Modelando la Volatilidad

ARCH y GARCH

José J. Cerda-Hernández

Department of Statistics

August 24, 2020

José Cerda H. (Department of Statistics) Series de Tiempo August 24, 2020 1 / 35

 Referencias

1. Capı́tulo 3: Applied econometric time series, Walter Enders. John

Wiley & Sons, fourth edition (2014).
2. Capı́tulo 3: Analysis of Financial Time Series, Ruey S. Tsay. Wiley
(2002).
3. Capı́tulo 21: Time Series Analysis, James D. Hamilton. Princeton
University Press (1994).

José Cerda H. (Department of Statistics) Series de Tiempo August 24, 2020 2 / 35

 Modelando volatilidad
Definición Básica: Desviación estándar anualizada del cambio en el precio
o valor de un activo financiero. Sin embargo la volatilidad no es una
variable observable..
La volatilidad es una medida de la frecuencia e intensidad de los cambios
del precio de un activo o una serie. Se usa con frecuencia para cuantificar
el riesgo.
Muchas series de tiempo económicas no tienen media constante, y
presentan fases de relativa tranquilidad seguido de periodos de alta
volatilidad.

José Cerda H. (Department of Statistics) Series de Tiempo August 24, 2020 3 / 35

 Porqué medir volatilididad?
Volatilidad es un factor importante en el trading de derivados financieros,
como opciones.
Asset Pricing: modelos beta condicionales, CAPM condicional.
Volatilidad es importante en la gestión de riesgo de carteras. La volatilidad
da una forma simple de calcular el Valor en riesgo (VaR ) de posición
financiera.
VaR1 = Vt × k(α) × σ̂

Riesgo sistémico

José Cerda H. (Department of Statistics) Series de Tiempo August 24, 2020 4 / 35

José Cerda H. (Department of Statistics) Series de Tiempo August 24, 2020 5 / 35
José Cerda H. (Department of Statistics) Series de Tiempo August 24, 2020 6 / 35
 Cálculo de la volatilidad a partir de series históricas de
precios reales.
1 Precio de un activo en T + 1 periodos
{Pt : y = 0, 1, ..., T }
2 Retornos del activo por perı́odos de tiempo T
rt = ln(Pt /Pt−1 ), t = 1, ..., T
3 Se asume que {rt } es invariante en covarianza con
» »
σ= Var (rt ) = E(rt − E(rt ))2
y con una muestra se estima por
Ã
T
1 �
σ̂ = (rt − r )2
T − 1 t=1
1 �T
donde r = T t=1 rt
José Cerda H. (Department of Statistics) Series de Tiempo August 24, 2020 7 / 35
 Valores anualizados
 √

 √252σ̂ , precios diarios para 252 dias/año
ˆ
vol = 52σ̂ , precios semanales
 √

12σ̂ , precios mensuales

José Cerda H. (Department of Statistics) Series de Tiempo August 24, 2020 8 / 35

 Procesos ARCH: Introducción

Un modelo, introducidos por Engle1 , para estudiar volatilidad es el modelo

Heterocedasticidad Condicional Auto-Regressiva (ARCH)

Modelos de Heterocedasticidad Condicional Auto-Regressiva (ARCH):

En modelos econometricos convencionales la varianza del término del error
es asumida constante (homocedástico).
Engle propuso una clase de modelos donde la varianza depende del pasado
y argumentó su utilidad en economı́a presentando un ejemplo empı́rico.

1
ENGLE, R. F. Autoregressive conditional heteroscedasticity with estimates of the
variance of united kingdom inflation. Econometrica: Journal of the Econometric Society,
JSTOR, p. 987–1007, 1982.
José Cerda H. (Department of Statistics) Series de Tiempo August 24, 2020 9 / 35
José Cerda H. (Department of Statistics) Series de Tiempo August 24, 2020 10 / 35
 Ejemplo (Prediciendo el precio del petroleo): Sea la serie mensual del
precio medio del barril de petroleo entre 01/1978 y 12/2008. Los logs del
precio permiten evaluar su variación relativa y atenuar la variabilidad de la
serie . Aparentemente, se trata de una serie no estacionaria, con picos de
alta y baja. Aunque la primeira diferença del log del precio del barril
presente, aparentemente, media constante, es necesario verificar si su
variabilidad es la misma a lo largo del tiempo. Ese es uno de los objetivos
de los modelos ARCH (Autoregressive conditional heteroscedasticity)

José Cerda H. (Department of Statistics) Series de Tiempo August 24, 2020 11 / 35

José Cerda H. (Department of Statistics) Series de Tiempo August 24, 2020 12 / 35
 Procesos ARCH: Introducción
Considere un modelo AR(1) {yt } tal que

yt = a0 + a1 yt−1 + εt , εt ∼ N(0, σ 2 )

Observemos que el pronóstico (predicción) condicional es muy superior al

pronóstico (predicción) no condicional. La media condicional de yt+1 es

E(yt+1 |yt ) = a0 + a1 yt .

