Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
=
2
t
, entonces:
E
_
L
_
2
t
, h
1t
_
E
_
L
_
2
t
, h
2t
_
E
_
L
_
2
t
, h
1t
_
E
_
L
_
2
t
, h
2t
_
1.2. Las funciones de prdidas econmica
El escenario ideal en forecasting es cuando el completo problema de decisin del usuario de la prediccin es
conocido por el productor de la prediccin. En tales casos preferimos usar ls funcines de prdidas econmicas
relevantes - ver West, et al. (1993), Fleming, et al. (2001) o Engle, et al. (1993) como ejemplos.
En tales casos la prediccin se converite solo en un input para la decisin, y la prediccin de volatilidad
ptima no ser generalmente la verdadera varianza condicional. Desafortunadamente, la funcin de prdidas
econmica del usuario de una prediccin de volatilidad es usualmente desconocida, lo que nos lleva a funciones
de prdida estadstica.
Este paper provee una gua acerca de la eleccin de funciones de prdidas estadstica para el forecasting de
volatilidad.
EXPOSITOR: Miguel Ataurima Arellano 3 mataurimaa@uni.pe
UNIVERSIDAD NACIONAL DE INGENIERA
Facultad de Ingenieria Econmica, Estadstica y Ciencias Sociales
MATLAB para el Anlisis Econmico y Financiero
REPLICA DE PAPER
1.3. Notacin
Retornos : r
t
|F
t1
F
t
_
0,
2
t
_
Retornos Estandarizados :
t
r
t
/
t
F
t
(0, 1)
Varianza : V
t1
[r
t
] = E
t1
_
r
2
t
=
2
t
Proxy de la volatilidad :
2
t
, tal que E
t1
_
2
t
=
2
t
Prediccin de volatilidad optima : h
t
= arg mn
h
t
E
t1
_
L
_
2
t
, h
t
_
1.4. Funciones de prdida robustas en la literatura
Meddahi (2001) mostr que el R
2
de la regresin Mincer-Zarnowitz
2
t
=
0
+
1
h
it
+e
it
arroja una clasicacin robusta de predicciones de volatilidad.
Hansen y Lunde (2006) mostraron que el R
2
a partir de la regresin MZ en logaritmos no es robusta. Adems,
Hansen y Lunde (2006) proporcionan una condicin suciente para que una funcin de prdida sera robusta
3
L
_
2
t
, h
_
h (
2
t
)
2
= 0
1.5. La Prueba de Diebold-Mariano (1995) - West (1996)
Esta es la prueba mas ampliamente utilizada para la comparacin de prediccin. Sea
d
t
= L
_
2
t
, h
1,t
_
L
_
2
t
, h
2,t
_
por ejemplo d
t
=
_
2
t
h
1,t
_
2
_
2
t
h
2,t
_
2
.
Si dos pronsticos arrojan la misma prdida esperada, para alguna funcin de prdida, entonces
H
0
: E [d
t
] = 0
vs. H
a
: E [d
t
] = 0
Esta prueba puede ser conducida mediante una prueba t, con el error estndar apropiadamente ajustado
para la dependencia serial (Diebold-Mariano) y/o el error estimado en la prediccin (West).
1.6. Funciones de prdida usadas en pruebas DMW
MSE : L
_
2
t
, h
t
_
=
_
2
t
h
t
_
2
QLIKE : L
_
2
t
, h
t
_
= log h
t
+
2
t
h
t
MSE LOG : L
_
2
t
, h
t
_
=
_
log
2
t
log h
t
_
2
MSE SD : L
_
2
t
, h
t
_
=
_
t
_
h
t
_
2
MSE prop : L
_
2
t
, h
t
_
=
_
2
t
h
t
1
_
2
MAE : L
_
2
t
, h
t
_
=
2
t
h
t
MAE LOG : L
_
2
t
, h
t
_
=
log
2
t
log h
t
MAE SD : L
_
2
t
, h
t
_
=
_
h
t
MAE prop : L
_
2
t
, h
t
_
=
2
t
h
t
1
2
t
, h
1t
_
E
_
L
_
2
t
, h
2t
_
E
_
L
_
2
t
, h
1t
_
E
_
L
_
2
t
, h
2t
_
entonces se sigue inmediatamente que la prediccin ptima bajo aquella funcin de prdida debe ser la varianza
condicional.
