Grupo 4 NC - Modelo Arch Tipo de Cambio

Universidad Nacional
Federico Villarreal
Daniel Torres
Espiritu Rodriguez Geanpierrre
Champoñan Casanova Angelo
Baca Florentino Erick
SHESSIRA Polo
“Año la unidad, la paz y el desarrollo"
Modelo ARCH para el Tipo de Cambio del Perú del 2000-2021
Asignatura : Econometría de Series de Tiempo

Docente : Samanamud Loyola, Oscar Francisco
Grupo : 4
Integrantes : Camarena De La Cruz, Camila
Cordova Martinez, Keler
Farfan Ajajavi, Fernando
Perez Mendoza, Cielo
Rojas Taipe, Ketty
Federico Villarreal
INTRODUCCION
El mantener estable el tipo de cambio del dólar es
muy importante para la economía del país, porque
está vinculada a las importaciones y exportaciones
que se realizan, afectando directamente la
economía de las familias quienes ya cuentan con
una canasta básica familiar, y si los productos
básicos suben de precio y los salarios se
mantienen igual o disminuyen, se generaría
inestabilidad y pobreza. Es por eso que en este
estudio se realizara la modelación del tipo de
cambio con el modelo ARCH y también se
analizara gráficamente hasta el 2022.
Federico Villarreal
Planteamiento del problema

¿Cuál es el modelo optimo ARCH de la serie
de tiempo Tipo de Cambio en el Perú, del
2000M1 al 2021M12 ?
Objetivo General
Realizar y elegir el modelo optimo ARCH de la
serie de tiempo Tipo de Cambio y realizar su
pronostico para ver su varianza, del 2000M1 al
2021M12.
Federico Villarreal
MARCO TEÓRICO
Antecedentes
TESIS: Modelos ARCH y GARCH aplicados a series financieras peruanas, para la variable tipo de cambio.
La finalidad de la tesis es realizar un estudio sobre la variable tipo de cambio para el caso peruano, para ello se
formulan modelos de volatilidad como los ARCH desarrollados por Robert Engle (1982) y los GARCH desarrollados por
Bollerslev (1986). Se trata básicamente de comparar ambos modelos ARCH y GARCH y determinar cuál de ellos realiza
mejores estimaciones y pronósticos para nuestra variable en estudio, nuestros datos comprende desde el 1 de enero de 2014
hasta el 31 de marzo del 2018 contando con un total de 1105 observaciones tomadas en los cinco días laborales del mercado
intercambiario. Se determinó el mejor modelo utilizando los criterios de información (AIC, BIC y Hannan-Quinn) y los
estadísticos para determinar la capacidad predictiva de cada modelo, de lo cual se concluye que el mejor modelo para
estimar y pronosticar la volatilidad de la variable tipo de cambio es un ARIMA(0,1,1)-GARCH(1,1), el cual realiza mejores
predicciones a comparación de los otros modelos.
REFERENCIA:
La Torre C. (2019). Modelos ARCH y GARCH aplicados a series financieras peruanas, para la variable tipo de cambio. Universidad Nacional
Mayor de San Marcos. https://cybertesis.unmsm.edu.pe/bitstream/handle/20.500.12672/8170/Latorre_fc%20-%20Resumen.pdf?
sequence=3&isAllowed=y
Federico Villarreal
Antecedentes
TESIS: Bolsa de Valores de Lima y la volatilidad de los mercados financieros 2000-2018
El objetivo principal de la investigación es encontrar un modelo ARCH para modelar el Índice General de la Bolsa
de Valores de Lima (IGBVL) en relación de las bolsas más importantes que se encuentran relacionadas a la economía
peruana para los períodos 2000 a 2018 con información diaria. Los resultados muestran que utilizando los criterios de
Akaike (AIC) y Bayesiano de Schwarz (SC) se seleccionó al modelo ARCH (3) como el modelo ganador para el
modelamiento y proyección del Índice General de la Bolsa de Valores de Lima (IGBVL) en relación a las bolsas de Estados
Unidos (SP500), de España (IBX35), de Brasil (BOVESPA) y China (SHANGHAI) dado que presentan el menor valor de AIC
y SC.
REFERENCIA:
Monasterio C. (2021). Bolsa de Valores de Lima y la volatilidad de los mercados financieros 2000-2018. Universidad Jose Carlos Mariategui.
http://repositorio.ujcm.edu.pe/bitstream/handle/20.500.12819/994/Carmen_tesis_titulo_2021.pdf?sequence=1&isAllowed=y
Federico Villarreal
Modelo de heterocedasticidad condicional auto-regresiva (ARCH)

