MODELO GARCH

 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

 El modelo ARCH (P) se puede escribir como un modelo AR(P)para Ɛ 2𝑡

𝜎𝑡2 =𝑤0 + 𝛼1 Ɛ 2𝑡−1 + ⋯ + 𝛼𝑝 Ɛ 2𝑡−𝑝
Ɛ2𝑡 =𝑤0 + 𝛼1 Ɛ 2𝑡−1 + ⋯ + 𝛼𝑝 Ɛ 2𝑡−𝑝 + Ɛ 2𝑡 − 𝜎𝑡2

Donde 𝑣𝑡 = Ɛ 2𝑡 − 𝜎𝑡2 𝑣𝑡

𝑣𝑡 Proceso de ruido blanco formado por variables estacionarias no correlacionadas.

Esperanza y Varianza Incondicional Arch ( 1)
1) Ɛ t = Φt 𝝈t SUPUESTOS :

2) 𝝈𝟐𝒕 =𝒘𝟎 + 𝜶𝟏 Ɛ 𝟐𝒕−𝟏 𝐸 Φt = 0

𝐸 Φ2𝑇 = 1
 Esperanza
E(Ɛ 𝑡 ) =E(Φt)E(𝜎t) = 0
E(Ɛ 2𝑡−1)= E(Ɛ 2𝑡 ) = 𝜎𝑡2

 Varianza E(Ɛ 𝑡 ,Ɛ 𝑡−1 ) = 0

𝐸 Ɛ 2𝑇 = 𝐸 Φ2𝑇 𝐸(𝑤0 +𝛼1 Ɛ 2𝑡−1 )
= 𝑤0 + 𝛼1 𝐸(Ɛ 2𝑡−1 )
𝜎𝑡2 = 𝑤0 + 𝛼1 𝜎𝑡2
𝑤
𝜎𝑡2 = 1−𝛼0
1
Esperanza y Varianza condicional Arch ( 1)

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:

𝐸 Ɛ 2Ɛ t/t−1 = 𝐸 Φ2𝑇 𝐸(𝜎 2 Ɛ )

t/t−1
= 𝜎𝑡2

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)

 Φt es idénticamente distribuido con media cero y desviación típica igual a uno.

 Los parámetros 𝑤0 >0 y 𝛼𝑖 ,𝛽𝑗 ≥0 considerando i=1...p, y j=1...q.

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)

1) Φt es idénticamente distribuido con media cero y desviación típica igual a uno.

Sea Φt 𝜖 𝑅 𝑡 = 1, 2, 3, … , 𝑡 − 1 / E (Φt) = 𝐸 σ𝑚 𝑖=1 Φ𝑡−1 ∗ 𝑝 = 0

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.

Calculando la media y la varianza para el proceso GARCH (1,1):

Marginal (incondicional)

• Media:

E (Ɛ t)=E( 𝜑2t(w+ 𝛼1 Ɛ 2t-1+ 𝛽1𝜎2t-1))1/2=E(𝜑𝑡 )E(w+ 𝛼1 Ɛ 2t-1+ 𝛽1𝜎2t-1) ½=0

• 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

Ɛ 2t = Φ2t (𝑤0 + 𝛼1 ∗ Ɛ2 𝑡−1 + 𝛽1 ∗ 𝜎𝑡−12

)
E (Ɛ2𝑡 ) = E (Φ2t) E (𝑤0 + 𝛼1 ∗ Ɛ2 𝑡−1 + 𝛽1 ∗ 𝜎𝑡−1
2
)
E (Ɛ2𝑡 ) = 𝜎Φ2 (𝑤0 + 𝛼1 ∗ 𝐸(Ɛ2 𝑡−1 ) + 𝛽1 ∗ 𝐸(𝜎𝑡−1
2
))

𝝈𝟐𝜱 = 𝟏:
𝐩𝐨𝐫 𝐞𝐥 𝐫𝐮𝐢𝐝𝐨 𝐛𝐥𝐚𝐧𝐜𝐨

E (Ɛ𝟐𝒕 ) = 𝑬(Ɛ𝟐 𝒕−𝟏 )= 𝑬(𝝈𝟐𝒕−𝟏 )=𝝈2t

(𝜎2- 𝛼1 𝜎2t- 𝛽1𝜎2t)= 𝑤0
(1-𝛼1 - 𝛽1) 𝜎2t= 𝑤0

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

 Donde Φt es un proceso de "ruido blanco" (entre otras, no hay correlación

con su pasado, luego tampoco la hay con el pasado de Ɛ t).
 El proceso generado Ɛ t es también estacionario.

 En los momentos condicionales, en "t", el valor de "t-1" es una realización

concreta conocida (no aleatoria).

