Tema:
Especificación y Estimación de los MODELOS
ARCH y GARCH
Curso :Econometría para Finanzas.
Profesor :Dr. Víctor Pérez Suárez.
Alumno : Sergio Antonio Requena Bautista.
1
RAPPLE RAPPLE2
.08 .012
.010
.04
.008
.00
.006
-.04
.004
-.08 .002
.000
-.12 II III IV I II III IV I II III IV I II III IV I II III IV I II
II III IV I II III IV I II III IV I II III IV I II III IV I II
2014 2015 2016 2017 2018 2019
2014 2015 2016 2017 2018 2019
RAPPLE
40
35
Bolsa de Valores de New
30
York (NYSE) Rendimiento
25
de APPLE
Density
20
15
10
0
-.12 -.10 -.08 -.06 -.04 -.02 .00 .02 .04 .06 .08
Histogram Kernel
Curso : Econometría para Finanzas Alumno : Sergio Antonio 2Requena Bautista
Especificación del Modelo ARCH (m)
Robert Engle
Curso : Econometría para Finanzas Alumno : Sergio Antonio 3
Requena Bautista
Especificación del modelo ARCH (m)
1) Estimar la media condicional de la
serie de los rendimientos.
2) Identificar el Efecto ARCH en el
modelo.
3) Identificar el orden del modelo ARCH.
Curso : Econometría para Finanzas Alumno : Sergio Antonio 4Requena Bautista
1) Estimar la media condicional de la serie de rendimientos
Modelo para RAPPLE
Criterio AR(1) AR(2) AR(3) AR(4) AR(5) AR(6) AR(7) AR(8)
Akaike info criterion -5.503277 -5.504938 -5.503050 -5.502933 -5.502189 -5.501569 -5.509141* -5.502015
Schwarz criterion -5.495099 -5.496755 -5.494862 -5.494740 -5.493990 -5.493365 -5.500931* -5.493801
Hannan-Quinn criterion -5.500203 -5.501862 -5.499972 -5.499853 -5.499107 -5.498485 -5.506054* -5.498927
Tres criterios indican que es un modelo AR (7)
Curso : Econometría para Finanzas Alumno : Sergio Antonio 5Requena Bautista
1) Estimar la media condicional de la serie de rendimientos
Dependent Variable: RAPPLE
Variable Coefficien... Std. Error t-Statistic Prob.
C 0.000755 0.000478 1.581518 0.1140
AR(7) 0.088654 0.028401 3.121527 0.0018
R-squared 0.007747 Mean dependent var 0.000763
Adjusted R-squared 0.006952 S.D. dependent var 0.015440
S.E. of regression 0.015386 Akaike info criterion -5.509141
Sum squared resid 0.295431 Schwarz criterion -5.500931
Log likelihood 3445.213 Hannan-Quinn criter. -5.506054
F-statistic 9.743930 Durbin-Watson stat 1.972282
Prob(F-statistic) 0.001840
Inverted AR Roots .71 .44+.55... .44-.55i -.16-.69i
-.16+.69i -.64+.31... -.64-.31i
Curso : Econometría para Finanzas Alumno : Sergio Antonio 6Requena Bautista
2) Identificar el efecto ARCH en el modelo
Heteroskedasticity Test: ARCH
F-statistic 8.206308 Prob. F(8,1233) 0.0000
Obs*R-squared 62.78662 Prob. Chi-Square(8) 0.0000
Curso : Econometría para Finanzas Alumno : Sergio Antonio 7Requena Bautista
3) Identificar el Orden del modelo ARCH
Correlograma sobre los residuales al cuadrado.
Orden del ARCH
Curso : Econometría para Finanzas Alumno : Sergio Antonio 8Requena Bautista
3) Identificar el Orden del modelo ARCH
Curso : Econometría para Finanzas Alumno : Sergio Antonio 9Requena Bautista
3) Identificar el Orden del modelo ARCH
Variable Coefficien... Std. Error z-Statistic Prob.
C 0.001297 0.000389 3.335885 0.0009
AR(7) 0.062122 0.025413 2.444467 0.0145
Variance Equation
C 0.000120 6.48E-06 18.46153 0.0000
RESID(-1)^2 0.157522 0.033522 4.699057 0.0000
RESID(-2)^2 0.051604 0.023921 2.157255 0.0310
RESID(-3)^2 0.137837 0.024713 5.577425 0.0000
RESID(-4)^2 0.065214 0.025630 2.544407 0.0109
RESID(-5)^2 0.116274 0.019351 6.008783 0.0000
Modelo ARCH(5):
Los coeficientes son positivos.
El coeficiente de la constante es positivo.
