Procesos de heterocedasticidad condicional

C. Vladimir Rodrguez Caballero

C.V. Rodrguez Caballero (FC)

Econometra de series de tiempo

Facultad de ciencias

1 / 15

Volatilidad Conceptos introductorios Volatilidad Modelos de Volatilidad Modelo ARCH Simulacin Modelo ARCH Propiedades modelo ARCH Modelo GARCH Propiedades modelo GARCH Modelo IGARCH Modelo GARCH-m Familia ARCH

C.V. Rodrguez Caballero (FC)

Econometra de series de tiempo

Facultad de ciencias

2 / 15

Volatilidad

Conceptos introductorios

Diversos conceptos
Retornos: El inversionista tiene en mente la ganancia relativa de su inversin ms no su precio nominal. Las series de retornos son ms fciles de manejar que las series de precios ya que tienen propiedades estadsticamente ms atractivas. Las series de retornos en general son estacionarias. La distribucin de los retornos es ms simtrica y estable a lo largo del tiempo que la distribucin de los precios. La distribucin de muchas variables nancieras posee colas pesadas.

C.V. Rodrguez Caballero (FC)

Econometra de series de tiempo

Facultad de ciencias

3 / 15

Volatilidad

Conceptos introductorios

Diversos conceptos
Retornos: Retorno: Rt =
Pt Pt 1 Pt 1 . Pt Pt 1

Retorno compuesto: rt = ln Propiedades estadsticas:

Curtosis. La serie de los retornos tienen un exceso de curtosis en comparacin con la distribucin Gaussiana, es decir, la distribucin de los retornos es de colas pesadas. Autocorrelacin. Los retornos presentan una autocorrelacin no signicativa, sin embargo, el cuadrado de los retornos presentan autocorrelacin. Heterocedasticidad. La varianza de los retornos evoluciona a travs del tiempo.

C.V. Rodrguez Caballero (FC)

Econometra de series de tiempo

Facultad de ciencias

3 / 15

Volatilidad

Conceptos introductorios

Diversos conceptos
Retornos: Distribuciones usadas ms comnes (Ver Tsay): 1 Distribucin Normal:
Los retornos sean manejables. La cota inferior de un retorno simple es -1. Sin embargo, la distribucin normal asume cualquier valor en los reales y por lo tanto no tiene cota inferior. Exceso de curtosis.
2

Distribucin lognormal:
El soporte de esta distribucin es para reales no negativos y por lo tanto no se considera la cota inferior de los retornos simples.

Distribuciones estables:
Capturan el exceso de curtosis Las distribuciones estables no tienen varianza nita

4 5

Mezcla de distribuciones. Distribuciones de colas pesadas.

Volatilidad

Conceptos introductorios

Diversos conceptos
Retornos:

Figure: a)Serie histrica 1990-1999 Bimbo A. b) Serie de retornos

C.V. Rodrguez Caballero (FC)

Econometra de series de tiempo

Facultad de ciencias

3 / 15

Volatilidad

Volatilidad

Volatilidad

Qu es? No es posible denir la volatilidad de forma sencilla. Tradicionalmente, la desviacin estndar se ha usado como medida de la volatilidad. (Modelo Black & Scholes, VaR) No es vlido suponer que la varianza de una serie de retornos es constante a lo largo del tiempo, es decir la suposicin de que la volatilidad no evoluciona a travs del tiempo no es soportada. La volatilidad es indirectamente observable. No existe una forma directa de medirla.

C.V. Rodrguez Caballero (FC)

Econometra de series de tiempo

Facultad de ciencias

4 / 15

Volatilidad

Volatilidad

Volatilidad

Qu es? No es posible denir la volatilidad de forma sencilla. Tradicionalmente, la desviacin estndar se ha usado como medida de la volatilidad. (Modelo Black & Scholes, VaR) No es vlido suponer que la varianza de una serie de retornos es constante a lo largo del tiempo, es decir la suposicin de que la volatilidad no evoluciona a travs del tiempo no es soportada. La volatilidad es indirectamente observable. No existe una forma directa de medirla.

