Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 30 vistas

    Diapos Terminadas Garch

    Cargado por

    Madeleyne Cárdenas
    Este documento presenta el modelo GARCH para predecir la volatilidad de series de tiempo. Explica que el modelo GARCH estima la varianza condicional basada en los residuales pasados y la varianza pasada. También compara el modelo GARCH con ARCH, y describe cómo estimar los parámetros del modelo GARCH y realizar predicciones de varianza futura.

    Copyright:

    © All Rights Reserved
    Descargue como PPTX, PDF, TXT o lea en línea desde Scribd

    Diapos Terminadas Garch

    Cargado por

    Madeleyne Cárdenas
    30 vistas29 páginas
    Este documento presenta el modelo GARCH para predecir la volatilidad de series de tiempo. Explica que el modelo GARCH estima la varianza condicional basada en los residuales pasados y la varianza pasada. También compara el modelo GARCH con ARCH, y describe cómo estimar los parámetros del modelo GARCH y realizar predicciones de varianza futura.

    Título original

    DIAPOS TERMINADAS GARCH

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PPTX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento presenta el modelo GARCH para predecir la volatilidad de series de tiempo. Explica que el modelo GARCH estima la varianza condicional basada en los residuales pasados y la varianza pasada. También compara el modelo GARCH con ARCH, y describe cómo estimar los parámetros del modelo GARCH y realizar predicciones de varianza futura.

    Copyright:

    © All Rights Reserved
    Descargue como PPTX, PDF, TXT o lea en línea desde Scribd
    Descargar como pptx, pdf o txt
    30 vistas29 páginas

    Diapos Terminadas Garch

    Cargado por

    Madeleyne Cárdenas
    Este documento presenta el modelo GARCH para predecir la volatilidad de series de tiempo. Explica que el modelo GARCH estima la varianza condicional basada en los residuales pasados y la varianza pasada. También compara el modelo GARCH con ARCH, y describe cómo estimar los parámetros del modelo GARCH y realizar predicciones de varianza futura.

    Copyright:

    © All Rights Reserved
    Descargue como PPTX, PDF, TXT o lea en línea desde Scribd
    Descargar como pptx, pdf o txt
    Está en la página 1de 29

    MODELO GARCH

     INTEGRANTES:
     ALCEDO HERRERA, VALERIA
    ALENCITH
     CAHUANCAMA CONDO, JOHNNY
     CÁRDENAS MORÁN, MADELEYNE
     DURÁN EURIBE, MADELEYNE
     PEÑA GALLEGO, ENZO
     HILDER VILLEGAS, ADAN
     RUBIO HUARNIZ, DIEGO ALEJANDRO
    MODELO ARCH
    ARCH(P)
     t = Φt t
     =

     El modelo ARCH (P) se puede escribir como un modelo AR(P)para


    =
    =

    Donde
    Esperanza y Varianza Incondicional Arch ( 1)
    SUPUESTO :
    1) t = Φtt
    2) = =0

     Esperanza
    E() =E(Φt)E(t) = 0 E()= E() =

     Varianza
    Esperanza y Varianza condicional Arch ( 1)

    1) = Φtet/t-1 =0
    et/t-1

    2) =

     Esperanza:

    E() =E(Φt)E() = 0

     Varianza:

    Por tanto, , representa la varianza condicionada de la serie en cada instante , que vavariando con
    cierta estructura estacionaria
    COMPARACION DEL MODELO
    ARCH CON GARCH

    t = Φt t (1) t = Φtt (3)


    (4)
    = (2)
    Modelo GARCH
    (1,1)
    p=1,q=1
    Características del modelo GARCH (1,1)

    1) Φ es idénticamente distribuido con media cero y desviación típica igual a uno.


    t

    Sea Φt / E (Φt) =

    E (Φt)=0
    En el caso de la varianza:
    Sea

    Sabemos que:
    Entonces:

    𝒗𝒂𝒓 ( 𝜺 )=𝟏
    Los parámetros w>0 y ,0 considerando i=1...p, y j=1...q. Además, para cumplirse la condición de estacionalidad en
    media, la suma de todos los parámetros es menor que la unidad.

    Calculando la media y la varianza para el proceso GARCH (1,1):

    Marginal (incondicional)

    • Media:

    E ( t)=E(2t(w+1 2t-1+12t-1))1/2=E()E(w+1 2t-1+12t-1) ½=0

    • Varianza:
    t = Φtt
    = Φ 2 t2 t
    t = Φ t (
    2 2

    .
    .
    .
    E ()=
    t = Φtt
    = Φ2t2t
    t = Φ t (
    2 2

    E () = E (Φ2t) E (
    E () = ()

    E ()==x
    (x- x - x)=
    (1- - x=

    E ()=
    Condicional
    • Media:

    Et-1 ( t)= Et-1 (2t(w+1 2t-1+12t-1))1/2= Et-1 (w+1 2t-1+12t-1) ½ Et-1 () =0

    • Varianza:
    = Φ 2 t2 t
    .
    .
    .

    Et-1()= 2t

     Donde Φt es un proceso de "ruido blanco" (entre otras, no hay correlación con su pasado,
    luego tampoco la hay con el pasado de t).
     El proceso generado t es también estacionario.

     En los momentos condicionales, en "t", el valor de "t-1" es una realización concreta conocida
    (no aleatoria).

    Si sustituimos de manera recursiva la ecuación correspondiente al rezago de la varianza, se


    mostrara a la varianza condicional como una suma ponderada del cuadrado de todos los
    residuos pasados:

    .
    .∞
    𝒘𝟎
    𝟐
    𝝈 =
    𝒕 + 𝜶 𝟏 ∑ 𝜷 𝟏 𝒋 −𝟏 ∗ Ɛ 𝟐𝒕 − 𝒋
    .
    (𝟏 − 𝜷 𝟏) 𝒋=𝟏
    La expresión obtenida es similar a la varianza muestral pero con pesos menores para
    rezagos más distantes de , lo que hará este modelo es que mediante la data obtenga las
    mejores ponderaciones para la predicción de la varianza.

    Si se define , se obtendrá la siguiente expresión:

    .
    .
    .

    2 2
    Ɛ 𝑡 =𝑤 0 + ( 𝛼 1+ 𝛽 1 ) ∗ Ɛ 𝑡− 1 − 𝛽 1∗ 𝑉 𝑡 − 1+𝑉 𝑡
    Esta expresión nos indica como la persistencia de ) Se da en la ecuación que determina el
    comportamiento de .
    ESTIMACION
    DEL MODELO
    GARCH
    Maximizando la función de verosimilitud:
    Pero en este caso:

    Los estimadores de máxima verosimilitud


    condicional de , = (. . ., ) ′ y = (,. . ., ) ′ se
    obtienen al maximizar la función:

    , k>p
    Una distribución que comúnmente se
    considera para es la t-Student estandarizada
    con v grados de libertad:

    Donde (•) es la función Gamma.


    PREDICCION DEL
    MODELO GARCH
    =

    Sabiendo que:

    =
    Como:

    En general, para K períodos:

    =
    MODELACION
    DEL TIPO DE
    CAMBIO

    También podría gustarte