Econometra dinmica y

financiera
Profesora: Dolores Garca Martos
E-mail:mdgmarto@est-econ.uc3m.es
Introduccin a la econometra financiera.
Modelos ARCH
Introduccin
Los modelos que hemos visto son lineales
Los modelos se pueden linealizar tomando logaritmos
Las propiedades de los estimadores lineales son conocidas
En el anlisis de series temporales seguido se ha trabajado bajo un esquema estacionario
(con transformaciones si fuese necesario)
Media constante
Varianza constante
Correlacin entre variables solo depende del desfase temporal entre ellas
Los modelos ARIMA parten del anlisis del comportamiento de las covarianzas (tngase
en cuenta que la correlacin es igual a la covarianza dividida por la varianza)
No siempre se puede mantener la hiptesis de varianza constante. Es necesario realizar
contrastes de varianza constante:
Problema con la eficiencia de los estimadores, por amplios intervalos de confianza (alta
volatilidad)
Tambin puede ocurrir que la propia naturaleza del fenmeno econmico que estemos
analizando requiera conocer no solo aspectos de su nivel sino tambin de su varianza (o
volatilidad)
Propiedades series financieras
IBEX-35
0
2000
4000
6000
8000
10000
12000
14000
16000
18000
1
9
8
7
1
1
9
8
8
1
1
9
8
9
1
1
9
9
0
1
1
9
9
1
1
1
9
9
2
1
1
9
9
3
1
1
9
9
4
1
1
9
9
5
1
1
9
9
6
1
1
9
9
7
1
1
9
9
8
1
1
9
9
9
1
2
0
0
0
1
2
0
0
1
1
2
0
0
2
1
2
0
0
3
1
2
0
0
4
1
2
0
0
5
1
2
0
0
6
1
2
0
0
7
1
2
0
0
8
1
2
0
0
9
1
2
0
1
0
1
2
0
1
1
1
Propiedades series financieras
IBEX-35 (primera diferencia)
-2500
-2000
-1500
-1000
-500
0
500
1000
1500
2000
1
9
8
7
1
1
9
8
8
1
1
9
8
9
1
1
9
9
0
1
1
9
9
1
1
1
9
9
2
1
1
9
9
3
1
1
9
9
4
1
1
9
9
5
1
1
9
9
6
1
1
9
9
7
1
1
9
9
8
1
1
9
9
9
1
2
0
0
0
1
2
0
0
1
1
2
0
0
2
1
2
0
0
3
1
2
0
0
4
1
2
0
0
5
1
2
0
0
6
1
2
0
0
7
1
2
0
0
8
1
2
0
0
9
1
2
0
1
0
1
2
0
1
1
1
Estimado un modelo ARIMA para esta serie, los residuos recogern
todo el efecto de la variabilidad de la serie, ya que sta no se ha
tenido en cuenta en el modelo
Los modelos lineales no pueden recoger esta variabilidad
Propiedades series financieras
El apuntalamiento es mayor que el de una distribucin normal (la curtosis es
igual a 3)*
Las colas son distintas a las de una normal. Son ms pequeas.
Es una distribucin asimtrica
*Ver histograma de la serie en logaritmos en anexo 2
Propiedades series financieras
Correlograma de la primera diferencia del IBEX
Propiedades series financieras
Modelo de medias mviles estimado para la primera diferencia del IBEX
Propiedades series financieras
Correlograma de los residuos
Propiedades series financieras
Grfico de los residuos
Propiedades de series financieras
Histograma de los residuos
Propiedades series financieras
Las series financieras no presentan, en general, una varianza
o variabilidad constante.
Interesa la relacin precio-volatilidad
Las estructuras lineales son incapaces de explicar
determinados aspectos que suelen estar presentes en las
series financieras:
Leptocursis. Es ms apuntalada que una distribucin
normal (en una distribucin normal es igual a 3).
Volatilidad de los mercados financieros que aparecen
por rachas. Altos retornos suelen ir seguidos de altos
retornos y viceversa.
Asimetra: La volatilidad aumenta ms cuando hay
cadas de precios que cuando hay aumentos.
Propiedades series financieras
En las series financieras, la varianza presentan:
Comportamiento autorregresivo: la variabilidad actual
suele depender del comportamiento voltil habido en el
pasado reciente
Contagio: los periodos en los que la volatilidad es alta
suele mantenerse en el tiempo, lo mismo ocurre en
periodos de baja volatilidad.
Asimetra: las cadas son ms intensas y bruscas que
las subidas.
La volatilidad es un concepto de relevancia en el mundo de las finanzas:
Medida del riesgo en los mercados de activos
Una media de los riesgos del mercado requieren la estimacin o previsin
de los parmetros de volatilidad
Propiedades series financieras
En los mercados financieros, la estabilidad o inestabilidad se suele
relacionar con su comportamiento anterior y que tras un sobresalto se
produce una variabilidad que dura un cierto periodo de tiempo, tras el cual
vuelve a la normalidad.
En definitiva, dicha variabilidad se refleja en la varianza que no ser
constante.
Existen diferentes tipos de modelos no lineales, entre ellos los ms
populares son los ARCH y GARCH para predecir la volatilidad.
ARCH: Modelos autorregresivos condicionales heteroscedsticos
Engels (1982)
Determinan un patrn de comportamiento estadstico para la
varianza.
La informacin pasada de una variable y su volatilidad son factores que explican su
comportamiento presente y, por tanto, podr ser extrapolado a futuro
Propiedades series financieras
