Descargar la presentación
La descarga está en progreso. Por favor, espere
1
MODELOS DE HETEROCEDASTICIDAD CONDICIONAL
Dr. Luís Miguel Galindo
2
“I was interestedin measuring the response of economic agents to uncertainty using time series data, bat recognized that if the variance was constant, the response was unidentified”. Robert. F. Engle (1995)
3
Características de las series económicas: Tienen tendencia.
INTRODUCCIÓN: Características de las series económicas: Tienen tendencia. Tienen persistencia. Muestran variabilidad en el tiempo. Existen datos extremos asociados. Dr. Galindo
4
Características de las series financieras:
INTRODUCCIÓN: Características de las series financieras: Son leptokurticas (achatadas y con colas más gordas) Las relaciones entre ganancia y riesgo no son lineales La volatilidad aparece en clusters Leverage effect: la volatilidad es mayor con una caída de la variable Dr. Galindo
5
Volatilidad histórica se estima con la varianza
INTRODUCCIÓN: Forward looking behaviour requiere pronosticar adecuadamente la volatilidad y el riesgo de un activo La volatilidad no es una serie observable en el momento t, se requieren datos históricos para estimar la volatilidad Volatilidad histórica se estima con la varianza Dr. Galindo
6
Una opción para estimar la volatilidad histórica es:
INTRODUCCIÓN: Una opción para estimar la volatilidad histórica es: Exponantiall y Weigted Moving Average Models (EWMA) que es una extensión del promedio histórico pero haciendo que las observaciones más recientes tengan un mayor peso Dr. Galindo
7
INTRODUCCIÓN: Pronósticos ARMA: Dr. Galindo
8
Características de la volatilidad de los activos financieros:
INTRODUCCIÓN: Características de la volatilidad de los activos financieros: La volatilidad viene en clusters La volatilidad cambia en el tiempo La volatilidad no crece sin cota y se mantiene dentro de ciertos rangos La volatilidad reacciona asimétricamente a un aumento o disminución del precio Dr. Galindo
9
HISTORIA: Engle R. en LSE en 1979: la respuesta de los agentes económicos al riesgo El riesgo de un activo se puede igualar a su varianza y la ganancia esperada depende de ese nivel de riesgo (ARCH-M) Respuesta: la función de maximaverosimilitud puede descomponerse en sus densidades condicionales Dr. Galindo
10
HISTORIA: ARCH AR aunque parece más un MA ya que la varianza condicional es un MA de los residuales al cuadrado GARCH ARMA EGARCH incluye el log de la varianza condicional para flexibilizar la estimación y permitir efectos asimétricos Dr. Galindo
11
La media condicional de yt: (2)
SINTESIS GENERAL: AR(1): (1) La media condicional de yt: (2) Dr. Galindo
12
La varianza condicional de yt (3)
SINTESIS GENERAL: La media condicional cambia en el tiempo (la media no condicional no cambia) La varianza condicional de yt (3) Dr. Galindo
13
Engle (1982) propone el siguiente modelo del término de error:
SINTESIS GENERAL: Engle (1982) propone el siguiente modelo del término de error: (4) Dr. Galindo
14
La media no condicional de et:
SINTESIS GENERAL: La media no condicional de et: (5) Dr. Galindo
15
La varianza no condicional de et:
SINTESIS GENERAL: La varianza no condicional de et: (6) Dr. Galindo
16
La media condicional de et:
SINTESIS GENERAL: La media condicional de et: (7) Dr. Galindo
17
La varianza condicional et:
SINTESIS GENERAL: La varianza condicional et: (8) Dr. Galindo
18
MODELO GENERAL: Modelo general: incluye una variable independiente que ayuda a predecir la volatilidad (1) Dr. Galindo
19
Con xt constante yt es ruido blanco con varianza constante
MODELO GENERAL: Con xt constante yt es ruido blanco con varianza constante Con xt variable la varianza condicional de yt+1es: La autocorrelación de xt permite explicar periodos de volatilidad en la secuencia de yt El cuadrado de la serie (después de eliminar autocorrelación) tiene patrones de autocorrelación Dr. Galindo
