Descargar la presentación
La descarga está en progreso. Por favor, espere
1
MODELOS ARCH APLICADOS
Dr. Luís Miguel Galindo
2
“I have heard it said that too much academic research is focused on finding very precise answers to irrelevant questions” Carol Alexander (2001)
3
“In finance theory the concept of the correct price is determinated by the nature of the modeler. The British, being practical and empirical, might say that the market is right and their model is wrong. The French –rationalist and theoreticians- might say that their model is right and the market is wrong. However, the Americans, pragmatic and diplomatic as they are, would most likely say that both the market and the model are wrong…
4
VOLATILIDAD Y CORRELACIÓN:
Volatilidad y correlación son parámetros del proceso estocástico utilizados para modelar variaciones en los precios de activos financieros Volatilidad anual: A = Factor de anualización (el número de ganancias al año) A = 250 ó 252 Dr. Galindo
5
VOLATILIDAD Y CORRELACIÓN:
Comparar volatilidades La volatilidad anual es Dr. Galindo
6
VOLATILIDAD Y CORRELACIÓN:
Conceptos básicos: (1.1) (1.2) (1.3) Dr. Galindo
7
VOLATILIDAD Y CORRELACIÓN:
MCO: β = v v = volatilidad relativa Y (variable dependiente) Dr. Galindo
8
VOLATILIDAD Y CORRELACIÓN:
La volatilidad se mide con la varianza: Mejor desviación estándar a varianza (unidades de medida) Dr. Galindo
9
VOLATILIDAD Y CORRELACIÓN:
La volatilidad no es el riesgo porque la solo mide la desviación pero no la forma de la distribución La volatilidad genera procesos de memoria larga La volatilidad de diversos activos no se mueve junta Dr. Galindo
10
VOLATILIDAD Y CORRELACIÓN:
La volatilidad y la correlación no es observada directamente en el mercado como los precios Volatilidad implícita: el pronostico de la volatilidad que iguala el precio de mercado con el precio del modelo de una opción Volatilidad estadística: es una serie de tiempo y depende del modelo especifico Dr. Galindo
11
VOLATILIDAD Y CORRELACIÓN:
Modelos de volatilidad constante y variable: Una serie estacionaria tiene una varianza condicional constante Una volatilidad variable en el tiempo se describe por una volatilidad condicional Una distribución condicional determina la ganancia en un momento particular en el tiempo Dr. Galindo
12
VOLATILIDAD Y CORRELACIÓN:
La volatilidad condicional en el tiempo t es la raíz cuadrada de la varianza condicional en el tiempo t Los valores actuales en vez de los valores esperados del pasado se utilizan para estimar la volatilidad condicional Dr. Galindo
13
MARCO GENERAL: ARCH AR(1): (3.1) et es ruido blanco Dr. Galindo
14
= la varianza condicional de
MARCO GENERAL: ARCH = la varianza condicional de Ello se debe a que un yt-1 fijo implica que la única variación de et es Dr. Galindo
15
MARCO GENERAL (3.2) (3.3) Dr. Galindo
16
Si la varianza condicional de et es homocedastica:
MARCO GENERAL (3.4) Si la varianza condicional de et es homocedastica: Dr. Galindo
17
ARCH relaja este supuesto
MARCO GENERAL (4.1) La varianza pronosticada de yt no depende de los valores pasados de et o ARCH relaja este supuesto Dr. Galindo
18
La varianza incondicional es: (4.2)
MODELO GENERAL: ARCH La varianza incondicional es: (4.2) Dr. Galindo
19
(4.4) varianza no condicional
MODELO GENERAL: ARCH Despejando: (4.3) (4.4) varianza no condicional Dr. Galindo
20
Suponiendo a la heterocedasticidad como función de otra variable:
MODELO GENERAL: ARCH Suponiendo a la heterocedasticidad como función de otra variable: (4.5) Como xt-1 es exógena: (4.6) La varianza depende de Dr. Galindo
21
MODELO GENERAL: ARCH Engle (1992): (4.7) (4.8) Dr. Galindo
22
Normalización: var(ut) = 1
