ANLISIS DE LA VOLATILIDAD DEL MERCADO DE VALORES

El propsito de este trabajo es efectuar una breve explicacin de los instrumentos estadsticos que utilizaremos, como el modelo de volatilidad, con el objeto de la obtencin del tipo de los Modelos de volatilidad condicional variable, los llamados modelos ARCH, GARCH, IGARCH, EGARCH, ARCH-M, TARCH, que mejor ajustan los datos para el comportamiento de cada uno de los ndices seleccionados para el estudio, durante la ltima dcada.

I. Fundamento Terico

1.1. Modelo ARCH Es Un modelo estadstico utilizado para prever la volatilidad donde la variable subyacente puede exhibir una reversin de la media. GARCH es el acrnimo ingls de heteroscedasticidad condicional autorregresiva generalizada.

1.2. Modelo GARCH.En el caso de los modelos GARCH (modelos generalizados de heterocedasticidad condicional), que fueron ideados por Bollerslev en 1986, se incluye en la formula para la generacin de los errores a la varianza retrasada: at = (t).vt

Esta ecuaciones permiten reproducir periodos de alta volatilidad con periodos tranquilos, sin embargo son modelos que requieren menos parmetros por lo que dan parsimonia y los hace preferidos. No se debe olvidar que el proceso at tiene media cero y varianza condicional.

Un modelo GARCH(1,1) esta definido como:

Donde vt es un proceso de ruido blanco, con varianza uno, adems at y vt son independientes, a 0 > 0, 0< a 1 < 1, 0< 1< 1 , . a1 + 1 < 1

Entonces la expresin que le corresponde a un GARCH(p,q) es:

Aqu las restricciones para los parmetros son ahora:

La varianza no condicional est dada por:

Los pronsticos de la varianza para adelantar s-perodos se calculan por la formula, m=max(p,q) n=min(m,s-1):

1.3. Modelos EGARCH Los modelos EGARCH nacen en 1993 cuando Engle y Ng definieron la curva de impactos asimtricos, en la cual hacen notar que en el mercado de capitales no repercuten igual las buenas noticias que las malas noticias, los movimientos a la baja en el mercado vienen con mayores volatilidades que los movimientos al alza. Cuando el rendimiento cae por abajo de lo esperado nos lleva a un escenario donde las noticias son malas, esto viene asociado a la observacin de que la volatilidad se incrementa y por otra parte cuando las noticias son buenas la volatilidad disminuye. Dentro de los modelos con varianza condicional variable hay dos familias de modelos que se utilizan para modelar esta caracterstica: EGARCH y TARCH. En 1990 Pagan y Schwert y en 1991 Nelson desarrollaron el modelo exponencial GARCH, denotado como EGARCH, el cual esta definido como:

Este modelo tiene la propiedad de ser un proceso que aparentemente, por su grfica, se ve estacionario en covarianza, sin embargo, arroja pocas observaciones pero extremadamente largas, o sea su varianza sorpresivamente da saltos muy largos. El parmetro dicta la asimetra del proceso, recuerde que log(2)= w si y solo si 2=exp(w) por lo que la varianza viene definida exponencialmente, de all su nombre. Un modelo GARCH tiene la limitacin de que trata los efectos de modo simtrico debido a que utiliza los cuadrados de las innovaciones. Otra limitacin son las desigualdades que tienen que cumplir los parmetros, estas restricciones eliminan el comportamiento al azar-oscilatorio que pueda presentar la varianza condicional. En cambio en un modelo EGARCH no hay restricciones en los parmetros. Al ser una combinacin lineal entre x y desviaciones sobre su valor absoluto, garantiza una respuesta asimtrica por parte de la varianza condicional ante los movimientos de x. Se considera que en los episodios de crack de los mercados, asociados con elevada volatilidad, sus estimaciones de a1 y a2 son prcticamente la unidad indicando una enorme persistencia que tiene cada shock sobre la varianza condicional.

