Análisis de La Volatilidad Del Índice General de La Bolsa de Valores de Colombia Utilizando Modelos

Red de Revistas Cientficas de Amrica Latina, el Caribe, Espaa y Portugal
Sistema de Informacin Cientfica
Fredy Ocaris Prez Ramrez, Horacio Fernndez Castao

Anlisis de la volatilidad del ndice general de la bolsa de valores de Colombia utilizando modelos ARCH
Revista Ingenieras Universidad de Medelln, vol. 5, nm. 8, enero- junio, 2006, pp. 13-33,
Universidad de Medelln
Colombia
Disponible en: http://www.redalyc.org/articulo.oa?id=75050803
Revista Ingenieras Universidad de Medelln,

ISSN (Versin impresa): 1692-3324
revistaingenierias@udem.edu.co
Universidad de Medelln
Colombia
Cmo citar?
Fascculo completo
Ms informacin del artculo
Pgina de la revista
www.redalyc.org
Proyecto acadmico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto
Anlisis de la volatilidad del ndice general...
13
ANLISIS DE LA VOLATILIDAD DEL NDICE

GENERAL DE LA BOLSA DE VALORES DE
COLOMBIA UTILIZANDO MODELOS ARCH
Fredy Ocaris Prez Ramrez* y
Horacio Fernndez Castao**
RECIBIDO: 23/02/2006
ACEPTADO28/04/2006
RESUMEN
En este artculo se presenta una revisin del
modelo de heteroscedasticidad condicional
autorregresiva (ARCH) se dan algunas propiedades estadsticas del modelo con sus demostraciones. Adems, se presenta una aplicacin a
los modelos ARCH, considerando el ndice general de la bolsa de valores de Colombia (IGBC)
del 2004 al 2006.
Lo que se pretende es obtener informacin ms
amplia y confiable sobre el comportamiento de
la volatilidad del mercado accionario para el perodo de muestra sealado.
Palabras clave
ARCH, heteroscedasticidad, modelos autorregresivos.
ABSTRACT
This article shows a revision of the model of autoregressive conditional heteroscedasticity (ARCH),
*
**
it gives some statistical properties of the model

with its demostrations. Besides, it shows an application of ARCHs models, considering the general index of the stock exchange of Colombia
(IGBC) from 2004 until 2006.
It tries to get accurate and wide information about
the behaviour of the volatility of the stock market
for the period indicated.
Key words:
ARCH, Heteroscedasticity, Autoregressive Models.
INTRODUCCIN
El IGBC est concebido, al igual que todos los
ndices de acciones, como un indicador de la evolucin de los precios de las acciones ms representativas del mercado. Un objetivo adicional es
que a partir del mismo se pueda conformar un
portafolio con las mismas acciones que contiene
y tener una base fundamental para construir productos derivados.
Matemtico de la Universidad de Antioquia, Magster en Matemticas Aplicadas de la Universidad EAFIT. Profesor de tiempo
completo, Facultad de Ingenieras. Programa de Ingeniera Financiera. Universidad de Medelln. e-mail: foperez@udem.edu.co
Magster en Matemticas Aplicadas de la Universidad EAFIT, Ingeniero Civil de la Escuela de Ingeniera de Antioquia, Especialista
en Sistemas de Administracin de la Calidad ISO 9000, Especialista en Gerencia de Construcciones y Licenciado en Matemticas
de la Universidad de Medelln. Profesor de tiempo completo, Facultad de Ingenieras. Programa de Ingeniera Financiera. Universidad de Medelln. e-mail: hfernandez@udem.edu.co
5(8): 13-33 enero - junio de 2006
14
Prez y Fernndez
A travs de los aos hemos notado una gran