C.V. Rodrguez Caballero (FC)

Econometra de series de tiempo

Facultad de ciencias

4 / 15

Volatilidad

Volatilidad

Volatilidad

Qu es? No es posible denir la volatilidad de forma sencilla. Tradicionalmente, la desviacin estndar se ha usado como medida de la volatilidad. (Modelo Black & Scholes, VaR) No es vlido suponer que la varianza de una serie de retornos es constante a lo largo del tiempo, es decir la suposicin de que la volatilidad no evoluciona a travs del tiempo no es soportada. La volatilidad es indirectamente observable. No existe una forma directa de medirla.

C.V. Rodrguez Caballero (FC)

Econometra de series de tiempo

Facultad de ciencias

4 / 15

Volatilidad

Volatilidad

Volatilidad

Qu es? No es posible denir la volatilidad de forma sencilla. Tradicionalmente, la desviacin estndar se ha usado como medida de la volatilidad. (Modelo Black & Scholes, VaR) No es vlido suponer que la varianza de una serie de retornos es constante a lo largo del tiempo, es decir la suposicin de que la volatilidad no evoluciona a travs del tiempo no es soportada. La volatilidad es indirectamente observable. No existe una forma directa de medirla.

C.V. Rodrguez Caballero (FC)

Econometra de series de tiempo

Facultad de ciencias

4 / 15

Volatilidad

Volatilidad

Volatilidad

Cmo la trabajamos entonces? Una forma de entenderlo es: la Volatilidad es la varianza condicional de los retornos de un activo.

Volatilidad
Sea yt la serie de Log-retornos, entonces la media condicional est dada por t = E (yt | Ft 1 ) y la varianza condicional por 2 ht = 2 (yt | Ft 1 ) = E (yt ) | Ft 1 , donde Ft 1 denota toda la informacin disponible hasta el tiempo t 1.

C.V. Rodrguez Caballero (FC)

Econometra de series de tiempo

Facultad de ciencias

5 / 15

Volatilidad

Volatilidad

Volatilidad
Hechos estilizados La volatilidad evoluciona a travs del tiempo y de manera continua. Se encuentran perodos de alta volatilidad y perodos de baja volatilidad, a estos perodos se les denomina clusters. La volatilidad no diverge a innito, vara dentro de un rango jo; es decir que la volatilidad es estacionaria. La volatilidad parece reaccionar de manera diferente a una alza en los precios que a una cada de estos.

C.V. Rodrguez Caballero (FC)

Econometra de series de tiempo

Facultad de ciencias

6 / 15

Volatilidad

Volatilidad

Volatilidad

Figure: Clusters de mayor volatilidad para las series de retornos a)IPC, b)TelmexL y c) BimboA
C.V. Rodrguez Caballero (FC) Econometra de series de tiempo Facultad de ciencias 6 / 15

Modelos de Volatilidad

Modelo ARCH

Modelo ARCH
Fue propuesto por Engle(1982) y se us para estimar las medias y las varianzas de la inacin en el Reino Unido durante la dcada de los setentas. Idea bsica: los retornos de una serie de tiempo yt tienen media cero, carecen de una dependencia serial pero son dependientes y pueden representarse mediante una funcin cuadrtica.

C.V. Rodrguez Caballero (FC)

Econometra de series de tiempo

Facultad de ciencias

7 / 15

Modelos de Volatilidad

Modelo ARCH

Modelo ARCH
Fue propuesto por Engle(1982) y se us para estimar las medias y las varianzas de la inacin en el Reino Unido durante la dcada de los setentas. Idea bsica: los retornos de una serie de tiempo yt tienen media cero, carecen de una dependencia serial pero son dependientes y pueden representarse mediante una funcin cuadrtica. Un modelo ARCH (r ) se especica como yt =
t

ht (1)

2 ht = 0 + 1 yt2 1 + + r yt r

donde t WN (0, 2 ). Para 0 > 0 y i > 0 i > 0. De acuerdo a la denicin de ht es como se logra que la varianza no sea constante a travs del tiempo.