Podemos as vericar una condicin necesaria para la robustez determinando si la funcin de prdida implica
h
t
=
2
t
.
1.8. Prediccin ptima bajo prdidas MSE
La prdida MSE es la funcin de prdida empleada mas comn. La prediccin ptima bajo prdidas MSE
es la varianza condicional verdadera:
h
t
arg mn
h
E
t1
_
_
r
2
t
h
_
2
_
cuya condicin de primer orden es
h
t
= E
t1
_
r
2
t
=
2
t
Asi, la funcin de prdida satisface la condicin necesaria. (Esto tambin satisface la condicin de suciencia
de Hansen y Lunde).
1.9. Prediccin ptima bajo prdidas MAE
Una de las funcin de prdida alternativa empleada comnmente es la del criterio de error absoluto L
_
r
2
t
, h
t
_
=
r
2
t
h
t
, la cual arroja:
h
t
= Mediana
t1
_
r
2
t
=
2
t
2
Mediana [F
1,
] , si r
t
|F
t1
t
_
0,
2
t,
_
, > 2
=
2
t
Mediana
_
2
1
, si r
t
|F
t1
N
_
0,
2
t
_
,
0,45
2
t
por lo tanto, esta funcin de prdida no satisface la condicin necesaria para robustex. MAE es una funcin de
prdida no robusta.
1.10. Predicciones ptimas bajo prdidas MSE-SD
Otra funcin de prdida comn es la MSE sobre desviaciones estndar:
L
_
r
2
t
, h
t
_
=
_
|r
t
|
_
h
t
_
2
h
t
= (E
t1
[|r
t
|])
2
=
2
_
1
2
_
2
2
_
2
2
t
si los retornos tienen distribucin t
=
2
2
t
0,64
2
t
si los retornos estn distribuidos normalmente
Para ambas funciones de prdida, MAE y MSE-SE, la distorcin est exacerbada cuando los retornos tienen
exceso de kurtosis.
EXPOSITOR: Miguel Ataurima Arellano 5 mataurimaa@uni.pe
UNIVERSIDAD NACIONAL DE INGENIERA
Facultad de Ingenieria Econmica, Estadstica y Ciencias Sociales
MATLAB para el Anlisis Econmico y Financiero
REPLICA DE PAPER
1.11. Prediccin ptima bajo diversas funciones de prdida
Distribucin de retornos diarios
Funcin de Prdida r
t
|F
t1
_
0,
2
t
_
t
_
0,
2
t,
_
N
_
0,
2
t
_
MSE, QLIKE
2
t
2
t
2
t
MSE-LOG exp
_
E
t1
_
log
2
t
_
2
t
0,22
2
t
0,28
2
t
MSE-SD (E
t1
[|r
t
|])
2
0,56
2
t
0,64
2
t
MSE-prop Kurtosis
t1
[r
t
]
2
t
6,00
2
t
3,00
2
t
MAE Mediana
t1
_
r
2
t
0,34
2
t
0,45
2
t
MAE-SD Mediana
t1
_
r
2
t
0,34
2
t
0,45
2
t
MAE-prop n/a 2,73
2
t
2,36
2
t
1.12. Usando mejores proxies de volatilidad
Consideremos el siguiente simple DGP: hay m observaciones igualmente espaciadas por da de trading, y
denotemos como r
i,m,t
al retorno intra diario i-simo del da t.