evolucin del mercado accionario en Colombia,
aunque todava es incomparable con los mercados desarrollados; en la actualidad en la Bolsa
de Valores de Colombia existen 102 empresas
registradas en Bolsa, de las cuales 32 componen el IGBC (ndice General de la Bolsa de Valores de Colombia) siendo estas las de mayor
bursatilidad en el ltimo trimestre. Las acciones
ms representativas de la Bolsa de Valores son:
Suramericana de Inversiones, Bancolombia,
Colinversiones, Isa, Argos, Bancolombia preferencial, Corfivalle y Cementos Caribe.
La historia del mercado de valores cambi el 3
de julio de 2001. Ese da, como producto de la
integracin de las bolsas de Bogot, Medelln y
Occidente, naci la Bolsa de Valores de Colombia, institucin que hoy por hoy se encuentra
consolidada en una sola plataforma y administra
los mercados accionario, cambiario, de derivados y de renta fija. La nueva sociedad cuenta
con la participacin de todas las sociedades comisionistas de las antiguas bolsas y opera en un
mercado nacional.
En evidencia del alto desarrollo del mercado burstil y de el gran apogeo que han tenido los mercados emergentes por ser los ms atractores de capitales tanto extranjeros como locales, vemos implcita la necesidad de crear y analizar el modelo que
mejor se ajusta a las series de las acciones ms
representativas del mercado burstil colombiano.
El ndice de la Bolsa de Valores de Colombia es
el IGBC, el cual corresponde al indicador burstil del mercado de acciones, refleja el comportamiento promedio de los precios de las acciones
en el mercado, ocasionado por la interaccin de
las fluctuaciones que por efecto de oferta y demanda sufren los precios de las acciones.
Revista Ingenieras Universidad de Medelln
Es el instrumento ms representativo, gil y oportuno para evaluar la evolucin y tendencia del

mercado accionario. Cualquier variacin de su
nivel es el fiel sinnimo del comportamiento de
este segmento del mercado, explicando con su
aumento las tendencias alcistas en los precios
de las acciones y, en forma contraria, con su reduccin, la tendencia hacia la baja de los mismos.
Por lo tanto, este anlisis se realizar debido a
la necesidad de tomar decisiones basadas en
modelos cuantitativos que den una base objetiva y no subjetiva de la tendencia del mercado.
Modelos ARCH
El hecho de que muchas series de tipo econmico y financiero estn sujetas a fuertes cambios
en la varianza hizo necesario que se tuviera en
cuenta este fenmeno en el proceso de la
modelacin. Los modelos autorregresivos de
heteroscedasticidad condicional, conocidos
como ARCH, fueron propuestos inicialmente por
Engle (1982).
Antes de definir los modelos ARCH, veamos las
definiciones de algunos conceptos que utilizaremos en el desarrollo del artculo.
Definicin 1
Un proceso estocstico
es estacionario de
segundo orden (o en sentido amplio) cuando se

satisfacen las tres propiedades siguientes
, es decir, la esperanza de
a.
es constante.
, es decir, la varianza
b.
de
es constante y finita.
, es decir, la covarianza enslo depende de la distancia en-
c.
y
tre
tre t y
Si la serie
15
es lineal, g(.) es una funcin lineal
de elementos de
(varianza cons-
tante).
Definicin 2
Se dice que un proceso
es ruido blanco, si
satisface las siguientes propiedades
Si g(.) es no lineal, se dice que es no lineal en

media. Si h(.) vara en el tiempo, entonces se
dice que es no lineal en la varianza.
Modelos con heteroscedasticidad

condicional
a.
b.
c.
Definicin 5
Definicin 3
Se dice que una serie de tiempo
puede escribirse como
Donde es la media de
proceso ruido blanco.
es lineal, si
Un modelo autorregresivo de orden uno, denotado como AR(1), se define como

, donde es ruido blanco.
En trminos del operador de rezago L, el proceso
AR (1)
se puede escribir como
es un
Definicin 4
Sea
una serie y
el conjunto generado por
la informacin disponible hasta el instante
El conjunto
denota la coleccin de combinaciones lineales de elementos en
y
. La media y la varianza condicional
de
dado
son
Donde
es el operador polinomial
de rezagos.
Para que el modelo AR (1) sea estacionario, se
requiere que la raz de
caiga fuera del
crculo unidad. La raz de
para que
Donde g(.) y h(.) son funciones bien definidas

con h(.) > 0.
Luego,
es
, se requiere que
y
.
es estacionario slo si
5(8): 13-33 enero - junio de 2006
16
Prez y Fernndez
Teorema 1
Como
por
hiptesis
,
Si
es un proceso autorregresivo estacionario
de orden uno, entonces su media y su varianza
estn
dadas
por
entonces
Veamos ahora que
De la prueba anterior se sabe que

escribir como
Demostracin
Primero probemos que
Suponga que la serie

sigue un proceso
autorregresivo de orden uno, es decir
con
, as
se puede
.
Por lo tanto
, luego,
lo podemos escribir
como
Como
es ruido blanco se verifica que

para i distinto de j
De donde
De modo particular, si se considera el modelo

sin el trmino constante
, se tie-
ne que
, por lo que
17
Por lo tanto,
la inclusin de un trmino constante afecta la esperanza, pero no a la varianza del proceso.

