Facultad de Economa - UNMSM

Econometra II

Modelos de Volatilidad
ARCH

Mg. Beatriz Castaeda S.

 INTRODUCCION
Hasta ahora, hemos modelado la media condicional de una variable
aleatoria (condicional a los valores realizados de los regresores: las
Xs que pueden ser los valores pasados de la misma variable como
en un modelo AR).
El anlisis de series de tiempo financieras tales como precios de acciones, tasas
de inflacin y tasas de cambio ha mostrado que ellas tienen periodos de relativa
estabilidad (varianza pequea) y periodos de alta volatilidad (varianza grande).

Econometra II Mg. Beatriz Castaeda 2

 VOLATILIDAD
Los mercados financieros son sensibles a los rumores, eventos de
convulsin social, eventos de desastres naturales, cambios en las
polticas monetarias y fiscales.

Esto implicara que la varianza de los errores de prediccin no sea constante

sino que vara de un periodo a otro (heterocedstica), es decir, existe alguna
clase de autocorrelacin en la varianza de los errores de prediccin en funcin
de las perturbaciones.

Para capturar esta estructura de la heterocedasticidad para la varianza de los

errores de prediccin Engle desarroll el modelo autorregresivo de
heterocedastidad condicional (ARCH).

t
2
0 1 t 1
2 Es la varianza de la prediccin para el
periodo actual basada en la informacin
pasada

Econometra II Mg. Beatriz Castaeda 3

 MODELO ARCH
Dado el modelo

Yt 1 2 X 2t ... k X kt t

t es normal E( t ) 0, E ( t2 ) t2 0 1 t21
Como en este modelo la varianza de la perturbacin depende de su primer
rezago, el proceso se denomina autorregresico de Heterocedasticidad
condicional de orden 1 - ARCH(1)

ARCH(p):

t2 0 1 t21 .... p t2 p

Econometra II Mg. Beatriz Castaeda 4

 Prueba de Heterocedasticidad
Condicional
1. Prueba ARCH-LM
Luego de estimar el modelo para la media de Yt se obtienen los residuos et
para los cuales se estima el modelo:

et2 0 1 et21 .... p et2 p

H0 : 1 ... p 0 t2 0 Homocedasticidad

H1 : a lg n i 0 Heterocedasticidad

Estadstica TR 2 (2p ) R del modelo para los residuos

Econometra II Mg. Beatriz Castaeda 5

 Prueba de Heterocedasticidad Condicional
2. Prueba de Ljung y Box. Se analiza el correlograma de los
residuos al cuadrado para apreciar la evolucin de la dispersin de los
residuos a lo largo del tiempo y se aplica el estadstico QLB

H 0 : j 0 j : 1, M H 1 : j 0, para a lg n j

M 2
QLB T (T 2 ) rj


j 1
T j


es asintticamente (2M p q )

Con este anlisis, en caso de rechazar la H0, se busca de detectar una

estructura autorregresiva para la heterocedasticidad

Econometra II Mg. Beatriz Castaeda 6

 Modelo GARCH
Yt 1 2 X 2t ... k X kt t

t2 0 1 t21 t21

La varianza actual depende de 3 factores:

- Una constante (o)
- Las noticias de ayer acerca de la volatilidad t-1 (trmino ARCH)
- La varianza de la prediccin de ayer t-1 (trmino GARCH)

Esta especificacin tiene sentido en asientos financieros. Si el retorno del activo fue
grande , entonces, el agente aumentar la varianza para el da siguiente. Esta
especificacin para la varianza incorpora el fenmeno de la volatilidad.
Grandes retornos es ms probable que sean seguidos por retornos grande, que por
retornos pequeos.
Econometra II Mg. Beatriz Castaeda 7
 Modelo GARCH
(1) E ( t2 ) t2 0 1 t21 t21

0
(1 L) t2 0 1 t21 t2
(1 L)
1 j 1 t21 con 1
j 1

Sea el error vt t2 t2 remplazando en (1)

vt t2 0 1 t21 (vt 1 t21 )

La raz AR de este modelo es
(1+) y es la que gobierna la
persistencia de los impactos de
t2 0 ( 1 ) t21 v t v t 1 la volatilidad.

Si (1+) 1 Los impactos decaen lentamente

Econometra II Mg. Beatriz Castaeda 8
 Modelo ARCH-M

En aplicaciones financieras se puede incluir el riesgo esperado en el modelo

para el retorno, entonces se obtiene

Yt t2 X t t

De esta manera el retorno esperado E(Yt) de un activo es proporcional al riesgo

esperado del activo t

La medicin del riesgo esperado mediante la varianza condicional conduce al

modelo ARCH-M (ARCH en media)

El coeficiente indica el equilibrio del retorno del riesgo.

Econometra II Mg. Beatriz Castaeda 9

 Modelo ARCH-M

En las especificacin del ARCH-M se formula tambin en trminos de la

desviacin estndar y del logaritmo de la varianza.

Yt t X t t

Yt log( t2 ) X t t

Estos modelos se utilizan para estudiar mercados de acciones, y establecer

el trade off (o compensacin) que existe entre el riesgo (su volatilidad) y el
rendimiento (su valor medio) de una accin. Se debe verificar que >0, de
manera que a mayor volatilidad de la accin, mayor es la prima por riesgo
exigida.

Econometra II Mg. Beatriz Castaeda 10

 Modelos Asimtricos
Modelo TARCH
t2 0 t21 d t 1 t21 t21

d t 1 si t 0 Las malas noticias tienen un impacto +

d t 0 si t 0 Las buenas noticias tienen un impacto

Se espera que los residuales t sean simtricos (50% < 0).

Para predecir se utiliza dt =0.5

Persistencia de los impactos
2

Econometra II Mg. Beatriz Castaeda 11

Procedimiento para estimar un
modelo ARCH
1. Especificar correctamente el modelo para la media, estimar el modelo y
obtener los residuos

2. Analizar a los residuos al cuadrado, observando el correlograma de los

residuos al cuadrado para determinar que componentes ARCH son
significativos. Aplicar el test ARCH-LM

3. Luego de estimar el modelo ARCH(q) o GARCH elegido, analizar

nuevamente los residuos al cuadrado para verificar que todo el componente
autorregresivo de la varianza ha sido incluido.

Los modelos ARCH son estimados por el mtodo de mximo verosimilitud bajo
la supuesto de que la perturbacin es normal, pero dado que las perturbaciones
tienen mayor dispersin tambin se asume distribucin t-student

Econometra II Mg. Beatriz Castaeda 12