Engels establece tres situaciones que justifican el uso de los modelos
ARCH:
Decisiones relativas a activos financieros en los que se tiene en
cuenta la rentabilidad media de los mismos y su volatilidad
Existencia de periodos de gran variabilidad con respecto a un valor
central frente a otros de escasa variabilidad
No se trata de tendencia en la volatilidad
Modelos con parmetros variables en modelos estructurales
Un modelo que atienda en la prediccin a los valores de la varianza en el
pasado servir para realizar estimaciones a futuro ms precisas.
Los agentes econmicos deciden sobre el mantenimiento o venta de activos
financieros a partir de la informacin proveniente del pasado: con respecto a
su rentabilidad media y a la volatilidad que sta ha tenido.
Propiedades series financieras
En los modelos manejados se ha trabajado bajo hiptesis de
estacionariedad
Los residuos del modelo tienen estructura de ruido blanco
Son lineales
Distribuciones normales (Gaussianas) simtricas
En el ruido blanco:
E(a
t
)= 0
Var(a
t
)=
2
Cov(a
t
,a
t-j
)=0 para todo j
Bajo estos supuestos, la correlacin indica independencia temporal
Es decir, no existe informacin en el pasado que sirva para predecir el
futuro.
No se puede establecer ninguna relacin entre a
t
y a
t-j
de forma
lineal
Propiedades series financieras
El que no exista correlacin temporal en un modelo lineal no
significa que sta no pueda existir de forma no lineal
Puede haber alguna relacin de forma cuadrtica u otra
forma no lineal.
Los modelos ARCH son utilizados para modelizar y predecir
volatilidad.
Se diferencia de los modelos ARIMA en que los modelos
ARCH trabajan con series heterocedsticas.
No son modelos excluyentes.
Correlaciones de los cuadrados
Cmo contrastar la no linealidad?
La decisin de elegir entre modelos lineales y no-lineales es compleja y depende
de cmo se comporten los datos
Hay que decidir si una especificacin lineal es suficiente para describir los
principales aspectos que reflejan los datos.
Los instrumentos utilizados hasta ahora (correlogramas, por ejemplo) son
insuficientes (miden estructura lineal).
Existen diferentes test para contrastar la no linealidad
Un primer paso sera observar el correlograma de los residuos al
cuadrado o de la serie heterocedstica en cuestin
En el marco que nos movemos de volatilidad autorregresiva, sta puede ser
contrastada a partir de estimar una regresin de los valores de los residuos al
cuadrado y distintos retardos de estos.
Estadsticamente, la relacin de la volatilidad con el pasado se refleja a partir de
la esperanza condicional.
Conocida y fija la informacin hasta el momento anterior.
Correlaciones de los cuadrados
Correlaciones al cuadrado de los residuos del modelo estimado para la serie del
IBEX en primeras diferencias
La serie de los cuadrados presenta
correlaciones significativamente distintas
de cero que se prolongan en retardos
lejanos
Las innovaciones de la volatilidad
persisten en el tiempo
Rendimientos
En finanzas, el punto de partida lo constituye el precio
El precio de las acciones de Telefnica
Es preferible trabajar con la serie de rendimientos, que adems tienen
la ventaja de que estn libres de unidades
La serie de rendimientos es:
R
t
= (p
t
- p
t-1
)/ p
t-1
x 100
Por tanto,
La serie de rendimientos se puede obtener como:
R
t
= ln p
t
-ln p
t-1
= ln (p
t
/p
t-1
)
Se conoce como el logaritmo de los precios relativos
Recordad que la diferencia
de los logaritmos se
aproxima a una tasa
Las series de precios o ndices burstiles suelen ser paseos aleatorios. Por tanto,
sus tasas siguen procesos ruido blanco.
Otras variables, como tipos de cambio o de inters, al aplicar una primera diferencia
se convierten, en general, en ruido blanco
Modelos no lineales
Entre los distintos modelos propuestos en la literatura economtrica para
representar la dinamicidad de la volatilidad se hallan, entre otros, los
modelos ARCH.
Se basan en la idea de condicionalidad de los momentos (media,
varianza y covarianza).
La variabilidad del periodo actual depende de la evolucin en
periodos precedentes
La volatilidad es una funcin de los cuadrados de las observaciones
pasadas.
Estos modelos reproducen las caractersticas de las series financieras:
exceso de crtosis (leptocurticas)
correlacin de los cuadrados de la serie
agrupamientos de la volatilidad.
Modelos ARCH
En la modelizacin de la volatilidad, la correlacin de la serie de los
cuadrados se utiliza como primer indicio de la dependencia temporal en los
segundos momentos condicionales.
Los agrupamientos de la volatilidad se traduce en correlaciones
positivas en la serie de los cuadrados
Los modelos ARCH se basan en el concepto de varianza condicional:
La varianza condicional de y
t
se escribe como
2
t