Los trminos de esperanza y varianza que acabamos de usar son incondicionales, es decir,
corresponden a la distribucin marginal de .
Alternativamente podemos preguntarnos acerca
de
la
distribucin
condicional
de
con
, dado un conjunto de informacin

que denota la coleccin de combinaciones lineales de elementos en
y
. En tal caso si deseamos predecir el
valor de , condicionados por la informacin de
que disponemos en el instante
que el valor esperado condicional es
Y la varianza condicional es
Esto significa que la varianza condicional es menor que la varianza no condicional, es decir que,
son preferibles las predicciones de
condicionadas a las no condicionadas, puesto que son
ms eficientes. Adems, es importante observar
que las varianzas condicional e incondicional son
ambas constantes en el tiempo.
, se tiene
Existen modelos en los que la varianza condicional no es constante, sino que depende del conjunto de informacin disponible en cada instante; ignorar este hecho conducira a obtener
estimadores ineficientes, con las graves consecuencias que ello implica tales como intervalos
de confianza para la previsin ms amplios, mayor variabilidad de la propia previsin puntual, y
se reflejara la mayor amplitud del rango de sus
posibles valores para un nivel de confianza dado.
Suponga, por ejemplo, que los residuos grandes y pequeos de un modelo de regresin aparecen agrupados en intervalos; ello sugiere que
la varianza del trmino de error cambia suavemente en el tiempo, y que podra predecirse a
partir de los residuos previos. De este modo, se
especificara una dependencia del tipo:
donde
denota la
varianza de
cambiante en el tiempo y
es
una funcin continua del vector de residuos pasados elevados al cuadrado.
Se mostr entonces que,

y
Existen, adems, teoras que requieren la

modelizacin y estimacin numrica de variables
que representan la volatilidad de (generalmente
de su componente aleatorio), que puede asociarse con el concepto estadstico de varianza
5(8): 13-33 enero - junio de 2006
18
Prez y Fernndez
condicional. As, en finanzas, las carteras de activos de inversin se escogen a partir de la media y varianza esperadas de las tasas de rendimiento, de forma que los cambios en la composicin de la cartera deben explicarse por estos factores. En este contexto, si se especifica un modelo economtrico tradicional para un rendimiento medio esperado, su varianza queda restringida a una constante y no es, por tanto, consistente con el supuesto terico de partida.
En consecuencia, necesitamos desarrollar modelos economtricos en los cuales se permita que
la varianza condicional del proceso cambie en el
tiempo. Una posible alternativa son los modelos
ARCH, que describimos a continuacin.
El modelo univariante ARCH
Es decir
Definicin 6
En trminos de la distribucin condicional de y
suponiendo adems normalidad, el modelo ARCH
(1) se define como
, donde
(1.1)
Consideremos la especificacin de un modelo

ARCH (1), originalmente propuesta por Engle
(1982), donde se propone el siguiente proceso
para el trmino de perturbacin del modelo
donde
y
.
Por lo tanto, en el conjunto de informacin disponible en el instante t-1,

, el
valor esperado condicional y la varianza condicional de
estn dados por
y
(1.2)
Ms generalmente, si se supone que
(1.3)
Las ecuaciones (1.1) y (1.3) constituyen un modelo ARCH (p).
Note que , ha de ser positiva puesto que es la
varianza condicional de , por lo que los parmetros para
deben ser no negativos. Una estimacin de
, an pudiendo ser
compatible con
a lo largo de todo el intervalo muestral utilizado, debe generar sospechas
de mala especificacin de la heteroscedasticidad
condicional, bien en relacin al nmero de retardos de
incluidos, o bien a que la representacin de dicha heteroscedasticidad requiera un
modelo ms general que el de la ecuacin (1.3).
Distribucin del modelo ARCH (1)

en (1.1) y
Bajo el supuesto de que el reposo
(1.2) sigue una distribucin normal, sus momentos de orden impar sern nulos por simetra. En
cuanto a los momentos de orden par y teniendo
en cuenta que en el largo plazo
la varianza no condicional de
,
es
19
Por lo tanto, si el proceso es estacionario, la prediccin de varianza condicional converge a la

