Escuela Politcnica Nacional

Series Temporales
Modelos ARCH-GARCH
Integrantes:
Mara Jos Castellano
Diana Taipe

Fecha: Quito, 28 de abril de 2014

Introduccin
Apple Inc. es una empresa multinacional estadounidense con sede en California, que disea y
produce equipos electrnicos y software. Ofrecer servicios con la ms alta calidad y con la ms
alta tecnologa con los mejores productos y promover estilos de vida saludables. As como
seguir capacitndonos para renovar nuestra empresa da a da.

Objetivo
El objetivo en este trabajo es encontrar un modelo que represente adecuadamente la serie de
datos referido al precio de cierre mensual de la empresa Apple Inc . Los datos se presentarn en
el Anexo A, considerando el perodo comprendido entre Enero-2002 a Abril-2013 mientras las
observaciones restantes hasta Abril-2014 se reservan para compararlas con las predicciones
realizadas por el modelo propuesto en este documento. La modelacin se har utilizando el
paquete estadstico EViews 8.
Observacin: Los datos fueron tomados de https://es-
us.finanzas.yahoo.com/q/hp?a=00&b=1&c=2002&d=03&e=1&f=2014&g=m&s=AAPL%2C+&ql=1

Identificacin
A partir de los datos mencionados podemos observar la Figura 1 correspondiente a la serie
original:

Figura 1: Datos de la serie original
A priori se observa que la serie es no estacionaria, ni estacional. Para aseverar este hecho
observemos las funciones de autocorrelacin y autocorrelacin parcial (Figura 2).

Figura 2: Funcin de Autocorrelacin y Autocorrelacin Parcial para la serie original
Visualizamos que los valores de las autocorrelaciones estimadas decrecen rpidamente hacia
cero por lo que, es necesaria una diferenciacin no estacional de la serie original para volverla
estacionaria.
Utilizaremos la prueba de Dickey-Fuller, para demostrar que, en efecto, es necesario
diferenciar no estacionalmente.
Tabla 1 Resultados de la Prueba Dickey-Fuller

De la Tabla 1, tenemos que el valor absoluto del t-estadstico (0.116573) no excede al valor
absoluto del t-crtico en 1%, 5% y 10% por lo que se puede asegurar que la serie original
presenta races unitarias, es decir, se necesita hacer una diferenciacin no estacional como
estaba previsto. Entonces tomamos d=1, y al realizar el correolograma de la seria diferenciada
estacionariamente tenemos:

Figura 2 Funcin de Autocorrelacin y Autocorrelacin Parcial para la serie con d=1
Ahora, aplicaremos nuevamente la Prueba de Dickey-Fuller para constatar que no es necesaria
otra diferenciacin no estacional. A continuacin los resultados:
Tabla 2 Resultados de la Prueba Dickey-Fuller

De la Tabla 2, concluimos que el valor absoluto del t-estadstico (8.126650) excede al valor
absoluto del t-crtico en 1%, 5% y 10% por lo que se puede mencionar que la serie diferenciada
una vez no presenta races unitarias, gracias a ello mantendremos d=1 y como se observ, la
serie no presenta estacionalidad entonces D=0.

Especificacin del modelo
De acuerdo a los resultados en la Figura 3, en las funciones de autocorrelacin y
autocorrelacin parcial indican que para determinar el MODELO 1 podemos considerar los
coeficientes MA (1), MA (9) y AR (1), entonces:
D (SER01, 1,0) C MA (1) MA (9) AR (1)
Tabla 2: Estadsticos del Modelo 1.

El coeficiente MA (1) es estadsticamente no significativa, pues su p-valor (0.8435) es mayor al
5%, entonces es retirada del modelo y tenemos la modificacin:
D(SER01,1,0) C MA(9) AR(1)
Tabla 3: Estadsticos del modelo 1 sin MA (1)



VERIFICACIN.
3.1. Pruebas para los parmetros.
Con la informacin de la Tabla 4, los coeficientes son estadsticamente significativos, pues el
p-valor correspondiente a ellos es menor al 5%. Entonces nos queda probar que el modelo:
D (SER01,1,0) C MA(9) AR(1)
pase las pruebas estadsticas concernientes a los residuos , para ello analizaremos el
correolograma de los residuos mostrados en la Figura 4:

Figura 4 FAC y FACP residuales estimadas.
Como podemos el modelo con esta ltima modificacin pasa la prueba para los residuos, pues
los p-valores son estadsticamente significativos (mayores a 5%), entonces podemos aceptar
nuestro modelo:
D(SER01,1,0) C MA(9) AR(1)





