Documente Academic
Documente Profesional
Documente Cultură
Cmo citar?
Fascculo completo
Pgina de la revista
www.redalyc.org
Proyecto acadmico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto
13
RESUMEN
En este artculo se presenta una revisin del
modelo de heteroscedasticidad condicional
autorregresiva (ARCH) se dan algunas propiedades estadsticas del modelo con sus demostraciones. Adems, se presenta una aplicacin a
los modelos ARCH, considerando el ndice general de la bolsa de valores de Colombia (IGBC)
del 2004 al 2006.
Lo que se pretende es obtener informacin ms
amplia y confiable sobre el comportamiento de
la volatilidad del mercado accionario para el perodo de muestra sealado.
Palabras clave
ARCH, heteroscedasticidad, modelos autorregresivos.
ABSTRACT
This article shows a revision of the model of autoregressive conditional heteroscedasticity (ARCH),
*
**
Key words:
ARCH, Heteroscedasticity, Autoregressive Models.
INTRODUCCIN
El IGBC est concebido, al igual que todos los
ndices de acciones, como un indicador de la evolucin de los precios de las acciones ms representativas del mercado. Un objetivo adicional es
que a partir del mismo se pueda conformar un
portafolio con las mismas acciones que contiene
y tener una base fundamental para construir productos derivados.
Matemtico de la Universidad de Antioquia, Magster en Matemticas Aplicadas de la Universidad EAFIT. Profesor de tiempo
completo, Facultad de Ingenieras. Programa de Ingeniera Financiera. Universidad de Medelln. e-mail: foperez@udem.edu.co
Magster en Matemticas Aplicadas de la Universidad EAFIT, Ingeniero Civil de la Escuela de Ingeniera de Antioquia, Especialista
en Sistemas de Administracin de la Calidad ISO 9000, Especialista en Gerencia de Construcciones y Licenciado en Matemticas
de la Universidad de Medelln. Profesor de tiempo completo, Facultad de Ingenieras. Programa de Ingeniera Financiera. Universidad de Medelln. e-mail: hfernandez@udem.edu.co
14
Prez y Fernndez
Modelos ARCH
El hecho de que muchas series de tipo econmico y financiero estn sujetas a fuertes cambios
en la varianza hizo necesario que se tuviera en
cuenta este fenmeno en el proceso de la
modelacin. Los modelos autorregresivos de
heteroscedasticidad condicional, conocidos
como ARCH, fueron propuestos inicialmente por
Engle (1982).
Antes de definir los modelos ARCH, veamos las
definiciones de algunos conceptos que utilizaremos en el desarrollo del artculo.
Definicin 1
Un proceso estocstico
es estacionario de
a.
es constante.
, es decir, la varianza
b.
de
es constante y finita.
c.
y
tre
tre t y
Si la serie
15
de elementos de
(varianza cons-
tante).
Definicin 2
Se dice que un proceso
es ruido blanco, si
satisface las siguientes propiedades
a.
b.
c.
Definicin 5
Definicin 3
Se dice que una serie de tiempo
puede escribirse como
Donde es la media de
proceso ruido blanco.
es lineal, si
es un
Definicin 4
Sea
una serie y
El conjunto
denota la coleccin de combinaciones lineales de elementos en
y
. La media y la varianza condicional
de
dado
son
Donde
es el operador polinomial
de rezagos.
Para que el modelo AR (1) sea estacionario, se
requiere que la raz de
caiga fuera del
crculo unidad. La raz de
para que
Luego,
es
, se requiere que
y
.
es estacionario slo si
16
Prez y Fernndez
Teorema 1
Como
por
hiptesis
,
Si
es un proceso autorregresivo estacionario
de orden uno, entonces su media y su varianza
estn
dadas
por
entonces
Veamos ahora que
Demostracin
Primero probemos que
se puede
.