Curso : Econometría para Finanzas Alumno : Sergio Antonio 10
Requena Bautista
El proceso ARCH debe ser estacionario esto se
garantiza cuando:
0 ≤ ∑ αi ≤ 1
RESID(-1)^2 0.157522
RESID(-2)^2 0.051604
RESID(-3)^2 0.137837
RESID(-4)^2 0.065214
RESID(-5)^2 0.116274
Suma 0.528451
El modelo ARCH es un proceso estacionario es decir
la varianza no crece indefinidamente.
Curso : Econometría para Finanzas Alumno : Sergio Antonio 11
Requena Bautista
Varianza Observada y Estimada
.012
.010
.008
.006
.004
.002
.000
II III IV I II III IV I II III IV I II III IV I II III IV I II
2014 2015 2016 2017 2018 2019
RAPPLE2 VARIANZAESTIMADA
Curso : Econometría para Finanzas Alumno : Sergio Antonio 12
Requena Bautista
Especificación del Modelo GARCH (m,p)
Curso : Econometría para Finanzas Alumno : Sergio Antonio 13
Requena Bautista
Especificación del modelo GARCH (m,p)
1) Estimar la media condicional de la serie
de los rendimientos.
2) Identificar el efecto ARCH.
3) Identificar el orden del modelo GARCH
(m,p).
Curso : Econometría para Finanzas Alumno : Sergio Antonio 14
Requena Bautista
1) Estimar la media condicional de la media de rendimienos
Curso : Econometría para Finanzas Alumno : Sergio Antonio 15
Requena Bautista
2) Identificar el efecto ARCH
Heteroskedasticity Test: ARCH
F-statistic 0.034937 Prob. F(1,1253) 0.8518
Obs*R-squared 0.034992 Prob. Chi-Square(1) 0.8516
Criterio GARH(1,1) GARH(2,1) GARH(1,2) GARH(2,2) GARH(1,3) GARH(2,3) GARH(3,3)
Akaike info criterion -5.603095 -5.603095 -5.604194 -5.60313 -5.605184* -5.604235 -5.603817
Schwarz criterion -5.58265* -5.58265 -5.579661 -5.574508 -5.576561 -5.571524 -5.567016
Hannan-Quinn criterion -5.595411* -5.595411 -5.594974 -5.592373 -5.594426 -5.591941 -5.589986
(Bollerslev, 1986) demostró que un modelo GARCH(1,1), tiene las
propiedades estadísticas satisfactorias para capturar la volatilidad en los
datos.
Curso : Econometría para Finanzas Alumno : Sergio Antonio 16
Requena Bautista
3) Identificar el orden del modelo GARCH (m,p)
Modelo para RAPPLE
Dependent Variable: RAPPLE
Variable Coefficien... Std. Error z-Statistic Prob.
C 0.001500 0.000381 3.940917 0.0001
AR(1) 0.007540 0.031942 0.236056 0.8134
Variance Equation
C 1.91E-05 3.36E-06 5.692213 0.0000
RESID(-1)^2 0.112736 0.021277 5.298532 0.0000
GARCH(-1) 0.810427 0.030087 26.93611 0.0000
ht = 0.0000191031 + 0.1127367Ԑ2 t-1 + 0.810427 ht-1
Modelo GARCH (1,1)
Curso : Econometría para Finanzas Alumno : Sergio Antonio 17
Requena Bautista
Varianza Observada y Estimada
.012
.010 Varianzas observadas y
estimada
.008
.006
.004
.002
.000
II III IV I II III IV I II III IV I II III IV I II III IV I II
2014 2015 2016 2017 2018 2019
RAPPLE2 VARGARCHESTIMADA
Curso : Econometría para Finanzas Alumno : Sergio Antonio 18
Requena Bautista
Restricciones en el modelo GARCH
α0 > 0
αi ≥ 0 Los modelos GARCH requiere
βj ≥ 0 que la varianza condicional
sea no negativa.
Ʃ( αi + βj) < 1 La varianza no crece al
infinito describe un proceso
estacionario.
Curso : Econometría para Finanzas Alumno : Sergio Antonio 19
Requena Bautista
C 1.9E-05 3.36E-06 5.692213 0.0000
RESID(-1)^2 0.112736 0.021277 5.298532 0.0000
GARCH(-1) 0.810427 0.030087 26.93611 0.0000
ht = 0.0000191031 + 0.1127367Ԑ2 t-1 + 0.810427 ht-1
α0= 0.000019
α1= 0.112736 El shock de las noticias
β1= 0.810427 Volatilidad de un periodo anterior
α1 + β1 = 0.923163
El modelo GARCH es estacionario .
Curso : Econometría para Finanzas Alumno : Sergio Antonio 20
Requena Bautista
Prueba de Raíz Unitaria ADF
La prueba refuerza lo dicho anteriormente pues la prueba
confirma que la serie es estacionaria o no tiene una raíz
unitaria por lo que se encuentra dentro del círculo unitario.