Si usamos la media condicional como pronostico de yt+1 , la varianza del

error de pronosticado es

E((yt+1 − a0 − a1 yt )2 |yt ) = E(ε2t+1 |yt ) = σ 2

Si embargo, si se usa el pronóstico no condicional tenemos que

a0
E yt+1 = 1−a 1
, entonces la varianza del error de pronosticado es
ÇÅ ã2 å
a0 σ2
E yt+1 − |yt =
1 − a1 1 − a12
José Cerda H. (Department of Statistics) Series de Tiempo August 24, 2020 13 / 35
 Por lo tanto las varianzas condicionales son preferibles. Desde que
1
1−a2
> 1, entonces
1

ÇÅ ã2 å
a0
E yt+1 − |yt > E((yt+1 − a0 − a1 yt )2 |yt )
1 − a1

José Cerda H. (Department of Statistics) Series de Tiempo August 24, 2020 14 / 35

 Si la varianza de {εt } no es constante se puede estimar cualquier tendencia
para movimientos sostenibles en la varianza usando modelos ARMA.
Por ejemplo, sea {ε̂t } los residuos estimados del modelo

yt = a0 + a1 yt−1 + εt

La varianza condicional es

Var (yt+1 |yt ) = E(ε2t+1 |yt )

Una forma simple de modelar la varianza condicional es usando un modelo

AR(q) de los residuos estimados al cuadrado

ε̂2t = ω + α1 ε̂2t−1 + α2 ε̂2t−2 + · · · + αq ε̂2t−q + νt

donde νt es un ruido blanco.

José Cerda H. (Department of Statistics) Series de Tiempo August 24, 2020 15 / 35

 Var (yt+1 |yt ) = ω + α1 ε̂2t−1 + α2 ε̂2t−2 + · · · + αq ε̂2t−q + νt
donde νt es un ruido blanco.
Si α1 , ..., αq son todos igual a cero, estariamos en el caso clásico de
varianza constante. Caso contrario la varianza condicional evoluciona
siguiendo un modelo autoregresivo. Asi, la predicción de la varianza
condicional en el tiempo t + 1 será

E(ε̂2t+1 |yt ) = ω + α1 ε̂2t + α2 ε̂2t−1 + · · · + αq ε̂2t−q+1

José Cerda H. (Department of Statistics) Series de Tiempo August 24, 2020 16 / 35

 Procesos ARCH: El modelo univariado
De forma similar si la varianza de {εt } no es constante, Engle [1982]
propuso que el siguiente modelo para modelar series de tiempo en donde la
varianza condicionada no es constante. El autor propone un sistema
compuesto por tres ecuaciones,

yt = E(yt |Ψt−1 ) + σε εt ...(1)

� �� � ����
predecible aleatorio

donde Ψt−1 es el conjunto de información disponible y relevante hasta el

momento t − 1. εt se supone que teóricamente es independiente e
idénticamente distribuido, es decir, εt ∼ N(0, 1) y σε es una constante
asociada a la volatilidad de los retornos.
Si el mercado del activo es eficiente, entonces los precios del activo no
puede ser predecibles, y la parte predecible serı́a igual a cero. En caso
contrario, cuando el mercado no es eficiente entonces se puede encontrar
una estructura de correlación temporal para hacer predicciones.
José Cerda H. (Department of Statistics) Series de Tiempo August 24, 2020 17 / 35
 Procesos ARCH: Modelo univariado

Denotemos por ht la volatilidad. De esta manera tenemos que la varianza

condicional de εt cambia en el tiempo de acuerdo con ht . Entonces
�
εt = vt ht

La propuesta de Engle para ht es,

ht = ω + α1 ε2t−1 + α2 ε2t−2 + · · · + αq ε2t−q

José Cerda H. (Department of Statistics) Series de Tiempo August 24, 2020 18 / 35

 Procesos ARCH(q)