C.V. Rodrguez Caballero (FC)

Econometra de series de tiempo

Facultad de ciencias

7 / 15

Modelos de Volatilidad

Modelo ARCH

Modelo ARCH
yt = ht = 1 + ht t 0.03yt2 1 +

0.05yt2 2

Figure: a) Simulacin de un proceso ARCH (2) con 0 = 1, 1 =0.03 y 2 =0.05. b) Varianza condicional ht de la serie simulada
C.V. Rodrguez Caballero (FC) Econometra de series de tiempo Facultad de ciencias 7 / 15

Modelos de Volatilidad

Simulacin Modelo ARCH

Simulacin en matlab
function [Y]=arch2(alpha0, alpha1, alpha2,n) Y(1)=0; h(1)=alpha0; Y(2)=normrnd(0,(h(1))^(1/2),1,1); h(2)=alpha0+alpha1*Y(2)^2; for t=3:n Y(t)=normrnd(0,(h(t-1))^(1/2),1,1); h(t)=alpha0+alpha1*Y(t)^2+alpha2*Y(t-1)^2; end

C.V. Rodrguez Caballero (FC)

Econometra de series de tiempo

Facultad de ciencias

9 / 15

Modelos de Volatilidad

Propiedades modelo ARCH

Propiedades del modelo ARCH (Tsay)

El modelo trata los retornos positivos y negativos de igual manera. En la prctica, se sabe que para las series de tiempo nancieras los precios reaccionan de manera diferente a retornos positivos que a negativos. El modelo es restrictivo en los parmetros. El modelo no provee un modo de entender el comportamiento de la serie de tiempo nanciera. Slo provee una manera mecnica de describir la varianza condicional. El modelo puede requerir muchos parmetros para describir de manera adecuada la volatilidad de la serie.

C.V. Rodrguez Caballero (FC)

Econometra de series de tiempo

Facultad de ciencias

10 / 15

Modelos de Volatilidad

Modelo GARCH

Modelo GARCH
Fue propuesto por Bollerslev (1986). Permite una mayor exibilidad en los procesos ARCH. Al anexar una forma de promedio mvil, esto se hace para disminuir la parsimonia del modelo ARCH. t = t
m t s

t2 = 0 +
i =1

i 2 t i +
j =1

j t2j

(2)

donde t WN (0, 2 , sus parmetros deben de ser 0 > 0, i > 0, max (m,s) j > 0 y i =1 (i + i ) < 1, esta es la condicin que garantiza que la varianza incondicional sea nita. Con notacin ARMA: ut2 = + t 1 t 1 p t p + (1 + 1 ) ut21 + + (m + m ) ut2m ARMA(m,p)
C.V. Rodrguez Caballero (FC) Econometra de series de tiempo Facultad de ciencias 11 / 15

Modelos de Volatilidad

Modelo GARCH

Modelo GARCH
Fue propuesto por Bollerslev (1986). Permite una mayor exibilidad en los procesos ARCH. Al anexar una forma de promedio mvil, esto se hace para disminuir la parsimonia del modelo ARCH. t = t
m t s

t2 = 0 +
i =1

i 2 t i +
j =1

j t2j

(2)

donde t WN (0, 2 , sus parmetros deben de ser 0 > 0, i > 0, max (m,s) j > 0 y i =1 (i + i ) < 1, esta es la condicin que garantiza que la varianza incondicional sea nita. Con notacin ARMA: ut2 = + t 1 t 1 p t p + (1 + 1 ) ut21 + + (m + m ) ut2m ARMA(m,p)
C.V. Rodrguez Caballero (FC) Econometra de series de tiempo Facultad de ciencias 11 / 15

Modelos de Volatilidad

Modelo GARCH

Modelo GARCH
Fue propuesto por Bollerslev (1986). Permite una mayor exibilidad en los procesos ARCH. Al anexar una forma de promedio mvil, esto se hace para disminuir la parsimonia del modelo ARCH. t = t
m t s

t2 = 0 +
i =1

i 2 t i +
j =1

j t2j

(2)

donde t WN (0, 2 , sus parmetros deben de ser 0 > 0, i > 0, max (m,s) j > 0 y i =1 (i + i ) < 1, esta es la condicin que garantiza que la varianza incondicional sea nita. Con notacin ARMA: ut2 = + t 1 t 1 p t p + (1 + 1 ) ut21 + + (m + m ) ut2m ARMA(m,p)
C.V. Rodrguez Caballero (FC) Econometra de series de tiempo Facultad de ciencias 11 / 15