La volatilidad es una característica inherente a las series de tiempo financieras. En general, no es constante y en consecuencia
los modelos de series de tiempo tradicionales que suponen varianza homocedástica, no son adecuados para modelar series de
tiempo financieras. Engle (1982) introduce una nueva clase de procesos estocásticos llamados modelos ARCH, en los cuales la
varianza condicionada a la información pasada no es constante, y depende del cuadrado de las innovaciones pasadas. En
la econometría, los modelos ARCH se utilizan para caracterizar y modelar series temporales.
Los modelos de ARCH se emplean comúnmente en el modelado de series de tiempo financieras que presentan agrupaciones
de volatilidad variables en el tiempo, es decir, períodos de oscilaciones entremezclados con períodos de relativa calma.
Serie Estacionaria Varianza SERIE TEMPORAL A ANALIZAR:
Una serie es estacionaria cuando La varianza es una medida de T_C: Tipo de cambio Real en el Perú
es estable a lo largo del tiempo, es dispersión. Eso significa que
decir, cuando la media y varianza son pretende capturar en qué medida los
constantes en el tiempo y se puede datos están en torno a la media.
proyectar extramuestralmente
Federico Villarreal
Abrir el programa Eviews

Seleccionar la frecuencia y los periodos de
Creamos un nuevo archivo de trabajo estudio
Federico Villarreal
Ya seleccionado el archivo, en la siguiente pestaña

especificamos la hoja de trabajo. Y click en
“Siguiente”
Una vez abierto, vamos a File, Import, Import

from file para seleccionar el archivo de la data.
Federico Villarreal
Ahora Eviews reconoce la primera fila como En esta sección podemos editar el nombre del
nombre del encabezado, le damos a “siguiente”. encabezado de la serie, Luego le damos click a
“Siguiente”
Federico Villarreal
Aquí vamos a seleccionar la frecuencia que tiene

nuestra data (mensual) y el periodo de inicio.
Ya está la serie en el Eviews
Ahora seleccionamos la serie T_C que tiene 264

periodos y la abrimos.
Federico Villarreal
Podemos visualizar la serie

desde el periodo 2000M1 al
2021M12 del Tipo de Cambio
real del Perú en soles respecto
al dólar. Este dato fue extraído
del BCRPData.
Federico Villarreal
En la serie abierta, vamos a

View, Graph. Seleccionamos
Line & Symbol y OK
Federico Villarreal
T_C
En la Grafica se observa una tendencia
positiva, una varianza y una media cambiante.
Por lo que Claramente podemos decir que no
es una Serie estacionaria por tener tendencia
y no tener media y varianza constante.
Federico Villarreal
PRUEBA DE RAIZ UNITARIA
Abrimos la serie, Vamos a View, Unit

Seleccionamos el tipo de Test en Dickey-Fuller Aumentado.
Root test y seleccionamos Standard
Elegimos en nivel con Intercepto para iniciar y ok. Luego
Unit Root Test
alternaremos el test desde nivel a 2da diferencia y desde
intercepto hasta ninguna, lo que nos Dará un total de 9 pruebas,
de las cuales elegiremos el mejor modelo.
Federico Villarreal
PRUEBA DE RAIZ UNITARIA DEL T_C con Intercepto

Nivel Primera Diferencia Segunda Diferencia
Federico Villarreal
PRUEBA DE RAIZ UNITARIA DEL T_C con Tendencia e Intercepto

Federico Villarreal
PRUEBA DE RAIZ UNITARIA DEL T_C con Ninguno

Federico Villarreal
ELECCION DEL MEJOR MODELO DE RAIZ UNITARIA
CRITERIO DE SCHWARZ NIVEL PRIMERA DIFERENCIA SEGUNDA

DIFERENCIA
INTERCEPTO -3.702957 -3.724170 -3.572711
TENDENCIA E INTERCEPTO -3.701126 -3.722345 -3.594234
NINGUNO -3.724095 -3.743426 -3.594234
Probabilidad Dickey Fuller Aumentado No significativa
Probabilidad Dickey Fuller Aumentado Significativa