varianza incondicional cuando
.
Teorema 2
definido en (1.1) y (1.2) sigue
Si el proceso
una distribucin normal, entonces el segundo momento esta dado por
y el cuarto momento por
.
Demostracin
Luego
Por hiptesis, se tiene que
Donde
De donde
Al sustituir en (1.2), el proceso ARCH (1) tambin puede escribirse como
Por otra parte, recordemos que si

entonces el momento de orden 2r esta dado por
.
Sea
Donde la varianza condicional , excede a su

varianza incondicional
, en aquellos perodos
en el que el cuadrado de la observacin previa
excede a su varianza condicional .
La prediccin de la varianza condicional s perodos hacia adelante es
5(8): 13-33 enero - junio de 2006
20
Prez y Fernndez
Luego
Puesto que el 2r- simo momento es finito, el

lmite cuando k tiende a infinito existe, si y slo
si, todos los valores de propios de A estn dentro del crculo unitario. Es decir,
por
hiptesis
se
tiene
que
El cual no depende de las variables condicionadas y no depende de t. Por lo tanto esta es una
expresin para el momento de la distribucin no
Por lo tanto
condicional de
Donde
Para que la varianza sea finita se debe cumplir

que
y para que el cuarto momento sea finito
. Bajo estas condiciones, se tiene que
y
De donde
Por lo tanto
. Luego
21
De donde
.
q.e.d
El resultado anterior tiene dos implicaciones importantes:
a. El cuarto momento de
es positivo, ya que
tambin satisface la condicin
,
es decir,
;
b. La kurtosis no condicional de
es
As el exceso de kurtosis de es positiva y ello

quiere decir que las colas de la distribucin marginal de
tienen ms densidad que las de la
distribucin Normal. Todos estos resultados se generalizan a procesos ARCH de orden superior.
El proceso ARCH (1) debe satisfacer la condicin
para obtener estacionariedad en la
varianza del modelo y evitar que
sea explosivo.
La estacionariedad es una condicin necesaria

para aceptar como especificacin correcta del
modelo ARCH que se ha estimado.
As se tiene que
Y como
El modelo AR(1) con estructura

ARCH(1)
entonces
Consideremos el proceso AR(1)

(1.4)
5(8): 13-33 enero - junio de 2006
22
Prez y Fernndez
Se dice que este proceso tiene una estructura

ARCH si
en las ecuaciones (1.3) y (1.4). Para este caso

la varianza incondicional de es
Se sabe que
Que es constante.
adems
cuando
, por hiptesis del modelo,
por lo que
no representa autocorrelacin. Sin
embargo, las perturbaciones no son independientes en el tiempo, pues sus momentos de segundo orden estn correlacionados.
Ahora, para el proceso
Mientras que la varianza condicional en

depende de la informacin disponible en cada
instante, siendo
se prob que
Aplicacin
Y los momentos de su distribucin condicional
en
son
Para el anlisis del ndice general de la bolsa de

valores de Colombia (IGBC) se toma una muestra que va desde el 2 de enero de 2004 hasta el
9 de febrero de 2006, incluyendo 519 datos diarios de cierre del ndice.
Las figuras 1 y 2 muestran el comportamiento de
cierre del ndice en el perodo muestral y la rentabilidad diaria, respectivamente.
Es importante observar que tanto la esperanza

como la varianza condicional de dependen de
la informacin disponible en cada instante, y por
lo tanto no son constantes.
Se pueden generalizar estos resultados a un
modelo AR(1) con estructura ARCH (p), definido
Figura 1. Comportamiento del IGBC entre enero de 2004 y febrero de 2006.

Fuente: Base de datos obtenida de Corfinsura. (Internet,
Febrero de 2006)
23
Anlisis de la rentabilidad diaria

del IGBC
Se inicia el anlisis de la rentabilidad diaria del
IGBC, observando el histograma y sus estadsticas principales.
Figura 2. Rentabilidad diaria del IGBC entre

enero de 2004 y Febrero de 2006.
Febrero de 2006)
Al analizar ambas figuras, se observa que los

perodos de mayor volatilidad coinciden con los
perodos descendientes en los valores de cierre
del ndice. Tambin se observa en la figura 1 un
comportamiento creciente desde el inicio de la
muestra que comienza en los 2335.98 puntos el
02/01/2004, toca el mnimo de 2335.98 puntos
el 02/01/2004 y mantiene una tendencia creciente
que toca el mximo de 11433.26 puntos el da
27/01/2006, cerca del final de la muestra.
Eleccin del modelo

