargo de la Bolsa de Comercio

de Santiago.
Como se puede observar en el siguiente
gráfico, el precio de cierre del índice bursátil
IPSA ha mostrado una tendencia
constantemente creciente en el periodo de
análisis 2002-2016, con una importante
disminución en el año 2008.

Así también, se ha mostrado una ligera

reducción de este índice bursátil a partir
del año 2011.

Bajo el análisis gráfico de la serie, podemos

deducir que el componente tendencial
creciente de esta serie hace que el promedio
no permanezca constante en el largo plazo,
sino que se presenten etapas temporales
con una media irregular.
 TEST DE RAÍZ UNITARIA O ESTACIONARIEDAD DE LA SERIE DE TIEMPO

TEST DE AUGMENTED DICKEY-FULLER

Donde, se pone a prueba la hipótesis nula de:

En el cuadro de resultados de la prueba

Null Hypothesis: CIERRE has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 3 (Automatic - based on SIC, maxlag=29)
Augmented Dickey-Fuller test statistic
Test critical values: 1% level
5% level
10% level
se puede ver que el estadístico de
Dickey y Fuller obtuvo un valor de -1.67,
el cual debe ser contrastado con el nivel
t-Statistic Prob.* crítico del 5% de significancia (-3.41).
-1.671538 0.7638 El resultado se encuentra dentro de la
-3.960525
-3.411023 zona de aceptación de la hipótesis nula,
-3.127327 y por lo tanto no podemos rechazar que
la serie analizada tenga problemas de
raíz unitaria. Concluimos que la serie no
sería estacionaria.
 TEST DE KWIATKOWSKI-PHILLIPS-SCHMIDT-SHIN

El Test de KPSS tiene la siguiente hipótesis:

La prueba KPSS se puede observar que el

Null Hypothesis: CIERRE is stationary estadístico estimado tiene un valor de 1.19, el
Exogenous: Constant, Linear Trend
Bandwidth: 46 (Newey-West automatic) using Bartlett kernel cual debe ser contrastado con el nivel crítico
del 5% de significancia (0.14).
LM-Stat.

Kwiatkowski-Phillips-Schmidt-Shin test statistic 1.191763 No se encuentra dentro de la zona de

Asymptotic critical values*: 1% level 0.216000 aceptación de la hipótesis nula, sino en la
5% level 0.146000
10% level 0.119000
zona de rechazo, y por lo tanto debemos
rechazar la hipótesis de que la serie
analizada sea estacionaria.
 CONVERTIR UNA SERIE NO ESTACIONARIA EN ESTACIONARIA

Para esto, pasamos a aplicar una transformación a la serie, precisamente

aplicamos el operador de “Diferenciación de la serie” y obtendríamos una serie
estacionaria al menos en media, es decir una serie que converja o se encuentre
alrededor de su media.

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 En el gráfico podemos notar un comportamiento del

índice bursátil más estable, es decir, la serie tiene
un comportamiento que gira alrededor del valor 0,
.04
pero mostrándonos en algunos casos variaciones
volátiles altas y bajas, en algunos casos con unos
.00 picos demasiados altos, como se está resaltando en
rojo.
-.04

-.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, se pone a prueba la hipótesis nula de:

Null Hypothesis: DIFCIERRE has a unit root

El Test de Dickey y Fuller obtuvo un estadístico de
Exogenous: Constant, Linear Trend -51.52, lo cual comparado con el nivel de
Lag Length: 0 (Automatic - based on SIC, maxlag=29) significancia de 5% (-3.41), el estadístico se
t-Statistic Prob.* encuentra en la zona de rechazo, por lo que
debemos rechazar la hipótesis nula de que la
Augmented Dickey-Fuller test statistic -51.52280 0.0000
serie analizada tenga una raíz unitaria y por lo
Test critical values: 1% level -3.960524
5% level -3.411022 tanto es estacionaria.
10% level -3.127327
 TEST DE KWIATKOWSKI-PHILLIPS-SCHMIDT-SHIN

El Test de KPSS tiene la siguiente hipótesis:

Null Hypothesis: DIFCIERRE is stationary

El estadístico de KPSS obtuvo un valor de 0.05,
Exogenous: Constant, Linear Trend
Bandwidth: 10 (Newey-West automatic) using Bartlett kernel lo cual comparado con el nivel de significancia
de 5% (0.14), este estadístico se encuentra en
LM-Stat. la zona de aceptación, por lo que no podemos
Kwiatkowski-Phillips-Schmidt-Shin test statistic 0.057906
rechazar la hipótesis nula de que la serie
Asymptotic critical values*: 1% level 0.216000 analizada sea estacionaria.
5% level 0.146000
10% level 0.119000
 MODELO ECONOMÉTRICO

MODELO 1: ARIMA (2,1,3)

 