Modelos de Volatilidad

Modelo GARCH

Modelo GARCH
Fue propuesto por Bollerslev (1986). Permite una mayor exibilidad en los procesos ARCH. Al anexar una forma de promedio mvil, esto se hace para disminuir la parsimonia del modelo ARCH. t = t
m t s

t2 = 0 +
i =1

i 2 t i +
j =1

j t2j

(2)

donde t WN (0, 2 , sus parmetros deben de ser 0 > 0, i > 0, max (m,s) j > 0 y i =1 (i + i ) < 1, esta es la condicin que garantiza que la varianza incondicional sea nita. Con notacin ARMA: ut2 = + t 1 t 1 p t p + (1 + 1 ) ut21 + + (m + m ) ut2m ARMA(m,p)
C.V. Rodrguez Caballero (FC) Econometra de series de tiempo Facultad de ciencias 11 / 15

Modelos de Volatilidad

Modelo GARCH

Modelo GARCH
Fue propuesto por Bollerslev (1986). Permite una mayor exibilidad en los procesos ARCH. Al anexar una forma de promedio mvil, esto se hace para disminuir la parsimonia del modelo ARCH. t = t
m t s

t2 = 0 +
i =1

i 2 t i +
j =1

j t2j

(2)

donde t WN (0, 2 , sus parmetros deben de ser 0 > 0, i > 0, max (m,s) j > 0 y i =1 (i + i ) < 1, esta es la condicin que garantiza que la varianza incondicional sea nita. Con notacin ARMA: ut2 = + t 1 t 1 p t p + (1 + 1 ) ut21 + + (m + m ) ut2m ARMA(m,p)
C.V. Rodrguez Caballero (FC) Econometra de series de tiempo Facultad de ciencias 11 / 15

Modelos de Volatilidad

Modelo GARCH

Modelo GARCH
Fue propuesto por Bollerslev (1986). Permite una mayor exibilidad en los procesos ARCH. Al anexar una forma de promedio mvil, esto se hace para disminuir la parsimonia del modelo ARCH. t = t
m t s

t2 = 0 +
i =1

i 2 t i +
j =1

j t2j

(2)

donde t WN (0, 2 , sus parmetros deben de ser 0 > 0, i > 0, max (m,s) j > 0 y i =1 (i + i ) < 1, esta es la condicin que garantiza que la varianza incondicional sea nita. Con notacin ARMA: ut2 = + t 1 t 1 p t p + (1 + 1 ) ut21 + + (m + m ) ut2m ARMA(m,p)
C.V. Rodrguez Caballero (FC) Econometra de series de tiempo Facultad de ciencias 11 / 15

Modelos de Volatilidad

Propiedades modelo GARCH

Propiedades modelo GARCH

Describe de manera apropiada los clusters de volatilidad: grandes valores de yt2 1 o ht 1 seguira grandes valores de ht . Las colas de la distribucin de un proceso GARCH son ms pesadas que las de la distribucin normal. El modelo presenta una forma paramtrica simple para describir la evolucin de la volatilidad. Responde de igual modo a un retorno positivo que a uno negativo.

C.V. Rodrguez Caballero (FC)

Econometra de series de tiempo

Facultad de ciencias

12 / 15

Modelos de Volatilidad

Modelo IGARCH

Modelo IGARCH

Fue propuesto por Bollerslev (1992) es motivado por el hecho de que no todos los retornos se modelan de la mejor manera con un modelo estacionario. Los modelos IGARCH son modelos GARCH con raz unitaria. r s i =1 i + j =1 j = 1 La varianza no condicional no es nita Empleando una notacin ARMA: (1 L) ut2 = + t t 1

C.V. Rodrguez Caballero (FC)

Econometra de series de tiempo

Facultad de ciencias

13 / 15

Modelos de Volatilidad

Modelo IGARCH

Modelo IGARCH

Fue propuesto por Bollerslev (1992) es motivado por el hecho de que no todos los retornos se modelan de la mejor manera con un modelo estacionario. Los modelos IGARCH son modelos GARCH con raz unitaria. r s i =1 i + j =1 j = 1 La varianza no condicional no es nita Empleando una notacin ARMA: (1 L) ut2 = + t t 1