r
t
= d ln P
t
=
t
dW
t
=
t
t 1, t]
r
i,m,t
i/m
(i1)/m
r
d =
t
i/m
(i1)/m
dW
{r
i,m,t
}
m
i=1
iid N
_
0,
2
t
m
_
Un proxy de volatilidad alternativo es la volatilidad realizada, ver Anderson, et al. (2001a, 2003), y Barndor-
Neilsen y Shepard (2002,2004):
RV
(m)
t
m
i=1
r
2
i,m,t
Otra alternativa comnmente usada a los retornos al cuadrado es el rango intra diario, ver Parkinson (1980)
y Feller (1951):
RG
t
sup
log P
nf
log P
, t 1 < t
La comparacin de eciencia bajo este DGP es:
MSE
t1
_
r
2
t
= 2
4
t
MSE
t1
_
RV
(m)
t
_
= 2
4
t
/m
MSE
t1
_
RG
2
t
0,4073
4
t
1.13. Prediccin ptima - Analtica, volatilidad constante
Volatilidad Realizada
Funcin de Diario: 30-min: 5-min: Verdadera:
Prdida Rango m = 1 m = 13 m = 78 m
MSE, QLIKE
2
t
2
t
2
t
2
t
2
t
MSE-LOG 0,85
2
t
0,28
2
t
0,91
2
t
0,98
2
t
2
t
MSE-SD 0,92
2
t
0,56
2
t
0,96
2
t
0,99
2
t
2
t
MSE-prop 1,41
2
t
3,00
2
t
1,15
2
t
1,03
2
t
2
t
MAE 0,83
2
t
0,46
2
t
0,95
2
t
0,99
2
t
2
t
MAE-SD 0,83
2
t
0,46
2
t
0,95
2
t
0,99
2
t
2
t
MAE-prop 1,19
2
t
2,36
2
t
1,10
2
t
1,02
2
t
2
t
EXPOSITOR: Miguel Ataurima Arellano 6 mataurimaa@uni.pe
UNIVERSIDAD NACIONAL DE INGENIERA
Facultad de Ingenieria Econmica, Estadstica y Ciencias Sociales
MATLAB para el Anlisis Econmico y Financiero
REPLICA DE PAPER
1.14. Prediccin ptima - Simulacin, GARCH SV
Volatilidad Realizada
Funcin de Diario: 30-min: 5-min: Verdadera:
Prdida Rango m = 1 m = 13 m = 78 m
MSE, QLIKE 0,99
2
t
2
t
2
t
2
t
2
t
MSE-LOG 0,83
2
t
0,28
2
t
0,92
2
t
0,98
2
t
2
t
MSE-SD 0,91
2
t
0,63
2
t
0,96
2
t
0,99
2
t
2
t
MSE-prop 1,40
2
t
3,02
2
t
1,16
2
t
1,03
2
t
2
t
MAE 0,82
2
t
0,46
2
t
0,94
2
t
0,99
2
t
2
t
MAE-SD 0,82
2
t
0,46
2
t
0,94
2
t
0,99
2
t
2
t
MAE-prop 1,18
2
t
2,37
2
t
1,10
2
t
1,01
2
t
2
t
1.15. Prediccin ptima - Simulacin, log-normal SV
Volatilidad Realizada
Funcin de Diario: 30-min: 5-min: Verdadera:
Prdida Rango m = 1 m = 13 m = 78 m
MSE, QLIKE 0,99
2
t
2
t
2
t
2
t
2
t
MSE-LOG 0,83
2
t
0,28
2
t
0,92
2
t
0,98
2
t
2
t
MSE-SD 0,91
2
t
0,63
2
t
0,96
2
t
0,99
2
t
2
t
MSE-prop 1,40
2
t
3,03
2
t
1,16
2
t
1,03
2
t
2
t
MAE 0,82
2
t
0,46
2
t
0,94
2
t
0,99
2
t
2
t
MAE-SD 0,82
2
t
0,46
2
t
0,94
2
t
0,99
2
t
2
t
MAE-prop 1,18
2
t
2,37
2
t
1,10
2
t
1,02
2
t
2
t
1.16. Prediccin ptima - Simulacin, dos factores SV
Volatilidad Realizada
Funcin de Diario: 30-min: 5-min: Verdadera:
Prdida Rango m = 1 m = 13 m = 78 m
MSE, QLIKE
2
t
1,01
2
t
2
t
2
t
2
t
MSE-LOG 0,35
2
t
0,12
2
t
0,37
2
t
0,41
2
t
2
t
MSE-SD 0,57
2
t
0,40
2
t
0,58
2
t
0,62
2
t
2
t
MSE-prop 0,79
2
t
20,6
2
t
9,03
2
t
6,70
2
t
2
t
MAE 0,31
2
t
0,17
2
t
0,32
2
t
0,35
2
t
2
t
MAE-SD 0,31
2
t
0,17
2
t
0,32
2
t
0,35
2
t
2
t
MAE-prop 3,47
2
t
6,60
2
t
3,33
2
t
2,98
2
t
2
t
1.17. Modelos SV usados en las simulaciones