MODELO GENERAL: ARCH Normalización: var(ut) = 1 La varianza condicional de yt depende de sus valores rezagados al cuadrado Dr. Galindo
23
Para que el modelo ARCH implique el término de error:
MODELO GENERAL: ARCH Modelo simple: (4.9) Para que el modelo ARCH implique el término de error: Media condicional (4.10) Dr. Galindo
24
Varianza condicional: (4.11) Como :
MODELO GENERAL: ARCH Varianza condicional: (4.11) Como : (4.12) Dr. Galindo
25
MODELO ARCH GENERAL es una función de ut es ruido blanco (4.13)
(4.14) Dr. Galindo
26
VOLATILIDAD Y CORRELACIÓN
AR(1): (5.1) Media condicional: (5.2) Varianza condicional (yt-1 es conocida en el tiempo t): (5.3) Dr. Galindo
27
VOLATILIDAD Y CORRELACIÓN
Media incondicional: (5.4) Varianza incondicional: (5.5) Dr. Galindo
28
VOLATILIDAD Y CORRELACIÓN
Los modelos de volatilidad condicional supone distribución normal y por tanto esta determinado por la media y la varianza Correlación incondicional: (6.1) Dr. Galindo
29
VOLATILIDAD Y CORRELACIÓN
La correlación condicional permite que la distribución conjunta sea diferente en cada punto en el tiempo Dr. Galindo
30
VOLATILIDAD IMPLICITA Y CONDICIONAL
El precio se determina como un movimiento browniano: (7) Rt = tasa de interés del activo sin riesgo Zt = Proceso Wiener Proceso Wiener: dZt es independiente y normalmente distribuida con media cero y varianza dt Dr. Galindo
31
Volatilidad y correlación histórica: 1.Varianza incondicional: (8.1)
MODELOS MA Volatilidad y correlación histórica: 1.Varianza incondicional: (8.1) 2 ganancias al cuadrado 2. Correlación incondicional: (8.2) Dr. Galindo
32
Exponentially Weighted Moving Averages (EWMA):
MODELOS MA Exponentially Weighted Moving Averages (EWMA): EWMA pone más peso en información reciente y por tanto considera el orden de la dinámica de las ganancias (9.1) Dr. Galindo
33
Como 0 < < 1 n 0 con n Converge a:
MODELOS MA 0 < < 1 Un valor de mayor se le pone mas peso a las observaciones pasadas y por tanto la serie se hace mas suave Como 0 < < 1 n 0 con n Converge a: Dr. Galindo
34
MA infinito se puede escribir como: (9.2) Varianza: (9.3) Correlación:
MODELOS MA MA infinito se puede escribir como: (9.2) Varianza: (9.3) Correlación: (9.4) Dr. Galindo
35
Estimación recursiva: (9.5)
MODELOS MA Estimación recursiva: (9.5) (9.6) = determina la intensidad de la reacción de la volatilidad a los eventos de mercado Dr. Galindo
36
Con un mayor existe una mayor persistencia
MODELOS MA Con error existe una mayor volatilidad como reacción a la información de mercado = determina la persistencia de la volatilidad sin importar lo que sucede en t-1 en el mercado Con un mayor existe una mayor persistencia Un alto implica una lata persistencia y una baja reacción de mercado (los parámetros no son independientes) Dr. Galindo
37
MODELOS MA Regla de dedo del EWMA:
La volatilidad en los mercados es = 0.75 (alta volatilidad o poca persistencia) o = 0.98 (alta persistencia y no muy reactivo) Para pronósticos: Dr. Galindo
38
Valores bajos de para pronósticos de CP
MODELOS MA Valores bajos de para pronósticos de CP Valores altos de para pronósticos de LP EWMA equivale a un I – GARCH sin constante Dr. Galindo
39
La volatilidad de los pronósticos es:
MODELOS MA (10.1) La volatilidad de los pronósticos es: (10.2) Con 2 constante Dr. Galindo
40
MODELOS MA Con A ganancias al año entonces el número de días de ganancias al año (n) es A/n: (10.3) Volatilidad del día = un día de volatilidad Dr. Galindo
41
Las series de tiempo muestran volatilidad en clusters
MODELOS GARCH Las series de tiempo muestran volatilidad en clusters Heterocedasticidad condicional autoregresiva ARCH Volatilidad implica una fuerte autocorrelación en el cuadrado Dr. Galindo
42
