Scribd
Cargar
299 vistas3 páginas

Modelos GARCH y Hechos Estilizados

El documento describe los modelos GARCH y cómo se usan para predecir la volatilidad en las series de tiempo financieras. Explica que el modelo GARCH de Engle permite que la varianza condicional sea una función del tiempo pasado. Esto permite capturar fenómenos como la persistencia de choques y la no constancia de la volatilidad, que son características comunes en series financieras. El documento también describe cómo se especifica matemáticamente el modelo GARCH(1,1) de varianza condicional como una función del error al cuadrado pasado y

Cargado por

Byron Alexis Palazzi Salinas
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
299 vistas3 páginas

Modelos GARCH y Hechos Estilizados

El documento describe los modelos GARCH y cómo se usan para predecir la volatilidad en las series de tiempo financieras. Explica que el modelo GARCH de Engle permite que la varianza condicional sea una función del tiempo pasado. Esto permite capturar fenómenos como la persistencia de choques y la no constancia de la volatilidad, que son características comunes en series financieras. El documento también describe cómo se especifica matemáticamente el modelo GARCH(1,1) de varianza condicional como una función del error al cuadrado pasado y

Cargado por

Byron Alexis Palazzi Salinas
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd

Dr. Roger Alejandro Banegas Rivero, Ph.D.

MODELOS GARCH
1. Hechos estilizados en las series de tiempo
a. La mayoría de las series contiene una tendencia (determinísticas, con
rumbo).
b. Existen choques que presentan una alta persistencia (a la baja o al alza, ej.
Las tasas de interés).
c. La volatilidad de series financieras no es constante en el tiempo (ejemplo: la
variabilidad en el precio de las acciones).
d. Algunas series no muestran una clara tendencia (ej. Variaciones del tipo de
cambio real).
e. Algunas series muestran co-movimientos con otras series (Ej. Índice
industrial de EEUU y Reino Unido).

2. Proceso ARCH

Engle (1982) elimina la hetersoscedasticidad condicional y autoregresiva con un modelo


simultáneo de ecuación media y ecuación varianza.

Ejemplo: se parte de un modelo ARIMA (1,0,0):

(1)

Si se quiere predecir

(2)

Llevando (1) a una forma de operadores polinomiales de rezagos:

( ) (3)

Aplicando raíces en (3):

En (2) la varianza incondicional será:

( ) ( ) ̂ (4)

Sin embargo, la varianza incondicional será:

( ) ( )

1
Dr. Roger Alejandro Banegas Rivero, Ph.D.

( ) ( ) ( ) ( )

̂ ̂ ̂ ̂

̂ ( )

̂ ( ) (5)

Si ̂ ; luego entonces

La varianza incondicional es mayor que la varianza condicional del pronóstico.

Si consideramos:

Donde ( ) no es constante.

La varianza incondicional de será:

( ) ( ) ( ) ̂

Supondremos que la varianza no es constante; una estrategia es proyectar la varianza


condicionada como un proceso ARCH(p):

Heteroscedasticidad condicional autorgresiva

(6)

Donde es un proceso de ruido blanco

Si (Prueba ARCH); la varianza es constante en ; caso contrario


existe un efecto ARCH (p).

Se puede proyectar la varianza condicional en +1 como:

( )

Un efecto ARCH puede derivarse de: a) Modelo de regresión estándar; b) un proceso


autoregresivo; c) un modelo ARIMA.

Sin embargo, la especificación de 6 es inconveniente: ¿Por qué?

y la varianza condicional deben ser estimados simultáneamente:

2
Dr. Roger Alejandro Banegas Rivero, Ph.D.

Engle (1982) ( ) √ (7)

( ) ⋀

Luego elevando (7) al cuadrado:

( )

Si asumimos que

( ) (8)

Se tiene la varianza incondicional de :

(9)

La varianza condicional de para un ARCH (1) será

( ) (10)

Condiciones para la varianza condicional:

(Varianza no negativa y estacionaria)

También podría gustarte