Al trazar el correlograma muestral de la variable
cierre del IGBC se observa que los valores de
autocorrelacin decaen lentamente a cero (apndice 1), indicando que el proceso no es estacionario, sino explosivo. Por lo tanto se debe diferenciar la serie, la cual sera la rentabilidad diaria, medida como la diferencia de los logaritmos
de dos cierres consecutivos.
Figura 3. Histograma y estadsticos principales

de la rentabilidad diaria del IGBC entre enero
de 2004 y febrero de 2006.
Febrero de 2006).
En la figura 3 se observa que la distribucin de

la rentabilidad diaria del IGBC es leptocrtica
ya que el coeficiente de kurtosis es muy alto
comparado con el de la distribucin normal (una
de las principales caractersticas de las series
financieras). El valor-p asociado al estadstico
de prueba de Jarque-Bera muestra que la rentabilidad diaria del IGBC no sigue una distribucin normal.
Para analizar la estacionariedad de la rentabilidad se realiza el contraste de raz unitaria de
Dickey-Fuller aumentado, donde la hiptesis nula
es que la serie no es estacionaria.
5(8): 13-33 enero - junio de 2006
24
Prez y Fernndez
Se observa que el estadstico de prueba de

Dickey-Fuller en valor absoluto es 12.26835, el
cual conduce a rechazar la hiptesis de existencia de raz unitaria. Por lo tanto la serie rentabilidad diaria de IGBC es estacionaria en media al
diferenciarse una vez.
Para encontrar el modelo que permite estimar la
rentabilidad diaria esperada, se observan los
grficos del ACF y PACF (apndice 2), los cuales indican que podemos considerar los siguientes modelos: AR(1), MA(1) y ARMA(1,1). De los
tres modelos el mejor es el AR(1), ya que tiene
menor criterio de Akaike y un valor de DurbinWatson cercano a dos. La siguiente salida del
Eviews muestra la estimacin del modelo AR(1)
para la rentabilidad diaria del IGBC
Con base en esta salida, se realiza el contraste

de raz unitaria.
Al validar el modelo se observa que los parmetros

son significativos y el correlograma de los residuos
muestra que los errores son ruido blanco (apndice 3), indicando que el modelo es adecuado.
Al graficar el correlograma de los residuos al cuadrado del modelo AR(1) para la rentabilidad
(apndice 4), se observa que existe correlacin
en los residuos al cuadrado de la serie, lo que
lleva a considerar la posible existencia de
heteroscedasticidad en varianza.
Para validar la existencia de heteroscedasticidad
en varianza, se efecta el test ARCH-LM para
los rezagos uno, dos, y tres sobre los residuos
de la regresin de la media que contiene el trmino constante y un AR(1).
Al observar la anterior tabla nos indica que se

rechaza la hiptesis de varianza constante y se
valida la existencia de heteroscedasticidad.
Estimacin del modelo ARCH

Se procede a estimar la rentabilidad media esperada con un proceso AR(1) y la varianza condicional heteroscedstica con un proceso ARCH(2).
25
Se observa que la ecuacin para la rentabilidad

media esperada es
(1)
Y la ecuacin para la varianza condicional
heteroscedstica es
(2)
Para validar el modelo ARCH(2) se grfico el
correlograma muestral de los residuos, indicando ruido blanco (apndice 5) y el correlograma
muestral de los residuos al cuadrado que no
muestra ningn comportamiento sistemtico en
los residuos, por lo que no habra evidencia de
trminos ARCH remanentes o adicionales (apndice 6).
La ecuacin de la media (1) nos indica que la
rentabilidad diaria de corto plazo tiene un promedio de 0.29% diario, lo que equivale a un 5.8%
mensual (suponiendo 20 das) y a un 70.76%
anual (suponiendo 244 das).
La rentabilidad media incondicional o de largo
plazo es
, es
decir, del 0.40234% diario.

