MODELOS AUTORREGRESIVOS ONDICIONALES HETEROCEDSTCIOS

ARCH GARCH EGARCH IGARCH GARCH-M TGARCH

Introduccin

ARCH: Engle (1982) GARCH: Bollerslev (1986) Modelar y predecir la volatilidad de una serie mediante la modelizacin de la varianza de los errores. Diseados para modelar y predecir las varianzas condicionales, es decir, determinar un patrn de comportamiento estadstico para la varianza. Modelar la varianza de una variable dependiente en funcin de los valores pasados de la propia variable y de las variables independientes o exgenas que se incluyan en el modelo.

Estos modelos consideran: la informacin pasada de la variable su volatilidad observada como factor altamente explicativo de su comportamiento presente y, por extensin lgica, de su futuro predecible

Estadsticamente, esta conclusin se refleja en tener en cuenta la esperanza condicional (conocida y fija la informacin hasta el momento inmediatamente anterior) del cuadrado de una variable (la expresin de su varianza si su media es nula).

Modelo ARCH

Proceso ARCH(q) definido como:

Restricciones: a) el trmino de error es un proceso idnticamente distribuido con media 0 y desviacin tpica igual a 1 b) los parmetros > 0 0 (para i = 1, q) y, para cumplirse la condicin de estacionariedad en media, la suma de todos los parmetros es menor que la unidad c) si t es un proceso gaussiano y se distribuye segn una normal, entonces yt es condicionalmente normal y su varianza es

Las esperanzas marginal y condicional son iguales a cero. La varianza marginal es constante; mientras que la varianza condicional depende de los valores que haya tomado luego no es fija. La distribucin marginal del proceso ARCH(1) tiene una forma desconocida.

Modelo ARCH-M

La extensin natural del modelo ARCH se produce cuando se realiza un modelo multivariante en el que, adems de la varianza del error, son explicativas de la endgena otras variables exgenas del modelo:

Es utilizado con frecuencia en las aplicaciones financieras donde el rendimiento esperado de un activo se relaciona con las expectativas de riesgo esperadas con el activo. El coeficiente estimado para el riesgo esperado es una medida del rendimientoriesgo de salida del mercado.

GARCH estndar
(1) yt = xt + t (2) = + ^2 t -1 + ^2t -1

Donde:

(1) es la media como funcin de variables exgenas con un trmino de error (2) valor de la varianza en el perodo actual basada en la informacin pasada, denominada varianza condicional = media ^2 t -1 = informacin de la volatilidad en el perodo previo, medida como el retardo de los residuos al cuadrado en la ecuacin de la media (el trmino ARCH) ^2 t -1 = ltimo perodo estimado de la varianza (trmino
GARCH)

GARCH (1, 1)

Se define como:

GARCH (1, 1) se refiere a la presencia de un trmino GARCH de primer orden (p) y un trmino ARCH de primer orden (q) Contexto financiero el agente predice: el valor de la varianza mediante una media ponderada de una media de muchos trminos (una constante) el valor estimado de la varianza en el ltimo perodo (trmino GARCH) informacin acerca de la volatilidad observada en el perodo previo (trmino ARCH) Si el rendimiento del activo fue inesperadamente grande hacia arriba o hacia abajo respecto al valor esperado, entonces el agente incrementar el valor estimado de la varianza en el prximo perodo

GARCH (p, q) e IGARCH

Representacin del modelo GARCH de orden superior:

Variantes del modelo: IGARCH Engle y Bollerslev (1986):

Se usa cuando y suman uno, ya que =1 - en el modelo GARCH (1, 1) Es un proceso no estacionario donde la varianza marginal es infinita Bajo normalidad yt es estrictamente estacionario y ergdico

Nelson (1991) critica tres elementos de los procesos GARCH:

Las restricciones de no negatividad de los parmetros son difciles de lograr en muchas ocasiones. Los modelos GARCH no permiten estimar convenientemente el efecto de apalancamiento financiero que aparece en la realidad Los modelos IGARCH son difciles de llevar a la prctica, siendo confuso el trmino de persistencia en varianza condicional acuado por Engle y Bollerslev

Modelos EGARCH

Por todo lo anterior determin una nueva especificacin ms general que da nombre a los GARCH exponenciales o EGARCH (p,q):

Donde se expresa el logaritmo de la varianza condicional, que implica que el efecto influencia es exponencial, en vez de cuadrtico, y se garantiza que las estimaciones de la varianza condicional no sean negativas.

Modelo GARCH-M

GARCH en media GARCH-M (Engle, Lilien y Robins, 1987) Es un modelo de volatilidad estacionaria con premio al riesgo. Este modelo incluye en las ecuaciones de la media (ARIMA) la varianza condicional, la desviacin estndar o el ln de la varianza condicional.

El parmetro c es llamado el parmetro de premio al riesgo. Un valor positivo de c indica que el retorno es positivamente relacionado con su volatilidad

Modelo TGARCH

De forma emprica se observa que en los mercados burstiles los movimientos a la baja son, por lo general, ms voltiles que los movimientos al alza que les siguen, es decir, en un contexto financiero, los rendimientos negativos parecan ser predictores de la volatilidad ms importantes que los positivos. Por esto, los investigadores introducen con mucho xito una variante en los modelos GARCH asimtricos, precisamente para recoger este tipo de comportamientos: Glosten, Jagannathan y Runkle (1993) y por Zakon (1994). Este modelo se usa con frecuencia para manejar efectos de asimetra o apalancamiento (leverage):