1.4. Modelo TARCH El segundo tipo de modelos que son capaces de producir efectos asimtricos son los llamados modelos TARCH, (Threshold Heteroskedastic Autoregresive Models) son modelos que dependen de un umbral (threshold) por medio del cual definen su reaccin.

Observar con atencin que si la innovacin es negativa el umbral esta activo por lo que el efecto sobre la varianza condicional es mayor, por una contribucin. Mientras que si la innovacin es positiva el umbral esta apagado y no hay contribucin a la varianza condicional. De esta forma se mide el peso que tienen las malas noticias, por lo que si d es cero no hay efecto asimtrico, este punto es vital para decidir si un modelo pertenece a esta familia puesto que se hace la estimacin y se procede a realizar la prueba de hiptesis d=0 utilizando el estadstico t-student comn y corriente. En resumen, el efecto que hay sobre la varianza condicional es que las buenas noticias pesan a, mientras que las malas noticias pesan (a + d).

II. Procesamiento de experiencia Para este se procesaran todos los datos en el programa eviews en donde podremos ver, la volatilidad de cada bolsa. 2.1. Ibex35 :
Dependent Variable: IBEX35 Method: ML - ARCH (Marquardt) - Normal distribution Date: 06/21/12 Time: 14:59 Sample: 1/01/1996 12/30/2011 Included observations: 4175 Convergence achieved after 35 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(1) + C(2)*RESID(-1)^2 + C(3)*GARCH(-1) Variable Coefficient Std. Error z-Statistic Prob.

Variance Equation C RESID(-1)^2 GARCH(-1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat 61880327 1.248580 -0.932689 -12.443788 -12.450233 9760.582 3.97E+11 -44003.91 0.000206 19759153 0.502005 0.128519 3.131730 2.487188 -7.257220 0.0017 0.0129 0.0000 9387.179 2661.404 21.08116 21.08571 21.08277

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

grafica
20,000 16,000 12,000 8,000 4,000 4,000 0 0

8,000

-4,000

-8,000 1996 1998 2000 2002 2004 2006 2008 Fitted 2010

Residual

Actual

2.2. Ibovespa:

Dependent Variable: IBOVESPA Method: ML - ARCH (Marquardt) - Normal distribution Date: 06/21/12 Time: 14:55 Sample: 1/01/1996 12/30/2011 Included observations: 4175 Convergence achieved after 42 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(1) + C(2)*RESID(-1)^2 + C(3)*GARCH(-1) Variable Coefficient Std. Error z-Statistic Prob.

Variance Equation C RESID(-1)^2 GARCH(-1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat 63071845 1.612499 -1.000038 -0.937626 -0.938555 9854.105 4.05E+11 -41842.79 0.000309 4082000. 0.371345 2.28E-05 15.45121 4.342318 -43810.69 0.0000 0.0000 0.0000 6852.371 7077.472 20.04589 20.05044 20.04750

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

Grafica
24,000 20,000 16,000 12,000 8,000 4,000 30,000 20,000 10,000 0 -10,000 -20,000 1996 1998 2000 2002 2004 2006 2008 Fitted 2010 0

Residual

Actual

2.3. IGBVL:
Dependent Variable: IGBVL Method: ML - ARCH (Marquardt) - Normal distribution Date: 06/21/12 Time: 15:01 Sample: 1/01/1996 12/30/2011 Included observations: 4175 Convergence achieved after 35 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(1) + C(2)*RESID(-1)^2 + C(3)*GARCH(-1) Variable Coefficient Std. Error z-Statistic Prob.