La rentabilidad diaria del IGBC tiene una varianza
no condicional o de largo plazo de 0.022% diario, lo que equivale a una volatilidad diaria de
1.48% y a una volatilidad anual del 23.17% (suponiendo 244 das).
La rentabilidad diaria del IGBC tiene una varianza
condicional que oscila alrededor del 0.055% diario, lo que equivale a una volatilidad condicional
diaria del 2.35% y a una volatilidad anual del
36.71% (suponiendo 244 das).
5(8): 13-33 enero - junio de 2006
26
Prez y Fernndez
En cuanto a la estabilidad intrnseca, vemos que

se cumple ya que la suma de los coeficientes del
modelo ARCH(2) es inferior a la unidad.
Conclusiones
1. Ignorar la presencia de heteroscedasticidad
condicional, conduce en el mejor de los casos, a una prdida de eficiencia en la estimacin de los parmetros del modelo. Si en el
modelo aparecen retrasos de la variable
endgena como variables explicativas, ocurre adems que las estimaciones de los errores estndar de los parmetros estimados no
son consistentes.
2. Se analiz que para detectar la existencia de
estructura ARCH, el contraste de los multiplicadores de Lagrange es un instrumento til y
de fcil aplicacin. Tambin, el examen de las

funciones de autocorrelacin y autocorrelacin parcial de las observaciones de la serie
al cuadrado en un modelo univariante.
3. La estimacin consistente y asintticamente
eficiente de este tipo de modelos debe llevarse a cabo por mxima verosimilitud, lo que conduce a un problema de optimizacin no lineal.
4. En la Ingeniera Financiera, la posibilidad de
modelar el comportamiento del IGBC permite
tener informacin ms amplia y confiable sobre el comportamiento de la volatilidad del
mercado accionario para el perodo de muestra sealado.
5. A pesar de que los valores obtenidos, aplicando el modelo ARCH, son significativos, es
probable que utilizando metodologas posteriores a los ARCH, se encuentren valores ms
ajustados a la realidad del mercado.
27
APNDICE 1. Correlograma de la variable de cierre del IGBC

Autocorrelation
.|********
.|********
.|********
.|*******|
.|*******|
.|*******|
.|*******|
.|*******|
.|*******|
.|*******|
.|*******|
.|*******|
.|*******|
.|*******|
.|*******|
.|****** |
.|****** |
.|****** |
.|****** |
.|****** |
.|****** |
.|****** |
.|****** |
.|****** |
.|****** |
.|****** |
.|****** |
.|****** |
.|****** |
.|****** |
.|****** |
.|***** |
.|***** |
.|***** |
.|***** |
.|***** |
Partial Correlation
.|********
.|.
|
.|.
|
*|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
AC
PAC
Q-Stat
Prob
0.992
0.984
0.976
0.967
0.958
0.948
0.938
0.928
0.916
0.905
0.893
0.883
0.872
0.861
0.851
0.841
0.831
0.820
0.811
0.801
0.792
0.783
0.775
0.767
0.759
0.751
0.743
0.736
0.728
0.721
0.714
0.706
0.699
0.692
0.685
0.678
0.992
0.020
-0.001
-0.067
-0.056
-0.040
0.027
-0.056
-0.044
-0.032
0.020
0.039
0.001
0.011
0.000
0.012
-0.012
-0.021
0.013
0.013
0.037
0.005
-0.003
0.024
0.011
-0.002
0.001
0.009
-0.044
0.006
-0.004
0.006
-0.003
0.003
0.004
0.035
513.47
1019.9
1519.3
2010.6
2493.2
2966.6
3431.4
3886.6
4331.7
4766.5
5191.3
5606.9
6013.2
6410.6
6799.2
7179.5
7551.3
7914.6
8269.9
8617.5
8958.1
9291.9
9619.0
9939.9
10255.
10564.
10868.
11166.
11459.
11747.
12029.
12306.
12578.
12845.
13107.
13365.
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
Se observa que los valores de autocorrelacin decaen lentamente a cero, indicando que el proceso
no es estacionario, sino explosivo.
5(8): 13-33 enero - junio de 2006
28
Prez y Fernndez
APNDICE 2. Funciones de autocorrelacin y autocorrelacin parcial