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

Dependent Variable: DIFCIERRE

Method: ARMA Maximum Likelihood (BFGS)
Date: 07/18/17 Time: 06:39
Sample: 1/02/2002 3/01/2016
Included observations: 3695
Convergence achieved after 124 iterations Vamos a elegir el modelo 2 tipo ARIMA
Coefficient covariance computed using outer product of gradients
(3,1,4) ya que sus criterios de información
Variable Coefficient Std. Error t-Statistic Prob. Akaike, Shwarza, y Hannan-Quinn resultaron
AR(1) -1.337019 0.031949 -41.84821 0.0000 ligeramente por debajo de los criterios del
AR(3)
MA(1)
0.383190
1.509168
0.033154
0.033049
11.55794
45.66425
0.0000
0.0000
modelo 1.
MA(2) 0.237480 0.015394 15.42724 0.0000
MA(3) -0.426676 0.034335 -12.42696 0.0000
MA(4) -0.118937 0.010868 -10.94385 0.0000
SIGMASQ 9.50E-05 1.07E-06 89.06802 0.0000

R-squared 0.033807 Mean dependent var 0.000348

Adjusted R-squared 0.032235 S.D. dependent var 0.009917
S.E. of regression 0.009756 Akaike info criterion -6.419951
Sum squared resid 0.351022 Schwarz criterion -6.408177
Log likelihood 11867.86 Hannan-Quinn criter. -6.415761
Durbin-Watson stat 1.998013
 1,000
Series: Residuals
Sample 1/02/2002 3/01/2016
800 Observations 3695

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.

TEST DE HETEROSEDASTICIDAD ARCH

Heteroskedasticity Test: ARCH
donde
F-statistic 186.2855 Prob. F(1,3692) 0.0000
Obs*R-squared 177.4338 Prob. Chi-Square(1) 0.0000

Test Equation: Ho: No hay efectos ARCH

Dependent Variable: RESID^2
Method: Least Squares
Date: 07/18/17 Time: 06:49
Sample (adjusted): 1/03/2002 3/01/2016
Included observations: 3694 after adjustments
Se rechaza la hipótesis nula de que no existan
efectos ARCH en la serie. Por lo tanto, si hay
Variable Coefficient Std. Error t-Statistic Prob.
efectos ARCH y es necesario corregir con un
C 7.42E-05 5.68E-06 13.06247 0.0000 modelo GARCH que modele la varianza.
RESID^2(-1) 0.219165 0.016058 13.64865 0.0000

R-squared 0.048033 Mean dependent var 9.50E-05

Adjusted R-squared 0.047775 S.D. dependent var 0.000341
S.E. of regression 0.000332 Akaike info criterion -13.17953
Sum squared resid 0.000408 Schwarz criterion -13.17616
Log likelihood 24344.59 Hannan-Quinn criter. -13.17833
F-statistic 186.2855 Durbin-Watson stat 2.050341
Prob(F-statistic) 0.000000
MODELO GARCH
Para estimar un modelo GARCH tendremos que tener en cuenta que la serie ya es estacionaria en media
(a partir de un modelo ARIMA que hemos propuesto previamente), y no estacionaria en varianza
comprobada a través del análisis gráfico de distribución leptocurtica del residuo, por lo que tendremos que
plantear un modelo que considere la volatilidad del residuo con una ecuación adicional.

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

R-squared 0.028801 Mean dependent var 0.000348

Adjusted R-squared 0.027485 S.D. dependent var 0.009917
S.E. of regression 0.009780 Akaike info criterion -6.730082
Sum squared resid 0.352841 Schwarz criterion -6.714945
Log likelihood 12442.83 Hannan-Quinn criter. -6.724695
Durbin-Watson stat 2.038356
MODELO GARCH(1,1) - CORREGIDO

Dependent Variable: DIFCIERRE

Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 07/18/17 Time: 07:05
Sample (adjusted): 1/02/2002 3/01/2016
Included observations: 3695 after adjustments
Failure to improve likelihood (non-zero gradients) after 69 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7) donde
GARCH = C(6) + C(7)*RESID(-1)^2 + C(8)*GARCH(-1)

Variable Coefficient Std. Error z-Statistic Prob.

AR(1) 0.750311 0.000542 1383.739 0.0000

AR(3) 0.249681 0.000168 1488.543 0.0000
MA(1) -0.566813 0.062241 -9.106773 0.0000
MA(2) -0.148683 0.043499 -3.418110 0.0006
MA(3) -0.283178 0.026904 -10.52551 0.0000

Variance Equation

C 2.50E-06 3.95E-07 6.335219 0.0000

RESID(-1)^2 0.136376 0.010472 13.02314 0.0000
GARCH(-1) 0.838241 0.012179 68.82394 0.0000

R-squared 0.029302 Mean dependent var 0.000348

Adjusted R-squared 0.028249 S.D. dependent var 0.009917
S.E. of regression 0.009776 Akaike info criterion -6.730469
Sum squared resid 0.352659 Schwarz criterion -6.717013
Log likelihood 12442.54 Hannan-Quinn criter. -6.725680
Durbin-Watson stat 2.030978
Las interpretaciones son similares, sin embargo, queremos mostrar cómo es que los residuos
mejoran su comportamiento reduciendo el nivel de curtosis, en este caso el residuo tiene un
comportamiento aparentemente normal.

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