Las tres ecuaciones con las que Engle (1982) define un modelo ARCH son:

yt = E(yt |Ψt−1 ) + tε donde εt |Ψt−1 ∼ N(0, ht ) ...(1)

� �� � ����
predecible aleatorio
�
εt = vt ht vt ∼ N(0, 1) ...(2)
ht = ω + α1 ε2t−1 + α2 ε2t−2 + · · · + αq ε2t−q ...(3)
Adicionando ε2t − ht = ηt a ambos lados de la ecuación (3) tenemos

ε2t = ω + α1 ε2t−1 + α2 ε2t−2 + · · · + αq ε2t−q + ηt

donde E(ηt |Ψt ) = 0 y Var (ηt |Ψt ) = Var (ε2t ) = 2ht2

José Cerda H. (Department of Statistics) Series de Tiempo August 24, 2020 19 / 35

 Procesos ARCH(1)

Para caracterizar este tipo de modelo y evidenciar como éste replica

algunos de los hechos estilizados de las series de tiempo financieras
mencionados, se toma como ejemplo un q igual a uno, por lo que a
continuación se expresa el modelo ARCH(1). Adicionalmente, el
componente predecible en la ecuación (1) se asume cero por simplicidad.
Ası́, el modelo completo queda de la siguiente forma:

yt = εt donde εt |Ψt−1 ∼ N(0, ht )

�
εt = vt ht
ht = w + α1 ε2t−1

José Cerda H. (Department of Statistics) Series de Tiempo August 24, 2020 20 / 35

 Ejemplo: A partir de la primera diferencia para el log del precio mensual
del barril de petroleo, se ajustou el seguiente modelo para obtener los
desvios en relación a la media {εt }

Δlnyt = µ + εt ⇒ Δlnyt = 0.003 + ε̂t

Entonces εt es la variación proporcional en el precio del barril de petroleo

en relación a la media y ε2t puede ser utilizado como una medida de
volatilidade la serie.
Como ε2t es una cantidad al cuadrado, su valor será alto en periodos de
grandes variaciones en los precios relativos del petroleo y será bajo en
periodos de bajas variaciones.
Para saber si la volatilidad ε2t varia a lo largo del tiempo, podemos verificar
sua relación con sus valores defasados a través de un AR(1), o ARCH(1):

ε2t = w + α1 ε2t−1 + vt ⇒ ε2t = 0.0008 + 0.347ε2t−1 + vt

José Cerda H. (Department of Statistics) Series de Tiempo August 24, 2020 21 / 35

 Los p-valores salieron 0.031 y 0.027 para los coeficientes a0 y a1 , entonces
el rezago autoregresivo salió significativo, entonces hay indicios que de
aglomeración de volatilidad, es decir, periodos con alta y baja volatilidad.

José Cerda H. (Department of Statistics) Series de Tiempo August 24, 2020 22 / 35

 Procesos GARCH(p,q)

Bollerslev [1986] propuso una clase de modelos más general denominado

GARCH(p,q), en donde además de los rezagos de las innovaciones al
cuadrado que se tenı́an en el modelo ARCH(q), ahora se incluyen rezagos
de las varianzas condicionadas. En particular, en el modelo se tendrı́an q
parámetros asociados al cuadrado de los errores retrasados q perı́odos y p
estimadores asociados a las varianzas condicionadas retrasadas p perı́odos.
Ası́, similar a la sección anterior, simplemente el modelo GARCH añade
una nueva ecuación para estimar la varianza condicionada ht de la
siguiente forma:

ht = w + α1 ε2t−1 + α2 ε2t−2 + · · · + αq ε2t−q + β1 ht−1 + β2 ht−2 + · · · + βp ht−p

José Cerda H. (Department of Statistics) Series de Tiempo August 24, 2020 23 / 35

 Procesos GARCH(1,1)

Para caracterizar este tipo de modelo y evidenciar como éste replica

algunos de los hechos estilizados de las series de tiempo financieras
mencionados, se toma como ejemplo un q igual a uno, por lo que a
continuación se expresa el modelo ARCH(1). Adicionalmente, el
componente predecible en la ecuación (1) se asume cero por simplicidad.
Ası́, el modelo completo queda de la siguiente forma:

yt = εt donde εt |Ψt−1 ∼ N(0, ht )

�
εt = vt ht
ht = w + α1 ε2t−1 + β1 ht−1

José Cerda H. (Department of Statistics) Series de Tiempo August 24, 2020 24 / 35