de la rentabilidad diaria del IGBC.
Date: 02/14/06 Time: 07:51
Sample: 1 519
Included observations: 518
Autocorrelation Partial Correlation
.|** |
.|** |
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|*
|
.|*
|
.|*
|
.|*
|
.|*
|
.|*
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
*|.
|
*|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
*|.
|
*|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|*
|
.|*
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
AC
0.209
0.008
0.005
-0.014
0.039
-0.018
0.017
0.076
0.094
0.109
-0.004
-0.019
0.004
0.034
-0.016
-0.032
-0.059
0.010
-0.028
-0.028
-0.018
0.031
-0.024
-0.079
-0.033
-0.049
-0.047
0.006
0.029
-0.013
0.024
0.085
0.033
-0.003
0.010
-0.034
PAC
0.209
-0.037
0.012
-0.018
0.047
-0.038
0.032
0.068
0.070
0.077
-0.040
-0.008
0.005
0.035
-0.040
-0.021
-0.066
0.020
-0.054
-0.010
-0.010
0.043
-0.052
-0.062
0.011
-0.035
-0.023
0.022
0.042
-0.033
0.045
0.079
0.025
0.002
0.027
-0.048
Q-Stat
22.675
22.708
22.724
22.821
23.601
23.769
23.918
27.001
31.670
37.925
37.934
38.128
38.135
38.763
38.906
39.449
41.316
41.368
41.784
42.193
42.370
42.895
43.213
46.619
47.209
48.537
49.771
49.791
50.259
50.358
50.666
54.674
55.292
55.297
55.350
56.010
Prob
0.000
0.000
0.000
0.000
0.000
0.001
0.001
0.001
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.001
0.001
0.001
0.002
0.003
0.004
0.005
0.007
0.004
0.005
0.005
0.005
0.007
0.008
0.011
0.014
0.008
0.009
0.012
0.016
0.018
29
APNDICE 3. Anlisis de los residuos del modelo ajustado AR(1).

Correlograma de los residuos.
Date: 02/13/06 Time: 16:51
Sample: 3 519
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|*
|
.|*
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
*|.
|
*|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
*|.
|
*|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|*
|
.|*
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
AC
0.008
-0.038
0.004
-0.026
0.048
-0.030
0.003
0.057
0.061
0.100
-0.023
-0.021
0.001
0.041
-0.018
-0.019
-0.061
0.031
-0.026
-0.018
-0.020
0.043
-0.014
-0.074
-0.008
-0.036
-0.041
0.009
0.034
-0.026
0.010
0.081
0.018
-0.013
0.021
-0.037
PAC
0.008
-0.038
0.005
-0.028
0.049
-0.033
0.008
0.054
0.064
0.100
-0.016
-0.012
-0.003
0.044
-0.026
-0.013
-0.073
0.017
-0.048
-0.017
-0.023
0.049
-0.028
-0.071
0.004
-0.029
-0.033
0.003
0.051
-0.032
0.022
0.078
0.040
0.004
0.041
-0.040
Q-Stat
0.0321
0.7877
0.7965
1.1602
2.3558
2.8268
2.8311
4.5504
6.5138
11.789
12.062
12.301
12.302
13.188
13.357
13.549
15.539
16.050
16.413
16.586
16.808
17.824
17.933
20.886
20.918
21.626
22.541
22.583
23.227
23.606
23.662
27.260
27.447
27.537
27.786
28.534
Prob
0.375
0.671
0.763
0.671
0.727
0.830
0.715
0.590
0.225
0.281
0.341
0.422
0.433
0.499
0.560
0.486
0.520
0.564
0.618
0.665
0.660
0.710
0.588
0.644
0.657
0.659
0.707
0.722
0.748
0.787
0.659
0.696
0.736
0.765
0.772
A partir del correlograma se observa que los residuos del modelo AR(1) son ruido blanco.
5(8): 13-33 enero - junio de 2006
30
Prez y Fernndez
APNDICE 4. Anlisis de los residuos al cuadrado del modelo AR(1).