20
VARIANZA CONDICIONAL E INCONDICIONAL (PRONÓSTICO)
(1) Dr. Galindo
21
VARIANZA CONDICIONAL E INCONDICIONAL (PRONÓSTICO)
(1) El pronóstico un paso adelante: Media condicional de: (1.1) Dr. Galindo
22
VARIANZA CONDICIONAL E INCONDICIONAL (PRONÓSTICO)
Media no condicional: (1.2) Las mejoras en los pronósticos provienen de utilizar modelos con media condicional (Engle, 1982) Dr. Galindo
23
VARIANZA CONDICIONAL E INCONDICIONAL (PRONÓSTICO)
Varianza no condicional: (2.1) Dr. Galindo
24
VARIANZA CONDICIONAL E INCONDICIONAL (PRONÓSTICO)
Aprovechando que Entonces: (2.1) Dr. Galindo
25
VARIANZA CONDICIONAL E INCONDICIONAL (PRONÓSTICO)
(3.1) Manteniendo fijo a yt-1 la única fuente de variación es Dr. Galindo
26
VARIANZA CONDICIONAL E INCONDICIONAL (PRONÓSTICO)
ARCH: (4) (4.1) (4.2) Dr. Galindo
27
Para asegurarse que ht es positivo:
MODELO GENERAL AR(1): (5.1) (5.2) Para asegurarse que ht es positivo: Dr. Galindo
28
La varianza condicional :
MODELO GENERAL La varianza condicional : (6.1) Dr. Galindo
29
MODELO GENERAL (6.2) La varianza condicional de una variable et distribuida normalmente con media cero es igual al valor esperado del cuadrado de et Dr. Galindo
30
MODELO GENERAL la autocorrelación de la volatilidad se obtiene permitiendo que la varianza condicional del término de error dependa del calor anterior (7) Dr. Galindo
31
Modelo general: ARCH (q):
(8.1) (8.2) Dr. Galindo
32
Posible rescribirlo como: (8.4)
MODELO GENERAL Extensión: (8.3) Posible rescribirlo como: (8.4) Dr. Galindo
33
MODELO GENERAL (9.1) (9.2) (9.3) Dr. Galindo
34
Los et tienen media cero La varianza condicional esta dada por
PROPIEDADES DEL ARCH Los et tienen media cero La varianza condicional esta dada por La varianza no condicional es: Las autocovarianzas son iguales a cero Dr. Galindo
35
PROPIEDADES DEL ARCH (10.1) (10.2) Dr. Galindo
36
PROPIEDADES DEL ARCH (10.3) (10.4) Dr. Galindo
37
PROPIEDADES DEL ARCH (10.5) (10.6) Dr. Galindo
38
La varianza condicional depende de et-1
PROPIEDADES DEL ARCH La media y la varianza no condicional no se ven afectadas por la varianza condicional La varianza condicional depende de et-1 Dr. Galindo
39
2. es siempre no-negativo
MODELO GENERAL: Para que la varianza sea positiva se imponen las siguientes restricciones: 1. es siempre no-negativo el incremento de hace que la varianza de yt aumente Dr. Galindo
40
3. proceso estacionario
MODELO GENERAL: proceso estacionario para un cuarto momento finito (Ángel, 1982 Teorema 1) Dr. Galindo
41
1.La selección del número de rezagos (q)
MODELO GENERAL: 1.La selección del número de rezagos (q) Forma simple: Arbitraity lineaty declining lag leagth 2.Las restricciones negativas no se corrigen Dr. Galindo
42
y de la varianza pronosticada previa
Bollersler (1986): El GARCH permite que la varianza condicional dependa de sus propios rezagos (11) Es posible interpretar a la varianza pronosticada actual (ht) como una función ponderada del valor promedio (α0), de la volatilidad del periodo previo y de la varianza pronosticada previa Dr. Galindo
43
Bollersler (1986): El término de error es: (11.1) Dr. Galindo
44
En la práctica GARCH(1,1): (12.1) Despejando: (12.2)
Dr. Galindo
45
IGARCH: efecto persistente
La varianza actual depende de todas las perturbaciones anteriores elevadas al cuadrado IGARCH: efecto persistente Dr. Galindo
46
El modelo GARCH puede interpretarse como un ARMA: (13.1)
(13.2) Substituyendo en la varianza condicional: Dr. Galindo
47
GARCH: (13.3) Reordenando: (13.4) ARMA(1,1) Dr. Galindo
48
El GARCH (1,1) es un modelo parsimonioso: (14.1)
(14.2) (14.3) Dr. Galindo
49
GARCH: Sustituyendo en (14.1): (14.4) (14.5) Dr. Galindo
50
GARCH: Substituyendo a : (14.6) Reordenando: (14.7) Dr. Galindo
51