Para las simulaciones usaron los mismos modelos y valores de parmetros usados en Goncalves y Meddahi
(2005):
1. Difusin GARCH, como en Anderson y Bollerslev (1998):
d log P
t
= 0,0314dt +
t
_
0,576dW
1t
+
_
1 0,576
2
dW
2t
_
d
2
t
= 0,035
_
0,636
2
t
_
dt + 0,144
2
t
dW
1t
2. Difusin log-normal, como en Anderson, Benzoni y Lund (2002):
d log P
t
= 0,0314dt +
t
_
0,576dW
1t
+
_
1 0,576
2
dW
2t
_
d log
2
t
= 0,0136
_
0,8382 + log
2
t
_
dt + 0,1148dW
1t
EXPOSITOR: Miguel Ataurima Arellano 7 mataurimaa@uni.pe
UNIVERSIDAD NACIONAL DE INGENIERA
Facultad de Ingenieria Econmica, Estadstica y Ciencias Sociales
MATLAB para el Anlisis Econmico y Financiero
REPLICA DE PAPER
3. Difusin 2 factores, como en Chernov, Gallant, Ghysels y Tauchen (2003):
d log P
t
= 0,030dt +
t
_
0,30dW
1t
0,30dW
2t
+
_
1 0,3
2
0,3
2
dW
3t
_
2
t
= s exp
_
1,2 + 0,04
2
1t
+ 1,5
2
2t
_
d
2
1t
= 0,00137
2
1t
dt +dW
1t
d
2
2t
= 1,386
2
2t
dt +
_
1 + 0,25
2
2t
_
dW
2t
1.18. Generalizacin de los resultados
Usando una expansin de valor en media de segundo orden para L, la condicin de primer orden es:
0 = E
t1
_
L
_
2
t
, h
t
_
h
_
=
L
_
2
t
, h
t
_
h
+
3
L
_
2
t
, h
t
_
(
2
t
)
2
h
1
2
V
t1
_
2
t
1. Si
3
L(
2
t
,h
t
)
(
2
t
)
2
h
= 0 para todo
_
2
, h
_
, entonces h
t
=
2
t
. Esta es un resultado de Hansen y Lunde (2006).
2. Si
3
L(
2
t
,h
t
)
(
2
t
)
2
h
> 0 para todo
_
2
, h
_
, entonces tenemos que
L
h
< 0 implicando que h
t
<
2
t
. Por ejemplo:
Las funciones de prdida MSE-SD y MSE-log.
3. Si
3
L(
2
t
,h
t
)
(
2
t
)
2
h
< 0 para todo
_
2
, h
_
, entonces tenemos que
L
h
> 0 implicando que h
t
>
2
t
. Por ejemplo:
La funcin de prdida MSE-prop.
2. Una clase de funciones de prdidas robustas
Las funciones de prdidas MSE y QLIKE arrojan la varianza condicional como la prediccin ptima. Esto
conduce a la pregunta: Existe alguna clase general de tales funciones de prdida?
La siguiente proposicin sugiere una clase de funciones de prdida, relacionadas a la familia lineal - expo-
nencial de densidades de Gourieroux, et al. (1984), y a Gourieroux, et al. (1987).
2.1. Supuestos:
1. E
_
2
t
|F
t1
=
2
t
.
2.
2
t
|F
t1
F
t
F, el conjunto de toas las funciones de distribucin continuas absolutamente sobre R
+
.
3. L es doblemente diferenciable continuamente con respecto a h y
2
, y tiene un nico mnimo en
2
= h.
4. Existe algn h
t
int (H) tal que h
t
= E
t1
_
2
t
E
t1
_
2
L(
2
t
,
2
t
)
h
2
_
t
_
h
_
= 0 = h
k2
t
_
E
t1
_
2
t
t
_
, k R
Proposicin 4:
1. La siguiente familia de funciones
L
_
2
t
, h; k
_
=
_
_
1
(b+1)(b+2)
_
2b+4
h
b+2
_
1
b+1
h
b+1
_
2
h
_
, para b / {1, 2}
h
2
+
2
log
_
2
h
_
, para b = 1
2
h
log
_
2
h
_
1, para b = 2
satisface L(h, h; k) = 0 para todo h H, y son de la forma de la Proposicin 2.