Detección de la volatilidad en clusters
MODELOS GARCH Detección de la volatilidad en clusters (10.4) Dr. Galindo
43
Hecho: la volatilidad es mayor en un mercado de caída que en alza
MODELOS GARCH El efecto de leverage: Hecho: la volatilidad es mayor en un mercado de caída que en alza Prueba: (10.5) Si el estadístico es negativo y el BP es estadísticamente significativo asimetría Dr. Galindo
44
1.Variable dependiente (ganancias)
MODELOS GARCH Modelo GARCH incluye: 1.Variable dependiente (ganancias) 2.Primera ecuación de la media condicional et = ganancia inesperada Opción: Media autoregresiva condicional: AR(1) 3.Segunda ecuación es la varianza condicional Dr. Galindo
45
MODELOS GARCH ARCH(): (11.1) Dr. Galindo
46
MODELOS GARCH: GARCH Simétricos: (12.1) GARCH(1,1): (12.2) Dr. Galindo
47
MODELOS GARCH: Describirlo como: (12.3) Dr. Galindo
48
La varianza de L.P. se obtiene igualando en la ecuación (12.2):
MODELOS GARCH: La varianza de L.P. se obtiene igualando en la ecuación (12.2): (12.4) Dr. Galindo
49
Tipo de cambio: media y varianza no estacionaria
MODELOS GARCH: IGARCH: Con y suponiendo que : (13.1) Tipo de cambio: media y varianza no estacionaria Con w = 0 IGARCH similar a EWMA Dr. Galindo
50
MODELOS GARCH: Modelo GARCH de componentes permite una variación de largo plazo en la volatilidad: GARCH(1,1): (14.1) Dr. Galindo
51
Modelo de GARCH de componentes (cambio de parámetros)
MODELOS GARCH: Modelo de GARCH de componentes (cambio de parámetros) EGARCH (asimétrico) N-GARCH (no lineales) t- GARCH Dr. Galindo
52
Donde α y β so las estimaciones del GARCH
MODELOS GARCH: Regla de dedo de la varianza es la raíz cuadrada del tiempo para diferentes periodicidades (no sirve): Donde α y β so las estimaciones del GARCH Dr. Galindo
53
Los errores estandarizados al cuadrado no tengan autocorrelación:
MODELOS GARCH: Pruebas de GARCH: Los errores estandarizados al cuadrado no tengan autocorrelación: (15.1) Ello equivale que βρ: (15.2) Dr. Galindo
54
MODELOS GARCH: Coeficiente de autocorrelación del cuadrado de los errores estandarizados (15.3) Si no existe autocorrelación en las ganancias estandarizadas al cuadrado del GARCH se considera al modelo bien especificado Dr. Galindo
55
MODELO GARCH MULTIVARIADO:
Time-varyiny correlation: La correlación condicional implica variaciones en los parámetros Bivariate GARCH: (16.1) (16.2) Dr. Galindo
56
MODELO GARCH MULTIVARIADO:
(16.3) e1, e2 son ganancias inesperadas de las dos ecuaciones de las medias condicionales Problema: no se incluyen en la ecuación de la covarianza la que implica que no se captura la correlación asociada con la mayor volatilidad Dr. Galindo
57
MODELO GARCH MULTIVARIADO:
Coeficiente de correlación variable: (17.1) Un beta cambiante es: (17.2) Pt = correlación condicional covarianza condicional varianza condicional Dr. Galindo
58
ESTIMACIÓN ARCH-GARCH:
Especificar el modelo: (18.1) (18.2) Dr. Galindo
59
ESTIMACIÓN ARCH-GARCH:
2. Especificar la función de máxima-verosimilitud de los errores bajo el supuesto de normalidad (18.3) 3. El programa maximiza la función para obtener los parámetros y sus error- estándar Dr. Galindo
60
MODELOS GENERALES: ARCH: (18.1) (18.2)
Nota: es un estimador insesgado pero impreciso de , Ding, Granger y Engle (1993) sugieren medir la volatilidad directamente del valor absoluto de las ganancias Dr. Galindo
61
Estimar más robusto a asimetrías o no-normalidad
MODELOS GENERALES: Estimar más robusto a asimetrías o no-normalidad Efecto Taylor: Las ganancias absolutas tienen memoria más largo que las ganancias al cuadrado Dr. Galindo
62
MODELOS GENERALES: Inclusión de Dummys: (19.1) (19.2) Dr. Galindo
63
1. Eliminar “aditive dummys” excluyendo los datos