Por lo tanto
, luego,
lo podemos escribir
como
Como
De donde
ne que
, por lo que
17
Por lo tanto,
Y la varianza condicional es
Esto significa que la varianza condicional es menor que la varianza no condicional, es decir que,
son preferibles las predicciones de
condicionadas a las no condicionadas, puesto que son
ms eficientes. Adems, es importante observar
que las varianzas condicional e incondicional son
ambas constantes en el tiempo.
, se tiene
Existen modelos en los que la varianza condicional no es constante, sino que depende del conjunto de informacin disponible en cada instante; ignorar este hecho conducira a obtener
estimadores ineficientes, con las graves consecuencias que ello implica tales como intervalos
de confianza para la previsin ms amplios, mayor variabilidad de la propia previsin puntual, y
se reflejara la mayor amplitud del rango de sus
posibles valores para un nivel de confianza dado.
Suponga, por ejemplo, que los residuos grandes y pequeos de un modelo de regresin aparecen agrupados en intervalos; ello sugiere que
la varianza del trmino de error cambia suavemente en el tiempo, y que podra predecirse a
partir de los residuos previos. De este modo, se
especificara una dependencia del tipo:
donde
denota la
varianza de
cambiante en el tiempo y
es
una funcin continua del vector de residuos pasados elevados al cuadrado.
18
Prez y Fernndez
condicional. As, en finanzas, las carteras de activos de inversin se escogen a partir de la media y varianza esperadas de las tasas de rendimiento, de forma que los cambios en la composicin de la cartera deben explicarse por estos factores. En este contexto, si se especifica un modelo economtrico tradicional para un rendimiento medio esperado, su varianza queda restringida a una constante y no es, por tanto, consistente con el supuesto terico de partida.
En consecuencia, necesitamos desarrollar modelos economtricos en los cuales se permita que
la varianza condicional del proceso cambie en el
tiempo. Una posible alternativa son los modelos
ARCH, que describimos a continuacin.
Es decir
Definicin 6
En trminos de la distribucin condicional de y
suponiendo adems normalidad, el modelo ARCH
(1) se define como
, donde
(1.1)
y
.
y
(1.2)
Ms generalmente, si se supone que
(1.3)
Las ecuaciones (1.1) y (1.3) constituyen un modelo ARCH (p).
Note que , ha de ser positiva puesto que es la
varianza condicional de , por lo que los parmetros para
deben ser no negativos. Una estimacin de
, an pudiendo ser
compatible con
a lo largo de todo el intervalo muestral utilizado, debe generar sospechas
de mala especificacin de la heteroscedasticidad
condicional, bien en relacin al nmero de retardos de
incluidos, o bien a que la representacin de dicha heteroscedasticidad requiera un
modelo ms general que el de la ecuacin (1.3).
,
es
19
Teorema 2
definido en (1.1) y (1.2) sigue
Si el proceso
una distribucin normal, entonces el segundo momento esta dado por
y el cuarto momento por
.
Demostracin
Luego
Donde
De donde
20
Prez y Fernndez
Luego
por
hiptesis
se
tiene
que
El cual no depende de las variables condicionadas y no depende de t. Por lo tanto esta es una
expresin para el momento de la distribucin no
Por lo tanto
condicional de
Donde
De donde
Por lo tanto
. Luego
21
De donde
.
q.e.d
El resultado anterior tiene dos implicaciones importantes:
a. El cuarto momento de
es positivo, ya que
tambin satisface la condicin
,
es decir,
;
b. La kurtosis no condicional de
es
sea explosivo.
Y como
22
Prez y Fernndez
Se sabe que
Que es constante.
adems
cuando
por lo que
no representa autocorrelacin. Sin
embargo, las perturbaciones no son independientes en el tiempo, pues sus momentos de segundo orden estn correlacionados.
Ahora, para el proceso
se prob que
Aplicacin
Y los momentos de su distribucin condicional
en
son
23
24
Prez y Fernndez
Al graficar el correlograma de los residuos al cuadrado del modelo AR(1) para la rentabilidad
(apndice 4), se observa que existe correlacin
en los residuos al cuadrado de la serie, lo que
lleva a considerar la posible existencia de
heteroscedasticidad en varianza.