2
t
= var (y
t
/ y
t-1
,y
t-2
,.) = E[ (y
t
-E(y
t
))
2
/ y
t-1
,y
t-2
,)=
= E( y
2
t
/ y
t-1
,y
t-2
,) , bajo el supuesto de que E (y
t
)=0
1
La varianza condicional es igual a la esperanza condicional de los
valores al cuadrado

t
es una funcin de y
t-1
,y
t-2
,.
1.En general, la variable con la que se trabaja es la de residuos de un modelo,
salvo que la serie con que se trabaje sea directamente un ruido blanco
Modelos ARCH (1)
Modelo ARCH de orden 1:
y
t
=
t

t
(1)

2
t
= w + y
2
t-1
y
t
=
t
(w + y
2
t-1
)
Donde
t
es una secuencia de variables aleatorias independientes e
igualmente distribuidas (iid) con media cero y varianza unitaria;
t
es un factor denominado volatilidad.
Si
t
tiene una distribucin normal, estaramos ante un proceso
ruido blanco
El proceso y
t
es un proceso estacionario. Por tanto < 1
Los momentos condicionales en t al valor de t-1 es una
realizacin concreta conocida ( no es aleatoria)
(1) Se utiliza la variable y en trminos genricos. En general, ser la variable residual.
Modelos ARCH (1)
Momentos marginales y condicionales
**Esperanza:
Marginal
E(y
t
)= E(
t
(w + y
2
t-1
)) = E(
t
) E((w + y
2
t-1
))=0
Condicional
E
t-1
(y
t
)= E
t-1
(
t
(w + y
2
t-1
)) = E
t-1
(
t
) E
t-1
((w + y
2
t-1
))
=0
En definitiva, la esperanza marginal y la condicional coinciden y son cero
Modelos ARCH (1)
Momentos marginales y condicionales
**Varianza:
Marginal
E(y
2
t
)= w/(1-)
2
= w/(1-)
Condicional
E
t-1
(y
2
t
)= E
t-1
[(
t
(w + y
2
t-1
))]
2
=
= E
t-1
(
2
t
) E
t-1
(w + y
2
t-1
)=
2
(w + y
2
t-1
)=
= (w + y
2
t-1
)
En definitiva,
la varianza marginal es constante
la varianza condicional depende de y
t-1
, por tanto, no es
constante.
Modelos ARCH (1)
Momentos marginales y condicionales
**Covarianza de orden 1:
Marginal
E(y
t
y
t-1
)= E [(
t
(w + y
2
t-1
)) y
t-1
] =
= E (
t
) E ((w + y
2
t-1
)) y
t-1
) = 0 , debido a
que
t
es un ruido blanco
Condicional
E
t-1
(y
t
y
t-1
)= E
t-1
[(
t
(w + y
2
t-1
)) y
t-1
] =
= E
t-1
(
t
) E
t-1
((w + y
2
t-1
)) y
t-1
) =0
Es decir, no hay correlacin lineal: no hay relaciones
lineales
Modelos ARCH (1)
Momentos marginales y condicionales
**Covarianza de orden uno de la serie al cuadrado:
cov (y
2
t
y
2
t-1
) =
2

2
(1) = 2w
2
/ (1-)
2
(1-3
2
) 0 (1)
Es decir, el proceso presenta correlacin de forma cuadrtica:
hay dependencia cuadrtica
(1) Bajo la hiptesis de que la varianza de es igual a la unidad.
Modelo ARCH (q)
Una extensin del modelo ARCH(1) es el ARCH (q).
y
t
=
t

t

2
t
= w +
1
y
2
t-1
+
2
y
2
t-2
+..+
q
y
2
t-q
El proceso
t
es un proceso idnticamente distribuido, con media nula y
varianza unitaria
Si
t
es gaussiano y se distribuye como una normal, y
t
es
condicionalmente normal y su varianza es
2
t
Los parmetros han de ser positivos. La suma de
i
ha de ser menor
que uno, para garantizar la estacionariedad.
w>0,
i
>0 i= 1q,
i
< 1
Anexo 1
Tipo de cambio euro/dlar
Serie original Primeras diferencias
Tipo de cambio euro/dlar
Histograma primera diferencia
Tipo de cambio euro/dlar
Correlograma
primera diferencia
Correlograma
variable al cuadrado
Tipo de cambio euro/dlar
Modelo ARCH(9) Correlograma residuos al
cuadrado modelo ARCH(9)
Hay que probar otro tipo de modelo, ya que sigue quedando significatividad en el
correlograma de los residuos al cuadrado
Anexo 2
Al expresar la serie en logaritmos, se observa que permanece el apuntalamiento
y la asimetra
Histograma de la primera diferencia del IBEX en logaritmos