Federico Villarreal
PRUEBA DE RAIZ UNITARIA DEL T_C

con Ninguno en Primera Diferencia
Prueba de Dickey-Fuller Aumentado
Hipótesis planteada:
La serie de tiempo del T_C durante el periodo 2000M1 a 2021M12 tiene raíz
unitaria (el T_C es No estacionario con Ninguno en Primera Diferencia)
Hipótesis alternativa:
La serie de tiempo del T_C durante el periodo 2000M1 a 2021M12 No tiene raíz
unitaria (el T_C es estacionario con Ninguno en Primera Diferencia)
Toma de decisión:
La serie de tiempo T_C tiene la probabilidad de cometer el error tipo 1 de
Mackinnon de 0.00%, entonces cae en la zona de rechazo, por lo tanto, La serie
de tiempo del T_C durante el periodo 2000M1 a 2021M12 No tiene raíz unitaria
(el T_C es estacionario con Ninguno en Primera Diferencia)
Por lo cual en La serie de tiempo del T_C durante el periodo de investigación se
puede proyectar extramuestralmente.
Prueba de valor critico TAU:
Si el tau de tabla al 1% es de |-2.573818|, al 5% es de |-1.942040| y al 10% es
de |-1.615891|, que son menores al TAU calculado |-12.00681|, entonces cae
en la zona de rechazo. Por lo que el T_C es estacionario con Ninguno en Primera
Diferencia.
Federico Villarreal
Generamos la serie T_C con primera diferencia

Vamos a Quick, Generamos
Serie, le colocamos la
primera diferencia a nuestra
serie y ok.
Luego vamos a crear la
grafica de la serie ya creada.
Podemos ver una serie estacionaria que presenta

volatilidades altas en los años 2008-2009, 2015-2016 y
2019-2021. EXPLICAR PORQUEEEEEEE
Federico Villarreal
MODELO ARIMA
Correlograma
Podemos ver en la parte de
autocorrelación que presenta en
el primer y tercer periodo, valores
fuera de las líneas de confianza,
mientras que el resto de valores si
se encuentran dentro de los
parámetros de confianza hasta el
periodo 36, en cuanto a la
autocorrelación parcial, presenta
los periodos 1, 3, 9 y 17 fuera de
los parámetros de confianza,
luego los demás periodos si se
encuentran dentro de los
parámetros de confianza.
Federico Villarreal
MODELO ARIMA (MCO)
Vamos a Quick, Estimacion de

ecuación (MCO), se ingresan
los valores correspondientes
(AR y MA) extraídos del
correlograma anterior adicional
a la variable estacionaria y su
constante.
La estimación sale significatica en su Prob(F-

statistic) pero las variables AR(1) y MA(3) son los
que tienen probabilidad alta de NO significancia,
por lo que se procederá a estimar el modelo
nuevamente quitando estos valores ARMA.
Federico Villarreal
MODELO ARIMA (MCO)
La estimación nos da altamente significativa en sus

variables ARIMA, ademas también nos da
significativa la Prob(F-statistic), por lo que ya
podemos proceder a realizar las pruebas para hallar
el rezago optimo de ARCH.
Federico Villarreal
PRUEBA DE REZAGO OPTIMO PARA MODELO ARCH

Con 1 rezago
Vamos a View, Residual Diagnostics, prueba de Heteroscedasticidad,

seleccionamos ARCH, con 1 Rezago y OK
Federico Villarreal
Prueba De Heteroscedasticidad
PRUEBA DE HIPÓTESIS
Hipótesis planteada: No existe heterocedasticidad en los errores
estocásticos desde 2000M1 a 2021M12 (es Homoscedastico).
Hipótesis alternativa: Existe heterocedasticidad en los errores
estocásticos desde 2000M1 a 2021M12 (Es Heteroscedastico).
Toma de Decisión:
La probabilidad Chi cuadrado es del 0.00% Cae en zona de
rechazo. Esto quiere decir que se rechaza la hipótesis planteada y
se acepta que existe heterocedasticidad en los errores
estocásticos desde 2000M1 a 2021M12.
El la probabilidad del RESID^2(-1) es significativa, y la

Probabilidad conjunta también nos indica que es significativo, ya
que ambos son menores al 5%
Federico Villarreal
CORRELOGRAMA DE RESIDUOS AL CUDRADO

