Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
INTEGRANTES:
ALCEDO HERRERA, VALERIA ALENCITH
CAHUANCAMA CONDO, JOHNNY
CÁRDENAS MORÁN, MADELEYNE
DURÁN EURIBE, MADELEYNE
PEÑA GALLEGO, ENZO
HILDER VILLEGAS, ADAN
RUBIO HUARNIZ, DIEGO ALEJANDRO
Como se puede observar, los retornos tienden a agruparse y ocurrir en grupos claramente
definidos por periodos de gran volatilidad y otros de baja volatilidad. Observese, por ejemplo, el
movimiento de los retornos durante los anos 2008 y 2009 (gran volatilidad) en comparación con el
correspondiente a los 2004-2006 (baja volatilidad)
MODELO ARCH
ARCH(P)
1) Ɛ t = Φt 𝜎t
2) 𝜎𝑡2 =𝑤0 + 𝛼1 Ɛ 2𝑡−1 + ⋯ + 𝛼𝑝 Ɛ 2𝑡−𝑝
Donde 𝑣𝑡 = Ɛ 2𝑡 − 𝜎𝑡2 𝑣𝑡
𝐸 Φ2𝑇 = 1
Esperanza
E(Ɛ 𝑡 ) =E(Φt)E(𝜎t) = 0
E(Ɛ 2𝑡−1)= E(Ɛ 2𝑡 ) = 𝜎𝑡2
1) Ɛ et/t-1 = Φt𝝈et/t-1 𝐸 Φt = 0
2) 𝝈t𝟐Ɛ 𝒕/𝒕−𝟏 = 𝒘𝟎 +𝜶𝟏 Ɛ 𝟐Ɛ 𝒕/𝒕−𝟏
𝐸 Φ2𝑇 = 1
Esperanza:
𝐸 𝜀𝑡 2 = 𝐸(𝜀𝑡 2 𝐼𝑡−1 = 𝜎𝑡 2
E(Ɛ Ɛ 𝑡/𝑡−1 ) =E(Φt)E(𝑤0 + 𝛼1 Ɛ 2Ɛ t/t−1 ) = 0
Varianza:
Por tanto, 𝜎𝑡2 , representa la varianza condicionada de la serie en cada instante , que va
variando con cierta estructura estacionaria
COMPARACION DEL MODELO
ARCH CON GARCH
ARCH GARCH
Ɛ t = Φt 𝜎 t (1) Ɛ t = Φt 𝜎 t (3)
𝑝 𝑞
𝜎𝑡2 =𝑤0 + 𝛼1 Ɛ 2𝑡−1 + ⋯+ 𝛼𝑝 Ɛ 2𝑡−𝑝 (2)
2
𝜎𝑡2 = 𝑤0 + σ𝑖=1 𝛼𝑖 ∗ Ɛ2 𝑡−𝑖 + σ𝑗=1 𝛽𝑗 ∗ 𝜎𝑡−𝑗 (4)
Ɛ t = Φt 𝜎 t ……………………….(1)
𝑝 𝑞 2
𝜎𝑡2 = 𝑤0 + σ𝑖=1 𝛼𝑖 ∗ Ɛ2 𝑡−𝑖 + σ𝑗=1 𝛽𝑗 ∗ 𝜎𝑡−𝑗 …………(2)
𝑝 𝑞
σ𝑖=1 𝛼𝑖 + σ𝑗=1 𝛽𝑗 < 1, para la estacionariedad.
La función de distribución marginal no es conocida, pero se pueden
calcular los primeros
momentos y definir el proceso respecto a su media y a su varianza.
NO CONDICONAL CONDICIONAL
MEDIA E ( Ɛ t)=E( 𝜑𝑡 )E( 𝑤0 + Et-1( Ɛ t)=Et-1( 𝑤0 + σ𝑝𝑖=1 𝛼𝑖 ∗ Ɛ2 +
𝑡−𝑖
𝑝 𝑞
σ𝑖=1 𝛼𝑖 ∗ Ɛ 𝑡−𝑖 + σ𝑗=1 𝛽𝑗 ∗ 𝜎𝑡−𝑗 ) σ 𝛽𝑗 ∗ 𝜎𝑡−𝑗
2 2 𝑞 2
) ½ Et-1(𝜑𝑡 )=0
𝑗=1
½=0
VARIANZA E (Ɛ2𝑡 ) = 𝑝
𝑤0
𝑞
Et-1(Ɛt)= 𝜎𝑡2
(1−σ𝑖=1 𝛼𝑖 −σ𝑗=1 𝛽𝑗 )
Características del modelo GARCH (1,1)
E (Φt)=0
En el caso de la varianza:
Sea
𝑣𝑎𝑟 Φ = 𝐸 Φt − 𝐸 Φt 2
t
𝑣𝑎𝑟 Φt = 𝐸(Φt 2 − 2Φt ∗ 𝐸 Φt + 𝐸 Φt 2
Sabemos que: 𝐸 Φt = 0
Entonces:
𝑣𝑎𝑟 Φt = 𝐸 Φt 2 = 𝜎 2 = 1
𝒗𝒂𝒓 𝜺 = 𝟏
Los parámetros w>0 y 𝛼𝑖 ,𝛽𝑗 ≥0 considerando i=1...p, y j=1...q. Además, para cumplirse la condición
de estacionalidad en media, la suma de todos los parámetros es menor que la unidad.
Marginal (incondicional)
• Media:
• Varianza:
Ɛ t = Φt 𝜎 t
Ɛ2𝑡 = Φ2t 𝜎2t
Ɛ 2t = Φ2t (𝑤0 + 𝛼1 ∗ Ɛ2 𝑡−1 + 𝛽1 ∗ 𝜎𝑡−1
2
)
.
