MODELO GARCH

 INTEGRANTES:
 ALCEDO HERRERA, VALERIA
ALENCITH
 CAHUANCAMA CONDO, JOHNNY
 CÁRDENAS MORÁN, MADELEYNE
 DURÁN EURIBE, MADELEYNE
 PEÑA GALLEGO, ENZO
 HILDER VILLEGAS, ADAN
 RUBIO HUARNIZ, DIEGO ALEJANDRO
MODELO ARCH
ARCH(P)
 t = Φt t
 =

 El modelo ARCH (P) se puede escribir como un modelo AR(P)para

=
=

Donde
Esperanza y Varianza Incondicional Arch ( 1)
SUPUESTO :
1) t = Φtt
2) = =0

 Esperanza
E() =E(Φt)E(t) = 0 E()= E() =

 Varianza
Esperanza y Varianza condicional Arch ( 1)

1) = Φtet/t-1 =0
et/t-1

2) =

 Esperanza:

E() =E(Φt)E() = 0

 Varianza:

Por tanto, , representa la varianza condicionada de la serie en cada instante , que vavariando con
cierta estructura estacionaria
 COMPARACION DEL MODELO
ARCH CON GARCH

t = Φt t (1) t = Φtt (3)

(4)
= (2)
Modelo GARCH
(1,1)
p=1,q=1
 Características del modelo GARCH (1,1)

1) Φ es idénticamente distribuido con media cero y desviación típica igual a uno.

t

Sea Φt / E (Φt) =

E (Φt)=0
En el caso de la varianza:
Sea

Sabemos que:
Entonces:

𝒗𝒂𝒓 ( 𝜺 )=𝟏
Los parámetros w>0 y ,0 considerando i=1...p, y j=1...q. Además, para cumplirse la condición de estacionalidad en
media, la suma de todos los parámetros es menor que la unidad.

Calculando la media y la varianza para el proceso GARCH (1,1):

Marginal (incondicional)

• Media:

E ( t)=E(2t(w+1 2t-1+12t-1))1/2=E()E(w+1 2t-1+12t-1) ½=0

• Varianza:
t = Φtt
= Φ 2 t2 t
t = Φ t (
2 2

.
.
.
E ()=
t = Φtt
= Φ2t2t
t = Φ t (
2 2

E () = E (Φ2t) E (
E () = ()

E ()==x
(x- x - x)=
(1- - x=

E ()=
Condicional
• Media:

Et-1 ( t)= Et-1 (2t(w+1 2t-1+12t-1))1/2= Et-1 (w+1 2t-1+12t-1) ½ Et-1 () =0

• Varianza:
= Φ 2 t2 t
.
.
.

Et-1()= 2t

 Donde Φt es un proceso de "ruido blanco" (entre otras, no hay correlación con su pasado,
luego tampoco la hay con el pasado de t).
 El proceso generado t es también estacionario.

 En los momentos condicionales, en "t", el valor de "t-1" es una realización concreta conocida
(no aleatoria).

Si sustituimos de manera recursiva la ecuación correspondiente al rezago de la varianza, se

mostrara a la varianza condicional como una suma ponderada del cuadrado de todos los
residuos pasados:

.
.∞
𝒘𝟎
𝟐
𝝈 =
𝒕 + 𝜶 𝟏 ∑ 𝜷 𝟏 𝒋 −𝟏 ∗ Ɛ 𝟐𝒕 − 𝒋
.
(𝟏 − 𝜷 𝟏) 𝒋=𝟏
La expresión obtenida es similar a la varianza muestral pero con pesos menores para
rezagos más distantes de , lo que hará este modelo es que mediante la data obtenga las
mejores ponderaciones para la predicción de la varianza.

Si se define , se obtendrá la siguiente expresión:

.
.
.

2 2
Ɛ 𝑡 =𝑤 0 + ( 𝛼 1+ 𝛽 1 ) ∗ Ɛ 𝑡− 1 − 𝛽 1∗ 𝑉 𝑡 − 1+𝑉 𝑡
Esta expresión nos indica como la persistencia de ) Se da en la ecuación que determina el
comportamiento de .
ESTIMACION
DEL MODELO
GARCH
Maximizando la función de verosimilitud:
Pero en este caso:

Los estimadores de máxima verosimilitud

condicional de , = (. . ., ) ′ y = (,. . ., ) ′ se
obtienen al maximizar la función:

, k>p
Una distribución que comúnmente se
considera para es la t-Student estandarizada
con v grados de libertad:

Donde (•) es la función Gamma.

PREDICCION DEL
MODELO GARCH
 =

Sabiendo que:

=
Como:

En general, para K períodos:

=
MODELACION
DEL TIPO DE
CAMBIO