Inverse Roots of AR Characteristic Polynomial
1.5
Null Hypothesis: RAPPLE has a unit root
Exogenous: Constant 1.0
Lag Length: 0 (Automatic - based on SIC, maxlag=22)
0.5
t-Statistic Prob.*
0.0
Augmented Dickey-Fuller test statistic -35.02431 0.0000
Test critical values: 1% level -3.435344 -0.5
5% level -2.863633
-1.0
10% level -2.567934
-1.5
*MacKinnon (1996) one-sided p-values. -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Curso : Econometría para Finanzas Alumno : Sergio Antonio 21
Requena Bautista
RSP500 VARIESTSP500
.0025
.06
.04 .0020
.02
.0015
.00
.0010
-.02
.0005
-.04
.0000
-.06
II III IV I II III IV I II III IV I II III IV I II III IV I II
II III IV I II III IV I II III IV I II III IV I II III IV I II
2014 2015 2016 2017 2018 2019
2014 2015 2016 2017 2018 2019
RSP500
90
80
70 Bolsa de Valores SP500
60
50
Density
40
30
20
10
0
-.05 -.04 -.03 -.02 -.01 .00 .01 .02 .03 .04 .05 .06
Histogram Kernel
Curso : Econometría para Finanzas Alumno : Sergio Antonio 22
Requena Bautista
Especificación del Modelo ARCH (m)
Robert Engle
Curso : Econometría para Finanzas Alumno : Sergio Antonio 23
Requena Bautista
Especificación del modelo ARCH (m)
1) Estimar la media condicional de la
serie de los rendimientos.
2) Identificar el Efecto ARCH en el
modelo.
3) Identificar el orden del modelo ARCH.
Curso : Econometría para Finanzas Alumno : Sergio Antonio 24
Requena Bautista
1) Estimar la media condicional de la serie de rendimientos
Modelo para RAPPLE
Criterio AR(1) AR(2) AR(3) AR(4) AR(5) AR(6)
Akaike info criterion -6.715682 -6.715257 -6.713887 -6.714358 -6.713552 -6.712077
Schwarz criterion -6.707457 -6.702919 -6.697436 -6.693795 -6.688876 -6.683288
Hannan-Quinn criterion -6.71259 -6.710618 -6.707702 -6.706627 -6.704274 -6.701253
Ningún criterio indica que hay un modelo AR (n)
Curso : Econometría para Finanzas Alumno : Sergio Antonio 25
Requena Bautista
1) Estimar la media condicional de la serie de rendimientos
Dependent Variable: RSP500
Method: Least Squares
Date: 06/14/19 Time: 03:22
Sample (adjusted): 5/23/2014 5/21/2019
Included observations: 1257 after adjustments
Variable Coefficien... Std. Error t-Statistic Prob.
C 0.000365 0.000237 1.542803 0.1231
R-squared 0.000000 Mean dependent var 0.000365
Adjusted R-squared 0.000000 S.D. dependent var 0.008388
S.E. of regression 0.008388 Akaike info criterion -6.723335
Sum squared resid 0.088361 Schwarz criterion -6.719248
Log likelihood 4226.616 Hannan-Quinn criter. -6.721799
Durbin-Watson stat 2.038575
Curso : Econometría para Finanzas Alumno : Sergio Antonio 26
Requena Bautista
2) Identificar el efecto ARCH en el modelo
Heteroskedasticity Test: ARCH
F-statistic 27.43949 Prob. F(8,1240) 0.0000
Obs*R-squared 187.8537 Prob. Chi-Square(8) 0.0000
Curso : Econometría para Finanzas Alumno : Sergio Antonio 27
Requena Bautista
3) Identificar el Orden del modelo ARCH
Correlograma sobre los residuales al cuadrado.
Orden del ARCH
Curso : Econometría para Finanzas Alumno : Sergio Antonio 28
Requena Bautista
3) Identificar el Orden del modelo ARCH
Curso : Econometría para Finanzas Alumno : Sergio Antonio 29
Requena Bautista
3) Identificar el Orden del modelo ARCH
Variable Coefficien... Std. Error z-Statistic Prob.
C 0.000782 0.000180 4.342800 0.0000
Variance Equation
C 1.74E-05 1.28E-06 13.64531 0.0000
RESID(-1)^2 0.210919 0.025181 8.376112 0.0000
RESID(-2)^2 0.120575 0.034003 3.546061 0.0004
RESID(-3)^2 0.147168 0.028871 5.097482 0.0000
RESID(-4)^2 0.178434 0.029688 6.010317 0.0000
RESID(-5)^2 0.046602 0.017905 2.602710 0.0092
RESID(-6)^2 0.097454 0.029304 3.325582 0.0009
Modelo ARCH(6):
Los coeficientes son positivos.