Substituciones recursivas: (14.8)
GARCH: Substituciones recursivas: (14.8) (14.9) Dr. Galindo
52
Con unit root variance
GARCH: (15) Con unit root variance IGARCH Dr. Galindo
53
xt =ARMA o variable exógenas αt es la varianza condicional de et
GARCH: (15.1) (15.2) xt =ARMA o variable exógenas αt es la varianza condicional de et El proceso GARCH (ecuación (15.2) es la varianza condicional de la ecuación de la media Dr. Galindo
54
no es la varianza condicional directamente (15.3)
GARCH: no es la varianza condicional directamente (15.3) (15.4) Dr. Galindo
55
PROPIEDADES DEL GARCH:
(15.5) Media de et: (15.6) Dr. Galindo
56
PROPIEDADES DEL GARCH:
Varianza de et: (15.7) Varianza no condicional (15.8) Dr. Galindo
57
PROPIEDADES DEL GARCH:
Como: (15.9) (15.10) La varianza condicional: (15.11) La varianza condicional no es constante Dr. Galindo
58
PRUEBAS ARCH - GARCH: Prueba de normalidad: (16.1) (16.2)
et es difícil que se distribuya como normal es probablemente leptokurtica de (16.1): (16.3) Dr. Galindo
59
PRUEBAS ARCH - GARCH: Es común que sea leotokurtica aunque menos que et El GARCH captura parte de este efecto Las estimaciones serán consistentes si las ecuaciones están correctamente especificadas Sin embargo se requieren las desviaciones estándar calculadas por Balleislew y Wooldridg (1991) con quasi – maximain likelihoot (QML), algunos programas aceptan una distribución t en el GARCH (Enders) Dr. Galindo
60
1.Calcula la varianza muestral de los residuales de:
PRUEBAS ARCH - GARCH: El ARCH esta modelado como una función de los errores al cuadrado rezagados (17.1) Correlograma: 1.Calcula la varianza muestral de los residuales de: (17.2) Dr. Galindo
61
2.Calcula las correlaciones muéstrales del cuadrado de los residuales:
PRUEBAS ARCH - GARCH: 2.Calcula las correlaciones muéstrales del cuadrado de los residuales: (17.3) Dr. Galindo
62
Rechazo de H0 implica rechazar que no existe ARCH o GARCH
PRUEBAS ARCH - GARCH: 3.Calcular LB: (17.4) Rechazo de H0 implica rechazar que no existe ARCH o GARCH Dr. Galindo
63
PRUEBAS ARCH - GARCH: LM para ARCH: H0: Pasos: 1.Estimar
2.Obtener las et de OLS 3.Regrasión Auxiliar: Dr. Galindo
64
PRUEBAS ARCH - GARCH: 4. 5.Versión f: f(q,T-q-1) ρ=1 q=1 GARCH(ρ,q)
Dr. Galindo
65
ARCH – M – GARCH – M: Engle, Lilien y Robins (1987) incluyeron dentro del ARCH la Posibilidad de que la varianza condicional afecta a la media La hipótesis es que los inversionistas que son adversos al riesgo requieren compensación por tener un activo riesgoso Dr. Galindo
66
Se forma mayor riesgo y se espera una mayor ganancia
ARCH – M – GARCH – M: Se forma mayor riesgo y se espera una mayor ganancia La ganancia esta, en parte, determinada por riesgo La varianza condicional se incluye en la ecuación de la media condicional Dr. Galindo
67
μt = risk premium necesario para inducir la tendencia del activo
ARCH – M – GARCH – M: ARCH-M: (18) yt = exceso de ganacias μt = risk premium necesario para inducir la tendencia del activo et = error Dr. Galindo
68
El exceso de ganancias equivale al risk premium: (18.1)
ARCH – M – GARCH – M: El exceso de ganancias equivale al risk premium: (18.1) El risk premium es una función creciente de la varianza condicional de et Dr. Galindo
69
ARCH – M – GARCH – M: El risk premium con ht definida como la varianza condicional de et se expresa como: (18.2) ARCH(q): (18.3) Dr. Galindo
70
ARCH – M – GARCH – M: GARCH – M: (18.4) (18.5) δ = risk premium
Dr. Galindo
71
Posible utilizar en (18.4): 1. 2. 3.
ARCH – M – GARCH – M: con δ>0 Un aumento del riesgo dado por un aumento de la varianza condicional conduce a una umento de la media Posible utilizar en (18.4): 1. 2. 3. Dr. Galindo
72
MODELOS DE HETEROCEDASTICIDAD CONDICIONAL
Dr. LUIS MIGUEL GALINDO
Presentaciones similares
© 2024 SlidePlayer.es Inc.
All rights reserved.