MODELOS GENERALES: Opciones: 1. Eliminar “aditive dummys” excluyendo los datos 2. Incluir multiplicative outliers que producen un impacto en la volatilidad Dr. Galindo
64
MODELOS GENERALES: ARCH(q): (20.1) (20.2) Dr. Galindo
65
Varianza incondicional: (20.4)
MODELOS GENERALES: El proceso zt es escalado por ht (la varianza condicional) que es función de los valores pasados del cuadrado de los residuales de las ganancias (20.3) Varianza incondicional: (20.4) Dr. Galindo
66
Varianza incondicional: (21.2)
MODELOS GENERALES: 2. GARCH (21.1) Varianza incondicional: (21.2) Dr. Galindo
67
El GARCH es estacionario:
MODELOS GENERALES: El GARCH es estacionario: Como entonces: (21.3) Dr. Galindo
68
3. Integrated GARCH : IGARCH Con
MODELOS GENERALES: 3. Integrated GARCH : IGARCH Con La varianza incondicional es infinita Dr. Galindo
69
4. Exponential GARCH : EGARCH (22.1)
MODELOS GENERALES: 4. Exponential GARCH : EGARCH (22.1) ht depende del signo y del tamaño de et Dr. Galindo
70
5. GJR-GARCH: (Glosten, Jagannathan Runkle, 1993):
MODELOS GENERALES: 5. GJR-GARCH: (Glosten, Jagannathan Runkle, 1993): (23.1) Dr. Galindo
71
6. Threshold GARCH : TGARCH : (24.1)
MODELOS GENERALES: 6. Threshold GARCH : TGARCH : (24.1) 7. Quadratic GARCH : QGARCH (25.1) Dr. Galindo
72
9. GARCH con cambio estructural: (26.1) 10. Components GARCH : CGARCH:
MODELOS GENERALES: 8. FIGARCH 9. GARCH con cambio estructural: (26.1) 10. Components GARCH : CGARCH: (27.1) mt = cambios ocasionales de nivel Dr. Galindo
73
MODELOS GENERALES: (27.2) Dr. Galindo
74
MODELOS GENERALES: (27.3) mt = tendencia variable en el tiempo o el componente permanente en volatilidad Dr. Galindo
75
11. Regime Switching GARCH : RS-GARCH
MODELOS GENERALES: 11. Regime Switching GARCH : RS-GARCH (28.1) Dr. Galindo
76
12. Asymmetric Dynamic covariance (Abc) (29.1)
MODELOS GENERALES: 12. Asymmetric Dynamic covariance (Abc) (29.1) (29.2) (29.3) Dr. Galindo
77
MODELOS GENERALES: (29.4) 1.VECH: P12= 0 2. BEKK 3. FARCH Dr. Galindo
78
La varianza condicional es función de: Contante
MODELOS APLICADOS: GARCH(1,1): (30.1) La varianza condicional es función de: Contante Noticias sobre la volatilidad del periodo previo La varianza pronosticado del periodo anterior: Dr. Galindo
79
MODELOS APLICADOS: 2. GARCH(ρ,q): (30.2) Dr. Galindo
80
4. Regresores en la ecuación de varianza:
MODELOS APLICADOS: 3. GARCH-M: (30.3) 4. Regresores en la ecuación de varianza: (30.4) Dr. Galindo
81
MODELOS APLICADOS: Opciones ARCH-M: None Std Dev. Variante Log(var)
2. GARCH-TARCH EGARCH PARCH Component-GARCH Dr. Galindo
82
4. Bollersler y wooldrige
MODELOS APLICADOS: 3. Error distribution 4. Bollersler y wooldrige Los residuales no son distribuidos condicionalmente como normales 5. Métodos de optimización Dr. Galindo
83
8. ARCH model procedures: residuales
MODELOS APLICADOS: 6. Variante regressors: Incluye una constante Serie positiva 7. Views: pruebas 8. ARCH model procedures: residuales Dr. Galindo
84
Con γ1>0 malas noticias incrementan la volatilidad
MODELOS APLICADOS: 8. TARCH (30.5) Con γ1>0 malas noticias incrementan la volatilidad (leverage effect) Dr. Galindo
85
El impacto es asimétrica si
MODELOS APLICADOS: 9. EGARCH: (30.6) Leverage effect: El impacto es asimétrica si Dr. Galindo
86
MODELOS APLICADOS: 10. PARCH: (30.7) Dr. Galindo
87
Variables transitorias = Impacto en el C.P. en volatilidad
MODELOS APLICADOS: 11. CGARCH (30.8) Variables transitorias = Impacto en el C.P. en volatilidad Variables permanentes = Impacto en el nivel del L.P. de la volatilidad Efecto asimétrico TARCH qt = es la volatilidad de L.P. Dr. Galindo
88
MODELOS ARCH APLICADOS
Dr. Luís Miguel Galindo
Presentaciones similares
© 2024 SlidePlayer.es Inc.
All rights reserved.