Vamos a View, Residual Diagnostics, Correlogram Squared
Residuals, Nos aparecerán en este caso 36 rezagos a incluir
por defecto, le damos OK.
Observamos que aun hay valores fuera de los

parámetros de confianza en el periodo 1,2 y 5.
Federico Villarreal
CON 2 REZAGOS
Vamos a View, Residual Diagnostics, prueba de Heteroscedasticidad,

seleccionamos ARCH, con 2 Rezagos y OK
Federico Villarreal
Prueba De Heteroscedasticidad con 2

rezagos
Hipótesis planteada: No existe heterocedasticidad en los errores
estocásticos desde 2000M1 a 2021M12 (es Homoscedastico).
Hipótesis alternativa: Existe heterocedasticidad en los errores
estocásticos desde 2000M1 a 2021M12 (Es Heteroscedastico).
Toma de Decisión:
La probabilidad Chi cuadrado es del 0.00% Cae en zona de
rechazo. Esto quiere decir que se rechaza la hipótesis planteada y
se acepta que existe heterocedasticidad en los errores
estocásticos desde 2000M1 a 2021M12.
Las probabilidades del RESID^2(-1) y RESID^2(-2) son

significativa, y la Probabilidad conjunta también nos indica que
es significativo, ya que ambos son menores al 5%
Entonces podemos utilizar hasta 2 rezagos para nuestro modelo

ARCH. También se realizo la prueba con 3 rezagos, pero nos salen
probabilidades no significativas.
Federico Villarreal
CORRELOGRAMA DE RESIDUOS AL CUADRADO

Vamos a View, Residual Diagnostics, Correlogram Squared
Residuals, Nos aparecerán en este caso 36 rezagos a incluir
por defecto, le damos OK.
Observamos que aun hay valores fuera de los

parámetros de confianza en el periodo 1,2 y 5.
Federico Villarreal
ESTIMACION MODELO ARCH, 2 rezagos

En “ARCH” colocamos la cantidad de rezagos que nos
Introducimos las variables estacionaria en el
proponen las pruebas ya realizadas. Los demás le
Modelo ARIMA, elegimos el Metodo ARCH.
damos valores de 0.
Vamos a Quick,
Estimate Equation
Federico Villarreal
MODELO ARCH, 2 REZAGOS
La probabilidad del las variables AR(3) y MA(1) son

significativas a ser menores al 5%, mientras que las varianzas
RESID^2(-1) y RESID^2(-2) Son no significativas al ser
mayores al 5%
Se procederá a Estimar nuevamente el modelo ARCH pero
ahora con 1 rezago
Federico Villarreal
ESTIMACION MODELO ARCH, 1 REZAGO

En “ARCH” colocamos la cantidad de rezagos que nos
Introducimos las variables estacionaria en el
proponen las pruebas ya realizadas. Los demás le
Modelo ARIMA, elegimos el Metodo ARCH.
damos valores de 0.
Vamos a Quick,
Estimate Equation
Federico Villarreal
MODELO ARCH, 1 REZAGO
La probabilidad del las variables AR(3) y MA(1) son

significativas a ser menores al 5%, mientras que las varianzas
RESID^2(-1) es significativo al ser menor al 5%
Observamos que también la Constante tiene un Valor
Positivo, lo cual es bueno para nuestro modelo.
Federico Villarreal
Prueba de ARCH LN de ARCH, 1 rezago
Vamos a View, Residual Diagnostics, ARCH LM Test,

seleccionamos ARCH, con 1 Rezago y OK
Federico Villarreal
Prueba De Heteroscedasticidad ARCH, 1

rezago
Hipótesis planteada: No existe heterocedasticidad en
los errores estocásticos desde 2000M1 a 2021M12 (es
Homocedastico).
Hipótesis alternativa: Existe heterocedasticidad en los
errores estocásticos desde 2000M1 a 2021M12 (Es
Heteroscedastico).
Toma de Decisión:
La probabilidad Chi cuadrado es del 14.48% Cae en
zona de rechazo. Esto quiere decir que se Acepta la
hipótesis planteada y se afirmamos que existe
Homoscedasticidad en los errores estocásticos desde
2000M1 a 2021M12.
Federico Villarreal
CORRELOGRAMA Q-ESTATISTICS Un ruido blanco es un caso

simple de los procesos
estocásticos, donde los
valores son independientes e
idénticamente distribuidos a
lo largo del tiempo con media
cero e igual varianza
Estos residuos son ruido

blanco, por lo que tienen
probabilidad mayor al 5%,
entonces no es necesario
hacer hipótesis. Por tanto
Vamos a View, Residual decimos que este modelo
Diagnostics, Correlogram – Q- cumple con las condiciones de
estatistics, nos aparecen 36 rezago optimo.
rezagos por defecto, le damos
a OK.
Federico Villarreal
Crear Grafica conjunta. Vamos a Proc, Make GARCH variance

Series, creamos la serie de Varianza
Condicional llamada
“GARCHVARIANCE”. Abrimos como
Grupo con la serie original T_C y
GARCHVARIANCE, creamos grafica
Seleccionamos Axes y Scaling, Data