Si sustituimos de manera recursiva la ecuación correspondiente al rezago de la

varianza, se mostrara a la varianza condicional como una suma ponderada
del cuadrado de todos los residuos pasados:

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.

Si se define 𝑉𝑡 ≡ Ɛ2 𝑡 − 𝜎 2 𝑡 , se obtendrá la siguiente expresión:

2
𝜎𝑡2 = 𝑤0 + 𝛼1 ∗ Ɛ2 𝑡−1 + 𝛽1 ∗ 𝜎𝑡−1
.
.
.

Ɛ2 𝑡 = 𝑤0 + 𝛼1 + 𝛽1 ∗ Ɛ2 𝑡−1 − 𝛽1 ∗ 𝑉𝑡−1 + 𝑉𝑡

Esta expresión nos indica como la persistencia de (𝛼1 + 𝛽1 ) Se da en la

ecuación que determina el comportamiento de Ɛ2 𝑡 .
 𝜀1 , … , 𝜀𝑇 = 𝑓 𝜀𝑇 𝐼𝑇−1 𝑓 𝜀𝑇 𝐼𝑇−2 … 𝑓 𝜀𝑝+1 𝐼𝑝 𝑓 𝜀1 , … , 𝜀𝑝

𝑇
1 −𝜀𝑡 2
𝑓 𝜀1 , … , 𝜀𝑇 = ෑ 𝐸𝑋𝑃( 2
)
2𝜋𝜎𝑡 2 2𝜎𝑡
𝑡=𝑝+1

Maximizando la función de verosimilitud:

𝑇
1 ε𝑡 2
ln 𝑓 ε𝑃+1,…, ε 𝑇 |ε1,…, 𝜀𝑃 = − ෍ 𝑙𝑛 2𝜋 + 𝑙𝑛 𝜎𝑡 2 + 2
2 𝜎𝑡
𝑡=𝑝+1
Pero en este caso:

2 𝑝 𝑞
𝜎𝑡 = 𝛼0 + σ𝑖=1 𝛼𝑖 ε𝑡−𝑖 2 + σ𝑗=1 𝛽𝑗 𝜎𝑡−𝑗 2

Los estimadores de máxima verosimilitud condicional

de 𝛼0 , 𝛼 = (𝛼1 . . ., 𝛼𝑝 ) ′ y 𝛽 = (𝛽1 ,. . ., 𝛽𝑝 ) ′ se
obtienen al maximizar la función:

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

Donde 𝑟(•) es la función Gamma.

 𝝈𝒕 𝟐 = 𝜶𝟎 + 𝜶𝟏 𝜺𝒕−𝟏 𝟐 + 𝜷𝟏 𝝈𝒕−𝟏 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
⋮

En general, para K períodos:

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).

 Existen dificultades en la estimación de los modelos.

 Los modelos GARCH no permiten estimar

convenientemente el efecto de apalancamiento
financiero que aparece en la realidad. Por ello, se
propuso el modelo exponencial GARCH o EGARCH
(p, q).
MODELO EGARCH

 El modelo GARCH exponencial (EGARCH, por sus siglas

en ingles) fue propuesto por Nelson (1991).

 Tiene la virtud de modelar el comportamiento

asimétrico de la varianza que depende del tiempo.

 garantizar que la varianza sea siempre positiva.

Ecuación representativa del modelo EGARCH
En esta ecuación el parámetro Ὑ modela la asimetría, es decir, el
apalancamiento. En la practica, se espera que el signo del
parámetro γ sea positivo, este efecto positivo facilita el efecto en
incertidumbres futuras.

donde ϵt se supone con distribución normal y

𝑦𝑡 = 𝜖𝑡 𝜎𝑡
 MODELO PGARCH
 Otro modelo que incorpora la asimetría de la distribución de los
rendimientos es el conocido como Modelo GARCH potencia

 Fue propuesto por Ding et al. (1993).

 A diferencia de modelar la varianza, se modela una potencia de la

desviación estándar.

 Para considerar la asimetría, en los modelos PGARCH pueden

considerarse parámetros adicionales (en el caso de PGARCH(1,1)
sería γ), de manera opcional. De acuerdo con el modelo PGARCH.
Donde los parámetros 𝛼𝑡 y 𝛽𝑡 poseen las mismas características que los modelos ARCH y GARCH
estándares, 𝛾𝑖 son los parámetros de apalancamiento y δ es el parámetro para el termino de
potencia.
Si se postula el valor δ = 2, el modelo PGARCH es equivalente al modelo GARCH clásico con
efecto de apalancamiento. Por su parte, cuando δ = 1 entonces se estima la desviación
estándar condicional.