Variance Equation C RESID(-1)^2 GARCH(-1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat 61880327 1.248580 -0.932689 -12.443788 -12.450233 9760.582 3.97E+11 -44003.91 0.000206 19759153 0.502005 0.128519 3.131730 2.487188 -7.257220 0.0017 0.0129 0.0000 9387.179 2661.404 21.08116 21.08571 21.08277

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

Grafica

20,000 16,000 12,000 8,000 4,000 20,000 15,000 10,000 5,000 0 -5,000 -10,000 1996 1998 2000 2002 2004 2006 2008 Fitted 2010 0

Residual

Actual

2.4. Shanghai:
Dependent Variable: SHANGHAI Method: ML - ARCH (Marquardt) - Normal distribution Date: 06/21/12 Time: 15:04 Sample: 1/01/1996 12/30/2011 Included observations: 4175 Convergence achieved after 18 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(1) + C(2)*RESID(-1)^2 + C(3)*GARCH(-1) Variable Coefficient Std. Error z-Statistic Prob.

Variance Equation C RESID(-1)^2 GARCH(-1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat 2282431. 1.202039 -0.956861 -4.504388 -4.507027 1874.555 1.47E+10 -36727.28 0.000381 420627.4 0.291614 0.043694 5.426254 4.122020 -21.89937 0.0000 0.0000 0.0000 1695.140 798.8030 17.59534 17.59990 17.59695

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

Grafica

6,000 5,000 4,000 3,000 2,000 1,000 6,000 4,000 2,000 0 -2,000 1996 1998 2000 2002 2004 2006 2008 Fitted 2010 0

Residual

Actual

2.5. Standars & poors 500:

Dependent Variable: SP500 Method: ML - ARCH (Marquardt) - Normal distribution Date: 06/21/12 Time: 15:06 Sample: 1/01/1996 12/30/2011 Included observations: 4175 Convergence achieved after 22 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(1) + C(2)*RESID(-1)^2 + C(3)*GARCH(-1) Variable Coefficient Std. Error z-Statistic Prob.

Variance Equation C RESID(-1)^2 GARCH(-1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat 871813.6 1.240160 -0.908510 -26.480085 -26.493258 1158.541 5.60E+09 -35244.20 0.000191 639407.2 0.935801 0.317798 1.363472 1.325239 -2.858766 0.1727 0.1851 0.0043 1136.857 220.9521 16.88489 16.88944 16.88650

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

Grafica

1,600 1,200 800 400 1,600 1,200 800 400 0 -400 -800 -1,200 1996 1998 2000 2002 2004 2006 2008 Fitted 2010 0

Residual

Actual

III. Discusin de resultados.Incidencia de las dems bolsas en la bolsa de valores de Lima, aqu nos muestra la ecuacin con eviews

Dependent Variable: IGBVL Method: ML - ARCH (Marquardt) - Normal distribution Date: 06/21/12 Time: 15:13 Sample: 1/01/1996 12/30/2011 Included observations: 4175 Convergence achieved after 36 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(6) + C(7)*RESID(-1)^2 + C(8)*GARCH(-1) Variable IBEX35 IBOVESPA SHANGHAI SP500 C Coefficient 1.000000 9.79E-16 1.07E-14 8.56E-14 -4.74E-19 Std. Error 12.89162 9.08E-13 9.88E-13 1.45E-12 2.15E-13 z-Statistic 0.077570 0.001078 0.010876 0.059116 -2.20E-06 Prob. 0.9382 0.9991 0.9913 0.9529 1.0000

Variance Equation C RESID(-1)^2 GARCH(-1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 1.32E-23 0.150000 0.600000 1.000000 1.000000 1.45E-11 8.78E-19 99353.30 2.00E+31 0.000000 3.96E-24 0.042856 0.111080 3.328179 3.500081 5.401511 0.0009 0.0005 0.0000 9387.179 2661.404 -47.59056 -47.57842 -47.58627 0.015933

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

Grafica

20,000 16,000 4.0E-11 2.0E-11 0.0E+00 -2.0E-11 -4.0E-11 -6.0E-11 1996 1998 2000 2002 2004 2006 2008 Fitted 2010 12,000 8,000 4,000 0

Residual

Actual