Para validar la existencia de heteroscedasticidad
en varianza, se efecta el test ARCH-LM para
los rezagos uno, dos, y tres sobre los residuos
de la regresin de la media que contiene el trmino constante y un AR(1).
25
, es
26
Prez y Fernndez
Conclusiones
1. Ignorar la presencia de heteroscedasticidad
condicional, conduce en el mejor de los casos, a una prdida de eficiencia en la estimacin de los parmetros del modelo. Si en el
modelo aparecen retrasos de la variable
endgena como variables explicativas, ocurre adems que las estimaciones de los errores estndar de los parmetros estimados no
son consistentes.
2. Se analiz que para detectar la existencia de
estructura ARCH, el contraste de los multiplicadores de Lagrange es un instrumento til y
27
Partial Correlation
.|********
.|.
|
.|.
|
*|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
AC
PAC
Q-Stat
Prob
0.992
0.984
0.976
0.967
0.958
0.948
0.938
0.928
0.916
0.905
0.893
0.883
0.872
0.861
0.851
0.841
0.831
0.820
0.811
0.801
0.792
0.783
0.775
0.767
0.759
0.751
0.743
0.736
0.728
0.721
0.714
0.706
0.699
0.692
0.685
0.678
0.992
0.020
-0.001
-0.067
-0.056
-0.040
0.027
-0.056
-0.044
-0.032
0.020
0.039
0.001
0.011
0.000
0.012
-0.012
-0.021
0.013
0.013
0.037
0.005
-0.003
0.024
0.011
-0.002
0.001
0.009
-0.044
0.006
-0.004
0.006
-0.003
0.003
0.004
0.035
513.47
1019.9
1519.3
2010.6
2493.2
2966.6
3431.4
3886.6
4331.7
4766.5
5191.3
5606.9
6013.2
6410.6
6799.2
7179.5
7551.3
7914.6
8269.9
8617.5
8958.1
9291.9
9619.0
9939.9
10255.
10564.
10868.
11166.
11459.
11747.
12029.
12306.
12578.
12845.
13107.
13365.
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
Se observa que los valores de autocorrelacin decaen lentamente a cero, indicando que el proceso
no es estacionario, sino explosivo.
5(8): 13-33 enero - junio de 2006
28
Prez y Fernndez
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
AC
0.209
0.008
0.005
-0.014
0.039
-0.018
0.017
0.076
0.094
0.109
-0.004
-0.019
0.004
0.034
-0.016
-0.032
-0.059
0.010
-0.028
-0.028
-0.018
0.031
-0.024
-0.079
-0.033
-0.049
-0.047
0.006
0.029
-0.013
0.024
0.085
0.033
-0.003
0.010
-0.034
PAC
0.209
-0.037
0.012
-0.018
0.047
-0.038
0.032
0.068
0.070
0.077
-0.040
-0.008
0.005
0.035
-0.040
-0.021
-0.066
0.020
-0.054
-0.010
-0.010
0.043
-0.052
-0.062
0.011
-0.035
-0.023
0.022
0.042
-0.033
0.045
0.079
0.025
0.002
0.027
-0.048
Q-Stat
22.675
22.708
22.724
22.821
23.601
23.769
23.918
27.001
31.670
37.925
37.934
38.128
38.135
38.763
38.906
39.449
41.316
41.368
41.784
42.193
42.370
42.895
43.213
46.619
47.209
48.537
49.771
49.791
50.259
50.358
50.666
54.674
55.292
55.297
55.350
56.010
Prob
0.000
0.000
0.000
0.000
0.000
0.001
0.001
0.001
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.001
0.001
0.001
0.002
0.003
0.004
0.005
0.007
0.004
0.005
0.005
0.005
0.007
0.008
0.011
0.014
0.008
0.009
0.012
0.016
0.018
29
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
AC
0.008
-0.038
0.004
-0.026
0.048
-0.030
0.003
0.057
0.061
0.100
-0.023
-0.021
0.001
0.041
-0.018
-0.019
-0.061
0.031
-0.026
-0.018
-0.020
0.043
-0.014
-0.074
-0.008