2. La familia de funciones de prdida en la parte 1 corresponde a los subconjuntos completos de funciones
de prdida robustas homogneas. El grado de homogeneidad es igual a b + 2.
L
_
2
, h
_
=
b+2
L
_
2
, h
_
, > 0
2.3. Unidades de medida y clasicaciones de prediccin
La eleccin de unidades en diversos problemas econmicos y nancieros es arbitrario (precios en dlares
versus centavos, retornos en porcentaje versus decimales).
Proposicin 5:
1. La clasicacin de cuaqluiera dos (posiblemente imperfectas) predicciones de volatilidad mediante prdidas
esperadas es invariante a un reescalamiento de los datos si la funcin de prdidas es robusta y homognea.
2. La clasicacin de cuaqluiera dos (posiblemente imperfectas) predicciones de volatilidad mediante prdidas
esperadas no es invariante a un reescalamiento de los datos si la funcin de prdidas es robusta pero no
homognea.
3. Aplicacin Emprica para la prediccin de la volatilidad de los
retornos de IBM
Datos diarios e intradiarios de IBM desde Enero de 1993 hasta Diciembre del 2003, 2772 observaciones.
El autor considera dos modelos de volatilidad simples que son ampliamente utilizados
Rolling window : h
1t
=
1
60
60
j=1
r
2
tj
Riskmetrics : h
2t
= h
2t1
+ (1 ) r
2
t1
, = 0,94
Las primeras 272 observaciones (aproximadamente 1 ao) son usadas para la inicializacin de la estimacin
Riskmetrics, las 2500 ltimas observaciones son usadas para comparar las predicciones.
EXPOSITOR: Miguel Ataurima Arellano 9 mataurimaa@uni.pe
UNIVERSIDAD NACIONAL DE INGENIERA
Facultad de Ingenieria Econmica, Estadstica y Ciencias Sociales
MATLAB para el Anlisis Econmico y Financiero
REPLICA DE PAPER
0 0.5 1 1.5 2 2.5 3 3.5 4
0
0.5
1
1.5
2
2.5
hhat (r2=2)
p
r
d
i
d
a
Diversas funciones de prdida robustas
b=1
b=0.5
b=0 (MSE)
b=0.5
b=1
b=2 (QLIKE)
b=5
Figura 1. Funciones de prdida para diversas elecciones de b. En este ejemplo el verdadero valor es
2
= 2, con la prediccin de
volatilidad en el rango entre 0 y 4, b = 0 y b = 2 corresponden a las funciones de prdida MSE y QLIKE respectivamente.
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
0
0.5
1
1.5
2
2.5
Error de prediccin (r2=2)
p
r
d
i
d
a
Razn de prdida desde errores de prediccin negativos hasta errores de prediccin positivos
b=1
b=0.5
b=0 (MSE)
b=0.5
b=1
b=2 (QLIKE)
b=5
Figura 2. La razn de prdidas a partir de los errores de prediccin negativos hasta los errores de prediccin positivos, para
diversos valores de b. En este ejemplo, el verdadero valor es
2
= 2, con la prediccin de volatilidad en el rango entre 0 y 4, b = 0
y b = 2 corresponden a las funciones de prdida MSE y QLIKE respectivamente.
EXPOSITOR: Miguel Ataurima Arellano 10 mataurimaa@uni.pe
UNIVERSIDAD NACIONAL DE INGENIERA
Facultad de Ingenieria Econmica, Estadstica y Ciencias Sociales
MATLAB para el Anlisis Econmico y Financiero
REPLICA DE PAPER
3.1. Resultados de la regresin Mincer-Zarnowitz
Las regresiones MZ son
2
t
=
0
+
1
h
it
+e
it
Proxy de Volatilidad
Retornos cuadrados diarios Vol realizado 5-min
0
(s.e.)
2,13
(0,48)
2,13
(0,40)
Rolling Window
1
(s.e.)
0,55
(0,09)
0,53
(0,07)
2
2
stat 25,63
43,86
0
(s.e.)
2,39
(0,46)
2,43
(0,42)
RiskMetrics
1
(s.e.)
0,550
(0,09)
0,51
(0,09)
2
2
stat 32,99
35,93
2,73
2,41