Modelo autorregresivo con heterocedasticidad
condicional
Ir a la navegaciónIr a la búsqueda
La heterocedasticidad condicional auto-regresiva (en inglés: Autoregressive
conditional heteroscedasticity; ARCH) es la condición de que hay uno o más
puntos de datos en una serie para los cuales la varianza del término de error
actual o innovación es una función de los tamaños reales de los términos de error
de los períodos de tiempo anteriores: se relaciona con los cuadrados de las
innovaciones anteriores. En la econometría, los modelos ARCH se utilizan para
caracterizar y modelar series temporales.1 Una variedad de otras siglas se aplican
a las estructuras particulares que tienen una base similar.
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. A veces se considera que los modelos de tipo ARCH pertenecen a
la familia de modelos de volatilidad estocástica , aunque esto es estrictamente
incorrecto ya que en el tiempo t la volatilidad es completamente predeterminada
(determinista) dados los valores anteriores.2
Índice
1Especificación del modelo ARCH(q)
2GARCH
o 2.1GARCH (p, q) especificación del modelo
3Referencias
Especificación del modelo ARCH(q)[editar]
Para modelar una serie de tiempo usando un proceso ARCH, sea los términos de
error (residuos de retorno, con respecto a un proceso medio), es decir, los
términos de serie. Estas se dividen en una pieza estocástica z y una desviación
estándar dependiente del tiempo caracterizando el tamaño típico de los términos
para los que
La variable aleatoria es un fuerte proceso de ruido blanco. Las series son
modeladas por:
donde y .
Un modelo ARCH (q) se puede estimar usando mínimos cuadrados
ordinarios. Una metodología para probar la longitud de retraso de los
errores de ARCH utilizando la prueba del multiplicador de Lagrange fue
propuesta por Engle (1982). Este procedimiento es el siguiente:
1. Estimar el mejor modelo autoregresivo AR(q) .
2. Obtenga los cuadrados del error y los regresa en valores
constantes y rezagados q:
donde q es la longitud de los rezagos ARCH.
3. La hipótesis nula es que, en ausencia de componentes ARCH,
tenemos para todos . La hipótesis alternativa es que, en presencia
de componentes de ARCH, al menos uno de los estimados los
coeficientes deben ser significativos. En una muestra de residuales
bajo la hipótesis nula de ausencia de errores ARCH, la estadística
de prueba T'R² sigue distribución con q grados de libertad,
donde es el número de ecuaciones en el modelo que se ajusta a
los residuos frente a los retrasos (es decir, ) Si T'R² es mayor que el
valor de la tabla Chi-cuadrado, rechazamos la hipótesis nula y
concluimos que hay un efecto ARCH en el modelo ARMA.
Si T'R² es más pequeño que el valor de la tabla Chi-cuadrado, no
rechazamos la hipótesis nula.
GARCH[editar]
Si se supone un modelo de modelo de media móvil autorregresivo (ARMA)
para la varianza del error, el modelo es un modelo de heterocedasticidad
condicional autoregresiva generalizada (GARCH). 3
En ese caso, el modelo GARCH (p, q) ( (donde p es el orden de los
términos GARCH y q es el orden de los términos ARCH )siguiendo la
notación del artículo original, está dado por:
En general, cuando se prueba la heterocedasticidad en modelos
econométricos, la mejor prueba es la Prueba de White. Sin embargo,
cuando se trata de datos de series de tiempo, esto significa probar los
errores ARCH y GARCH.
El promedio móvil ponderado exponencialmente (EWMA) es un modelo
alternativo en una clase separada de modelos de suavizado exponencial.
Como una alternativa al modelado GARCH, tiene algunas propiedades
atractivas, tales como un mayor peso sobre las observaciones más
recientes, pero también inconvenientes tales como un factor de
desintegración arbitrario que introduce la subjetividad en la estimación.
GARCH (p, q) especificación del modelo[editar]
La longitud de retardo p de un proceso GARCH ( p , q ) se establece en
tres pasos:
Estimar el modelo AR ( q ) que mejor se ajusta:
1. .
2. Calcule y trace las autocorrelaciones de por
Referencias[editar]
1. ↑ Engle, Robert F. (1982). «Autoregressive Conditional Heteroscedasticity with
Estimates of the Variance of United Kingdom Inflation». Econometrica 50 (4): 987-
1007. JSTOR 1912773.
2. ↑ Brooks, Chris (2014). Introductory Econometrics for Finance (3rd edición).
Cambridge: Cambridge University Press. p. 461. ISBN 9781107661455.
3. ↑ Bollerslev, Tim (1986). «Generalized Autoregressive Conditional
Heteroskedasticity». Journal of Econometrics 31 (3): 307-327. doi:10.1016/0304-
4076(86)90063-1.