Scaling, Y ordenamos las variables en
Right y OK.
Federico Villarreal
Grafica conjunta.
La varianza condicional
y el tipo de cambio
Federico Villarreal
PRONOSTICO DEL T_C

Doble click en Range, a
continuación
ampliaremos la fecha
de fin de periodo. Y OK.
Luego abrimos el ARCH

ya estimado.
Federico Villarreal
Seleccionamos “Forecast”.
Elegimos la serie
inicial “T_C”,
creamos un
nombre (t_cfs)
adicional para el
error estándar
(S.E.)
Elegimos los
periodos que
deseamos estimar
a parte del que ya
tenemos. Y OK.
Federico Villarreal
Seleccionamos en “Show”,
Insertamos la serie
T_CF(Forecast) y
adicionamos las series de
error estándar con un +-
5% de error respecto a la
serie Forecast
Federico Villarreal
Observamos los valores máximos y minimos

proyectados de la serie al 2022M12
Federico Villarreal

Grupo 4 NC - Modelo Arch Tipo de Cambio

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Grupo 4 NC - Modelo Arch Tipo de Cambio

Cargado por

Copyright:

Formatos disponibles

Universidad Nacional

“Año la unidad, la paz y el desarrollo"

Modelo ARCH para el Tipo de Cambio del Perú del 2000-2021

Asignatura : Econometría de Series de Tiempo

Planteamiento del problema

Modelo de heterocedasticidad condicional auto-regresiva (ARCH)

Serie Estacionaria Varianza SERIE TEMPORAL A ANALIZAR:

Abrir el programa Eviews

Ya seleccionado el archivo, en la siguiente pestaña

Una vez abierto, vamos a File, Import, Import

Aquí vamos a seleccionar la frecuencia que tiene

Ya está la serie en el Eviews

Ahora seleccionamos la serie T_C que tiene 264

Podemos visualizar la serie

En la serie abierta, vamos a

PRUEBA DE RAIZ UNITARIA

Abrimos la serie, Vamos a View, Unit

PRUEBA DE RAIZ UNITARIA DEL T_C con Intercepto

PRUEBA DE RAIZ UNITARIA DEL T_C con Tendencia e Intercepto

PRUEBA DE RAIZ UNITARIA DEL T_C con Ninguno

ELECCION DEL MEJOR MODELO DE RAIZ UNITARIA

CRITERIO DE SCHWARZ NIVEL PRIMERA DIFERENCIA SEGUNDA

Probabilidad Dickey Fuller Aumentado No significativa

Probabilidad Dickey Fuller Aumentado Significativa

PRUEBA DE RAIZ UNITARIA DEL T_C

Generamos la serie T_C con primera diferencia

Podemos ver una serie estacionaria que presenta

MODELO ARIMA (MCO)

Vamos a Quick, Estimacion de

La estimación sale significatica en su Prob(F-

MODELO ARIMA (MCO)

La estimación nos da altamente significativa en sus

PRUEBA DE REZAGO OPTIMO PARA MODELO ARCH

Vamos a View, Residual Diagnostics, prueba de Heteroscedasticidad,

El la probabilidad del RESID^2(-1) es significativa, y la

CORRELOGRAMA DE RESIDUOS AL CUDRADO

Observamos que aun hay valores fuera de los

Vamos a View, Residual Diagnostics, prueba de Heteroscedasticidad,

Prueba De Heteroscedasticidad con 2

Las probabilidades del RESID^2(-1) y RESID^2(-2) son

Entonces podemos utilizar hasta 2 rezagos para nuestro modelo

CORRELOGRAMA DE RESIDUOS AL CUADRADO

Observamos que aun hay valores fuera de los

ESTIMACION MODELO ARCH, 2 rezagos

MODELO ARCH, 2 REZAGOS

La probabilidad del las variables AR(3) y MA(1) son

ESTIMACION MODELO ARCH, 1 REZAGO

MODELO ARCH, 1 REZAGO

La probabilidad del las variables AR(3) y MA(1) son

Prueba de ARCH LN de ARCH, 1 rezago

Vamos a View, Residual Diagnostics, ARCH LM Test,

Prueba De Heteroscedasticidad ARCH, 1

CORRELOGRAMA Q-ESTATISTICS Un ruido blanco es un caso

Estos residuos son ruido

Crear Grafica conjunta. Vamos a Proc, Make GARCH variance

Seleccionamos Axes y Scaling, Data

PRONOSTICO DEL T_C

Luego abrimos el ARCH

Observamos los valores máximos y minimos

También podría gustarte