-0.036
-0.041
0.009
0.034
-0.026
0.010
0.081
0.018
-0.013
0.021
-0.037
PAC
0.008
-0.038
0.005
-0.028
0.049
-0.033
0.008
0.054
0.064
0.100
-0.016
-0.012
-0.003
0.044
-0.026
-0.013
-0.073
0.017
-0.048
-0.017
-0.023
0.049
-0.028
-0.071
0.004
-0.029
-0.033
0.003
0.051
-0.032
0.022
0.078
0.040
0.004
0.041
-0.040
Q-Stat
0.0321
0.7877
0.7965
1.1602
2.3558
2.8268
2.8311
4.5504
6.5138
11.789
12.062
12.301
12.302
13.188
13.357
13.549
15.539
16.050
16.413
16.586
16.808
17.824
17.933
20.886
20.918
21.626
22.541
22.583
23.227
23.606
23.662
27.260
27.447
27.537
27.786
28.534
Prob
0.375
0.671
0.763
0.671
0.727
0.830
0.715
0.590
0.225
0.281
0.341
0.422
0.433
0.499
0.560
0.486
0.520
0.564
0.618
0.665
0.660
0.710
0.588
0.644
0.657
0.659
0.707
0.722
0.748
0.787
0.659
0.696
0.736
0.765
0.772
A partir del correlograma se observa que los residuos del modelo AR(1) son ruido blanco.
5(8): 13-33 enero - junio de 2006
30
Prez y Fernndez
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
AC
0.358
0.131
0.103
0.160
0.081
0.051
0.013
0.029
0.023
-0.014
0.011
0.001
-0.013
-0.018
-0.027
0.026
0.042
-0.026
-0.040
-0.023
-0.027
-0.013
-0.034
-0.035
-0.010
-0.034
-0.044
-0.033
-0.051
-0.045
-0.050
-0.024
-0.033
-0.026
-0.060
-0.038
PAC
0.358
0.003
0.063
0.119
-0.022
0.017
-0.026
0.015
0.003
-0.035
0.032
-0.018
-0.013
-0.004
-0.025
0.055
0.024
-0.054
-0.013
-0.016
-0.022
0.014
-0.027
-0.007
0.011
-0.034
-0.013
-0.011
-0.036
-0.005
-0.025
0.015
-0.026
-0.002
-0.037
-0.005
Q-Stat
66.649
75.618
81.163
94.532
97.941
99.309
99.393
99.845
100.13
100.23
100.30
100.30
100.40
100.57
100.97
101.32
102.27
102.64
103.48
103.76
104.17
104.27
104.89
105.54
105.60
106.24
107.32
107.90
109.34
110.45
111.82
112.15
112.76
113.15
115.15
115.94
Prob
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
A partir del correlograma de los residuos al cuadrado del modelo AR(1) se observa que posiblemente
existe heteroscedasticidad.
Revista Ingenieras Universidad de Medelln
31
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
AC
0.056
-0.034
0.002
-0.028
0.035
0.020
0.023
0.023
0.090
0.087
-0.016
-0.020
0.027
0.040
-0.022
-0.010
-0.061
0.019
-0.035
-0.024
-0.039
0.063
-0.012
-0.073
-0.001
-0.044
-0.026
0.006
0.038
-0.041
0.015
0.086
0.025
-0.023
0.021
-0.043
PAC
0.056
-0.038
0.006
-0.030
0.039
0.014
0.024
0.020
0.092
0.079
-0.018
-0.014
0.031
0.034
-0.036
-0.013
-0.068
0.016
-0.062
-0.023
-0.043
0.072
-0.036
-0.063
0.015
-0.027
-0.019
0.005
0.058
-0.036
0.026
0.077
0.049
-0.016
0.034
-0.051
Q-Stat
1.6426
2.2597
2.2612
2.6610
3.2940
3.5121
3.7939
4.0708
8.3887
12.414
12.549
12.762
13.149
14.001
14.257
14.314
16.315
16.512
17.164
17.474
18.300
20.470
20.548
23.458
23.459
24.518
24.895
24.913
25.727
26.663
26.779
30.863
31.207
31.502
31.738
32.752
Prob
0.133
0.323
0.447
0.510
0.622
0.705
0.772
0.396
0.191
0.250
0.309
0.358
0.374
0.431
0.502
0.431
0.488
0.512
0.558
0.568
0.492
0.549
0.434
0.493
0.490
0.525
0.579
0.588
0.590
0.635
0.473
0.507
0.542
0.579
0.577
A partir del correlograma se observa que los residuos del modelo ARCH(2) son ruido blanco.