.
.
𝒘𝟎
E (Ɛ𝒕 )=
𝟐
(𝟏−𝜶𝟏 − 𝜷𝟏)
Ɛ t = Φt 𝜎 t
Ɛ2𝑡 = Φ2t 𝜎2t
𝝈𝟐𝜱 = 𝟏:
𝐩𝐨𝐫 𝐞𝐥 𝐫𝐮𝐢𝐝𝐨 𝐛𝐥𝐚𝐧𝐜𝐨
𝒘𝟎
E (Ɛ𝒕 )=
𝟐
(𝟏−𝜶𝟏 − 𝜷𝟏)
Condicional
• Media:
Et-1 (Ɛ t)= Et-1 ( 𝜑2t(w+ 𝛼1 Ɛ 2t-1+ 𝛽 1𝜎2t-1))1/2= Et-1 (w+ 𝛼1 Ɛ 2t-1+ 𝛽 1𝜎2t-1) ½ Et-1 (𝜑𝑡 ) =0
• Varianza:
Ɛ2𝑡 = Φ2t 𝜎2t
.
.
.
𝜎Φ
2
= 1:
por el proceso de ruido blanco
Et-1(Ɛ𝟐𝒕 )= 𝝈2t
2
𝜎𝑡2 = 𝑤0 + 𝛼1 ∗ Ɛ2 𝑡−1 + 𝛽1 ∗ 𝜎𝑡−1
2 2
𝜎𝑡−1 = 𝑤0 + 𝛼1 ∗ Ɛ2 𝑡−2 + 𝛽1 ∗ 𝜎𝑡−2
2 2
𝜎𝑡−2 = 𝑤0 + 𝛼1 ∗ Ɛ2 𝑡−3 + 𝛽1 ∗ 𝜎𝑡−3
.
𝒘𝟎 . ∞
𝟐
𝝈𝒕 = + 𝜶.𝟏 𝜷𝟏𝒋−𝟏 ∗ Ɛ𝟐 𝒕−𝒋
(𝟏 − 𝜷𝟏)
𝒋=𝟏
La expresión obtenida es similar a la varianza muestral pero con pesos
menores para rezagos más distantes de Ɛ2 𝑡 , lo que hará este modelo es que
mediante la data obtenga las mejores ponderaciones para la predicción
de la varianza.
2
𝜎𝑡2 = 𝑤0 + 𝛼1 ∗ Ɛ2 𝑡−1 + 𝛽1 ∗ 𝜎𝑡−1
.
.
.
Ɛ2 𝑡 = 𝑤0 + 𝛼1 + 𝛽1 ∗ Ɛ2 𝑡−1 − 𝛽1 ∗ 𝑉𝑡−1 + 𝑉𝑡
𝑇
1 −𝜀𝑡 2
𝑓 𝜀1 , … , 𝜀𝑇 = ෑ 𝐸𝑋𝑃( 2
)
2𝜋𝜎𝑡 2 2𝜎𝑡
𝑡=𝑝+1
2 𝑝 𝑞
𝜎𝑡 = 𝛼0 + σ𝑖=1 𝛼𝑖 ε𝑡−𝑖 2 + σ𝑗=1 𝛽𝑗 𝜎𝑡−𝑗 2
1 ε𝑡 2
𝑙 𝛼0 , 𝛼, 𝛽 = − σ𝑇𝑡=𝑘 𝑙𝑛 𝜎෪
𝑡
2 + , k>p
2 𝜎෪2𝑡
Una distribución que comúnmente se considera
para 𝑉𝑡 es la t-Student estandarizada con v grados
de libertad:
𝑣+1 𝑣+1
−
𝑟(
2
) 1 𝑉𝑡 2 2
𝑓 𝑉𝑡 = 𝑣 1+
𝑟( ) 𝜋(𝑣 − 2) 𝑣−2
2
𝜎
𝑡+1
2 = 𝛼 + 𝛼 𝐸(𝜀 2 𝐼
0 1 𝑡 𝑡−1 + 𝛽 𝜎
1 𝑡
2
2 2
Sabiendo que: 𝐸 𝜀𝑡 = 𝐸(𝜀𝑡 𝐼𝑡−1 = 𝜎𝑡 2
𝜎
𝑡+1
2= 𝛼 +𝛼 𝜎 2+ 𝛽 𝜎 2
0 1 𝑡 1 𝑡
𝜎
𝑡+1
2 = 𝛼 + (𝛼 + 𝛽 )𝜎 2
0 1 1 𝑡
Como: 𝛼0 = 𝜎 2 (1 − 𝛼1 − 𝛽1 )
𝜎
𝑡+1
2 = 𝜎 2 − 𝛼 𝜎 2 − 𝛽 𝜎 2 +𝛼 𝜎 2 + 𝛽 𝜎 2
1 1 1 𝑡 1 𝑡
𝜎
𝑡+1
2 = 𝜎 2 + (𝛼 + 𝛽 )(𝜎 2 − 𝜎 2 )
1 1 𝑡
⋮
𝝈
𝒕+𝒌
𝟐 = 𝝈𝟐 +(𝜶 + 𝜷 )𝒌 (𝝈 𝟐 − 𝝈𝟐 )
𝟏 𝟏 𝒕
Después de explicar este modelo, existieron
detractores que criticaron el modelo, entre ellos
encontramos a Nelson (1991).
𝑦𝑡 = 𝜖𝑡 𝜎𝑡
MODELO PGARCH
Otro modelo que incorpora la asimetría de la distribución de los
rendimientos es el conocido como Modelo GARCH potencia