C.V. Rodrguez Caballero (FC)

Econometra de series de tiempo

Facultad de ciencias

13 / 15

Modelos de Volatilidad

Modelo IGARCH

Modelo IGARCH

Fue propuesto por Bollerslev (1992) es motivado por el hecho de que no todos los retornos se modelan de la mejor manera con un modelo estacionario. Los modelos IGARCH son modelos GARCH con raz unitaria. r s i =1 i + j =1 j = 1 La varianza no condicional no es nita Empleando una notacin ARMA: (1 L) ut2 = + t t 1

C.V. Rodrguez Caballero (FC)

Econometra de series de tiempo

Facultad de ciencias

13 / 15

Modelos de Volatilidad

Modelo IGARCH

Modelo IGARCH

Fue propuesto por Bollerslev (1992) es motivado por el hecho de que no todos los retornos se modelan de la mejor manera con un modelo estacionario. Los modelos IGARCH son modelos GARCH con raz unitaria. r s i =1 i + j =1 j = 1 La varianza no condicional no es nita Empleando una notacin ARMA: (1 L) ut2 = + t t 1

C.V. Rodrguez Caballero (FC)

Econometra de series de tiempo

Facultad de ciencias

13 / 15

Modelos de Volatilidad

Modelo GARCH-m

Modelo GARCH-m (GARCH in mean)

Fue propuesto por Bollerslev (1986) es motivado por la idea de que el retorno de un activo puede depender de su volatilidad. GARCH(1,1)-M 2 rt = + c h t + y t , yt = ht t , ht = + 1 yt2 1 + 1 ht 1 donde y c son constantes. Este modelo implica que hay correlacin serial en la serie de retornos rt .

C.V. Rodrguez Caballero (FC)

Econometra de series de tiempo

Facultad de ciencias

14 / 15

Modelos de Volatilidad

Modelo GARCH-m

Modelo GARCH-m (GARCH in mean)

Fue propuesto por Bollerslev (1986) es motivado por la idea de que el retorno de un activo puede depender de su volatilidad. GARCH(1,1)-M 2 rt = + c h t + y t , yt = ht t , ht = + 1 yt2 1 + 1 ht 1 donde y c son constantes. Este modelo implica que hay correlacin serial en la serie de retornos rt .

C.V. Rodrguez Caballero (FC)

Econometra de series de tiempo

Facultad de ciencias

14 / 15

Modelos de Volatilidad

Modelo GARCH-m

Modelo GARCH-m (GARCH in mean)

Fue propuesto por Bollerslev (1986) es motivado por la idea de que el retorno de un activo puede depender de su volatilidad. GARCH(1,1)-M 2 rt = + c h t + y t , yt = ht t , ht = + 1 yt2 1 + 1 ht 1 donde y c son constantes. Este modelo implica que hay correlacin serial en la serie de retornos rt .

C.V. Rodrguez Caballero (FC)

Econometra de series de tiempo

Facultad de ciencias

14 / 15

Modelos de Volatilidad

Modelo GARCH-m

Modelo GARCH-m (GARCH in mean)

Fue propuesto por Bollerslev (1986) es motivado por la idea de que el retorno de un activo puede depender de su volatilidad. GARCH(1,1)-M 2 rt = + c h t + y t , yt = ht t , ht = + 1 yt2 1 + 1 ht 1 donde y c son constantes. Este modelo implica que hay correlacin serial en la serie de retornos rt .

C.V. Rodrguez Caballero (FC)

Econometra de series de tiempo

Facultad de ciencias

14 / 15

Modelos de Volatilidad

Familia ARCH

C.V. Rodrguez Caballero (FC)

Econometra de series de tiempo

Facultad de ciencias

15 / 15

Modelos de Volatilidad

Familia ARCH

C.V. Rodrguez Caballero (FC)

Econometra de series de tiempo

Facultad de ciencias

15 / 15

Modelos de Volatilidad

Familia ARCH

C.V. Rodrguez Caballero (FC)

Econometra de series de tiempo

Facultad de ciencias

15 / 15