Modelacin de la varianza condicionada
Dado que el objetivo principal es encontrar un modelo que represente apropiadamente el
comportamiento tanto de la media como de la varianza, tenemos como herramienta a usar los
modelos ARIMA-GARCH de manera que la media est representada por un modelo ARIMA y la
varianza por un modelo GARCH o a su vez las extensiones EGARCH o TARCH.
Para usar el modelo ARCH- GARCH de antemano de determinar si existe heteroscedasticidad,
para lo cual nos ayudaremos con la Figura 6, en la cual observamos que algunos de los
residuos al cuadrado se encuentran fuera de las bandas de confianza, sin embargo, la certeza
de que la varianza no es contante nos ofrecen los valores del Q-estadstico y los p-valores
menores al 5% y en efecto es adecuada la modelacin a travs de modelos ARCH- GARCH.

Figura 6: FAC y FACP residuales estimadas de los residuos cuadrticos para el Modelo 1
Ahora probaremos los modelos con sus respectivas extensiones para el Modelo 1
Tabla 7 Estimacin del modelo ARCH(1,0)

Tabla 9 Estimacin del modelo ARCH(1,2)







Tabla 8 Estimacin del modelo ARCH(1,1)


Tabla 10 Estimacin del modelo ARCH(2,2)



De las Tablas 8,9 y 10, se tiene que los coeficientes no pasan las pruebas de significancia
correspondientes, entonces de todos los modelos solo aceptaremos el ARCH(1,0) donde los
residuos pasan la prueba de significancia

Figura 7: FAC y FACP residuales estimadas para ARCH(1,0)
Y tambin el cuadrado de sus residuos, sus p-valores son mayores que 5%.

Figura 8: FAC y FACP residuales estimadas de los residuos al cuadrado para ARCH(1,0)
Ahora, consideramos el ajuste de la varianza de la serie considerada en este documento con
este modelo (Figura 10).


Figura 9: Evolucin de la serie en estudio segn el Modelo ARCH(1,0)
Finalmente, probemos los modelos EGARCH de obtener un modelo adecuado, si es que es
posible.


Tabla 10 Estimacin del modelo EGARCH(1,0)


Tabla 11 Estimacin del modelo EGARCH(1,2)

Tabla 12 Estimacin del modelo EGARCH(1,1)



Tabla 13 Estimacin del modelo EGARCH(2,2)



Pero notamos que no es posible encontrar un modelo mejor que el ARCH(1,0) ya que sus
parmetros no son estadsticamente significativos. Entonces nos mantendremos en el uso del
modelo ARCH(1,0) para una correcta modelacin de la serie.

Predicciones MAJO HAY QUE CAMBIAR LA PARTE DE LAS PREDICCIONES
La Figura 10 muestra las predicciones realizadas por el Modelo 1 con su ltima modificacin,
donde se puede apreciar que las predicciones tienen una tendencia lineal constante y que su
respectiva banda de confianza se ensancha conforme avanzamos en el tiempo, por lo que las
predicciones no sern muy exactas para periodos grandes de tiempo.

Figura 10: Predicciones del Modelo 1 con la ltima modificacin

Conclusiones
1. Para obtener el modelo propuesto se ha realizado tan solo una diferenciacin no
estacional por lo tanto en este modelo d=1, adicionalmente se ha obtenido el modelo
D(SER01,1,0) AR(1) AR(3).
2. A pesar de la bsqueda de otro modelo que pueda explicar la serie de mejor manera,
el modelo escrito anteriormente fue el que mejor explico a la serie por lo que lo
mantuvimos hasta el momento en el que se empez la modelacin de la varianza.
3. El modelo que ayud a estabilizar la heteroscedasticidad fue un ARCH(1,0) y de igual
manera aunque se quiso encontrar un modelo que explique la serie de una manera
ms satisfactoria, en los otros modelos se tena el caso que los coeficientes eran no
significativos.

BILIOGRAFA.
[1] CAPA HOLGER. Modelacin de Series Temporales. Primera Edicin. Designio. Quito-
Ecuador. 2007.
[2] CAPA HOLGER. Un primer Curso en Series Temporales. Primera Edicin. Designio. Quito-
Ecuador. 2008.
[3]http://faculty.chicagobooth.edu/ruey.tsay/teaching/introTS/w-petroprice.txt
[4]http://www.monografias.com/trabajos-pdf4/pruebas-raices-unitarias-eviews/pruebas-
raices-unitarias-eviews.pdf
[5]http://www.andrew.cmu.edu/course/73-100/houts/Document5.pdf




Anexos