 Estimación por máxima verosimilitud: GARCH

La función de máxima verosimilitud para un modelo GARCH es

L(µ, ω, α) = p(y1 , ..., yn |µ, ω, α1 , ..., αq , β1 , ..., βp )

T
� 2
1 ε
− t
= √ e 2ht
t=1
2πht
� �p
donde εt = yt − µ y ht = w + qi=1 αi ε2t−i + j=1 βj ht−j , restringido a
� �
αi ≥ 0, βj ≥ 0 y 0 < qi=1 αi + pj=1 βj < 1

José Cerda H. (Department of Statistics) Series de Tiempo August 24, 2020 25 / 35

 Observaciones

1 El más robusto y confiable es el GARCH(1,1). Los modelos ARCH

usualmente resultan en un gran número de parámetros debido a los
rezagos.
2 Las colas se reproducen mejor con errores T-Student. Pero
distribuciones no normales no parecen mejorar las predicciones de
volatilidad.
3 La desventaja de ARCH(p) es que usualmente necesitamos que p sea
grande. Podemos simplificar el modelo con un GARCH de bajo orden.
4 El GARCH(1,1) corresponde a un ARCH(∞) con pesos decrecientes
geométricamente.
5 Para determinar p y q en ARCH(p) y GARCH(p, q) también podemos
usar AIC y BIC. Tı́picamente obtenemos valores altos de p en
modelos ARCH, y p, q ≤ 2 en GARCH.

José Cerda H. (Department of Statistics) Series de Tiempo August 24, 2020 26 / 35

 Predicciones de un GARCH(1,1)

Sea el modelo GARCH(1,1)

yt = εt donde εt |Ψt−1 ∼ N(0, ht )

�
εt = vt ht
ht = w + αε2t−1 + βht−1
La predicción en t de la variancia condicional ht+s es (ht+1 es conocido en
t)
Et (ht+s ) = σ 2 + (α + β)s−1 (ht+1 − σ 2 )
w
donde σ 2 = .
1−α−β

José Cerda H. (Department of Statistics) Series de Tiempo August 24, 2020 27 / 35

 Criterio de selección de un GARCH
1 Se estima la serie {yt } usando el mejor ajuste de un modelo ARMA
(o de regresión) y obtener el cuadrado de los residuos {ε̂2t }.
Calculamos la varianza de la muestra
T
1 �
ε̂2 = ε̂2
T t=1 t
2 Calcular y hacer un plot de las autocorrelaciones de los cuadrados de
los residuos
T
�
(ε̂2t − ε̂2 )(ε̂2t−i − ε̂2 )
t=i+1
ρi = T
�
(ε̂2t − ε̂2 )2
t=1
3 Valores individuales de ρi que son significativamente diferentes de
cero indican efectos GARCH. La estadistica de Ljung-Box puede
usarse para testar grupos de coeficientes significativos.
José Cerda H. (Department of Statistics) Series de Tiempo August 24, 2020 28 / 35
 Criterio de selección de un GARCH

4 Usamos OLS para estimar el modelo ARMA apropiado para los

residuos al cuadrado.
5 Se pueden usar los criterios de información de Akaike (AIC) o el
criterio de información de Bayes(BIC).

José Cerda H. (Department of Statistics) Series de Tiempo August 24, 2020 29 / 35

 Ejemplo:

Consideremos la serie PBI del sector comercio desde enero del 2003 hasta
diciembre del 2018.

Eliminamos los 5 primeros años de los datos, obteniendo

José Cerda H. (Department of Statistics) Series de Tiempo August 24, 2020 30 / 35

 Eliminando los 5 primeros años de la data vemos un mejor
comportamiento de los correlogramas.

José Cerda H. (Department of Statistics) Series de Tiempo August 24, 2020 31 / 35

 Anteriormente vimos que el modelo que mejor se ajustaba a los datos es
SARIMA(1, 1, 0)(0, 1, 0)12

Es decir,
(1 − φ1 L)(1 − L)(1 − L12 )yt = εt
donde yt es la serie del PBI comercio.

José Cerda H. (Department of Statistics) Series de Tiempo August 24, 2020 32 / 35

 Ejemplo: Analizamos los residuos del ajuste anterior para ver si hay un
efecto ARCH o GARCH.

Usamos la libreria de R

José Cerda H. (Department of Statistics) Series de Tiempo August 24, 2020 33 / 35

José Cerda H. (Department of Statistics) Series de Tiempo August 24, 2020 34 / 35
José Cerda H. (Department of Statistics) Series de Tiempo August 24, 2020 35 / 35