5(8): 13-33 enero - junio de 2006
32
Prez y Fernndez
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
AC
-0.030
-0.027
0.061
0.009
0.098
0.022
0.044
0.061
0.029
-0.034
0.065
0.033
-0.059
-0.025
0.020
0.041
0.090
-0.048
-0.043
0.007
-0.062
0.074
-0.042
-0.043
0.032
-0.036
-0.029
-0.036
-0.039
-0.042
-0.063
-0.001
-0.029
0.016
-0.076
-0.025
PAC
-0.030
-0.028
0.059
0.012
0.102
0.026
0.051
0.055
0.031
-0.045
0.053
0.020
-0.064
-0.046
0.010
0.030
0.094
-0.032
-0.043
-0.013
-0.058
0.063
-0.049
-0.038
0.024
-0.020
-0.030
-0.044
-0.031
-0.027
-0.058
0.007
-0.036
0.024
-0.037
0.002
Q-Stat
0.4782
0.8575
2.7742
2.8201
7.8161
8.0721
9.0878
11.076
11.506
12.129
14.387
14.960
16.796
17.130
17.338
18.238
22.567
23.796
24.786
24.816
26.874
29.841
30.805
31.817
32.383
33.110
33.556
34.279
35.121
36.084
38.256
38.257
38.716
38.851
42.028
42.389
Prob
0.354
0.250
0.420
0.099
0.152
0.169
0.135
0.175
0.206
0.156
0.184
0.157
0.193
0.239
0.250
0.126
0.125
0.131
0.167
0.139
0.095
0.100
0.104
0.118
0.128
0.147
0.158
0.166
0.171
0.143
0.173
0.192
0.223
0.162
0.182
A partir del correlograma de los residuos al cuadrado se observa que no hay evidencia de trminos
ARCH remanentes o adicionales.
Revista Ingenieras Universidad de Medelln
33
BIBLIOGRAFA
BOLLERSLEV, T. 1986. Generalized autoregresive conditional heteroscedasticity. Journal of
Econometrics, 31f, 307-327.
ENGLE, R. 1982. Autoregresive conditional heteroscedasticity with estimates of the variance of United
Kingdom inflation. Econometrica, 50, 4, 987-1007.
ENGLE, R. Y BOLLERSLEV, T. 1986. Modelling the persistence of conditional variances. Econometrics
Review, 5, 1 1-50.
GRIFFITHS-HILL-JUDGE 1993. Learning and practicing econometrics. Nueva York, John Wiley and
Sons, Inc.
TIAO G. C. AND TSAY R. S. 1994. Some advances in non-linear and adaptive modeling in time series.
Journal of forecasting, Vol.13, 109-131.
TONG H. AND K. S. LIM 1980. Threshold autorregresion, limited cycles and cyclical data. Journal of
the Royal Statistical Society, Series B, 42, 245-292.
TSAY R. S. 2002. Analysis of Financial Time Series. Wiley Series In Probability And Statistics.
VILARIO, . 2001. Turbulencias Financieras y Riesgos de Mercado. Prentice Hall.
WHITE, H. 1980. A heteroscedasticity consistent covariance matrix estimation and a direct test for
heteroscedasticity. Econometrica 48, 817-838.