El coeficiente de la constante es positivo.
Curso : Econometría para Finanzas Alumno : Sergio Antonio 30
Requena Bautista
El proceso ARCH debe ser estacionario esto se
garantiza cuando:
0 ≤ ∑ αi ≤ 1
RESID(-1)^2 0.210919
RESID(-2)^2 0.120575
RESID(-3)^2 0.147168
RESID(-4)^2 0.178434
RESID(-5)^2 0.046602
RESID(-6)^2 0.097454
Suma 0.801152
El modelo ARCH es un proceso estacionario es decir
la varianza no crece indefinidamente.
Curso : Econometría para Finanzas Alumno : Sergio Antonio 31
Requena Bautista
Varianza Observada y Estimada
.0025
.0020
.0015
.0010
.0005
.0000
II III IV I II III IV I II III IV I II III IV I II III IV I II
2014 2015 2016 2017 2018 2019
VARIESTSP500 VARIANZAESTIMADA
Curso : Econometría para Finanzas Alumno : Sergio Antonio 32
Requena Bautista
Especificación del Modelo GARCH (m,p)
Curso : Econometría para Finanzas Alumno : Sergio Antonio 33
Requena Bautista
Especificación del modelo GARCH (m,p)
1) Estimar la media condicional de la serie
de los rendimientos.
2) Identificar el efecto ARCH.
3) Identificar el orden del modelo GARCH
(m,p).
Curso : Econometría para Finanzas Alumno : Sergio Antonio 34
Requena Bautista
1) Estimar la media condicional de la media de rendimienos
Curso : Econometría para Finanzas Alumno : Sergio Antonio 35
Requena Bautista
2) Identificar el efecto ARCH
Heteroskedasticity Test: ARCH
F-statistic 4.791838 Prob. F(2,1252) 0.0084
Obs*R-squared 9.533663 Prob. Chi-Square(2) 0.0085
Criterio GARH(1,1) GARH(2,1) GARH(1,2) GARH(2,2) GARH(1,3) GARH(2,3) GARH(3,3)
Akaike info criterion 8.777848 8.652079* 11.99615 11.53945 11.53095 11.63717 11.57498
Schwarz criterion 8.798279 8.676597* 12.02067 11.56806 11.55956 11.66986 11.61176
Hannan-Quinn criterion 8.785526 8.661294* 12.00537 11.5502 11.5417 11.64946 11.5888
(Bollerslev, 1986) demostró que un modelo GARCH(1,1), tiene las
propiedades estadísticas satisfactorias para capturar la volatilidad en los
datos.
Curso : Econometría para Finanzas Alumno : Sergio Antonio 36
Requena Bautista
3) Identificar el orden del modelo GARCH (m,p)
Modelo para RSP500
Dependent Variable: SP500
Variable Coefficien... Std. Error z-Statistic Prob.
C 18818.93 271198.9 0.069392 0.9447
AR(1) 0.999917 0.001362 733.9348 0.0000
Variance Equation
C 484.1437 23.44118 20.65356 0.0000
RESID(-1)^2 0.338887 0.037635 9.004621 0.0000
RESID(-2)^2 0.316727 0.037764 8.387110 0.0000
GARCH(-1) -0.926373 0.067234 -13.77834 0.0000
ht = 484.1437 + 0.338887Ԑ2 t-1 + 0.316727Ԑ2 t-2 - 0.926373 ht-1
Modelo GARCH (2,1)
Curso : Econometría para Finanzas Alumno : Sergio Antonio 37
Requena Bautista
Restricciones en el modelo GARCH
α0 > 0
αi ≥ 0 Los modelos GARCH requiere
βj ≥ 0 que la varianza condicional
sea no negativa.
Ʃ( αi + βj) < 1 La varianza no crece al
infinito describe un proceso
estacionario.
Curso : Econometría para Finanzas Alumno : Sergio Antonio 38
Requena Bautista
C 484.1437 23.44118 20.65356 0.0000
RESID(-1)^2 0.338887 0.037635 9.004621 0.0000
RESID(-2)^2 0.316727 0.037764 8.387110 0.0000
GARCH(-1) -0.926373 0.067234 -13.77834 0.0000
ht = 484.1437 + 0.338887Ԑ2 t-1 + 0.316727Ԑ2 t-2 - 0.926373 ht-1
α0= 484.143700
α1= 0.338887 El shock de las noticias
α2= 0.316727
β1= -0.926373 Volatilidad de un periodo anterior
α1 + β1 = -0.270759
El modelo GARCH tiene coeficiente negativo
Curso : Econometría para Finanzas Alumno : Sergio Antonio 39
Requena Bautista