Correlograma de los residuos al cuadrado.
Date: 02/13/06 Time: 16:54
Sample: 3 519
.|*** |
.|*** |
.|*
|
.|.
|
.|*
|
.|.
|
.|*
|
.|*
|
.|*
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
*|.
|
.|.
|
.|.
|
.|.
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
AC
0.358
0.131
0.103
0.160
0.081
0.051
0.013
0.029
0.023
-0.014
0.011
0.001
-0.013
-0.018
-0.027
0.026
0.042
-0.026
-0.040
-0.023
-0.027
-0.013
-0.034
-0.035
-0.010
-0.034
-0.044
-0.033
-0.051
-0.045
-0.050
-0.024
-0.033
-0.026
-0.060
-0.038
PAC
0.358
0.003
0.063
0.119
-0.022
0.017
-0.026
0.015
0.003
-0.035
0.032
-0.018
-0.013
-0.004
-0.025
0.055
0.024
-0.054
-0.013
-0.016
-0.022
0.014
-0.027
-0.007
0.011
-0.034
-0.013
-0.011
-0.036
-0.005
-0.025
0.015
-0.026
-0.002
-0.037
-0.005
Q-Stat
66.649
75.618
81.163
94.532
97.941
99.309
99.393
99.845
100.13
100.23
100.30
100.30
100.40
100.57
100.97
101.32
102.27
102.64
103.48
103.76
104.17
104.27
104.89
105.54
105.60
106.24
107.32
107.90
109.34
110.45
111.82
112.15
112.76
113.15
115.15
115.94
Prob
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
A partir del correlograma de los residuos al cuadrado del modelo AR(1) se observa que posiblemente
existe heteroscedasticidad.
31
APNDICE 5. Anlisis de los residuos del modelo ajustado ARCH(2).

Correlograma de los residuos.
Date: 02/14/06 Time: 07:44
Sample: 3 519
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|*
|
.|*
|
.|*
|
.|*
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
*|.
|
*|.
|
.|.
|
.|.
|
.|.
|
*|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|*
|
.|.
|
.|.
|
*|.
|
*|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|*
|
.|*
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
AC
0.056
-0.034
0.002
-0.028
0.035
0.020
0.023
0.023
0.090
0.087
-0.016
-0.020
0.027
0.040
-0.022
-0.010
-0.061
0.019
-0.035
-0.024
-0.039
0.063
-0.012
-0.073
-0.001
-0.044
-0.026
0.006
0.038
-0.041
0.015
0.086
0.025
-0.023
0.021
-0.043
PAC
0.056
-0.038
0.006
-0.030
0.039
0.014
0.024
0.020
0.092
0.079
-0.018
-0.014
0.031
0.034
-0.036
-0.013
-0.068
0.016
-0.062
-0.023
-0.043
0.072
-0.036
-0.063
0.015
-0.027
-0.019
0.005
0.058
-0.036
0.026
0.077
0.049
-0.016
0.034
-0.051
Q-Stat
1.6426
2.2597
2.2612
2.6610
3.2940
3.5121
3.7939
4.0708
8.3887
12.414
12.549
12.762
13.149
14.001
14.257
14.314
16.315
16.512
17.164
17.474
18.300
20.470
20.548
23.458
23.459
24.518
24.895
24.913
25.727
26.663
26.779
30.863
31.207
31.502
31.738
32.752
Prob
0.133
0.323
0.447
0.510
0.622
0.705
0.772
0.396
0.191
0.250
0.309
0.358
0.374
0.431
0.502
0.431
0.488
0.512
0.558
0.568
0.492
0.549
0.434
0.493
0.490
0.525
0.579
0.588
0.590
0.635
0.473
0.507
0.542
0.579
0.577
A partir del correlograma se observa que los residuos del modelo ARCH(2) son ruido blanco.
5(8): 13-33 enero - junio de 2006
32
Prez y Fernndez
APNDICE 6. Anlisis de los residuos al cuadrado del modelo ARCH(2).

Correlograma de los residuos al cuadrado.
Date: 02/14/06 Time: 07:46
Sample: 3 519
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|*
|
.|*
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
*|.
|
*|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|*
|
.|*
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
*|.
|
*|.
|
.|*
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
*|.
|
*|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
*|.
|
.|.
|
.|.
|
.|.
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
AC
-0.030
-0.027
0.061
0.009
0.098
0.022
0.044
0.061
0.029
-0.034
0.065
0.033
-0.059
-0.025
0.020
0.041
0.090
-0.048
-0.043
0.007
-0.062
0.074
-0.042
-0.043
0.032
-0.036
-0.029
-0.036
-0.039
-0.042
-0.063
-0.001
-0.029
0.016
-0.076
-0.025
PAC
-0.030
-0.028
0.059
0.012
0.102
0.026
0.051
0.055
0.031
-0.045
0.053
0.020
-0.064
-0.046
0.010
0.030
0.094
-0.032
-0.043
-0.013
-0.058
0.063
-0.049
-0.038
0.024
-0.020
-0.030
-0.044
-0.031
-0.027
-0.058
0.007
-0.036
0.024
-0.037
0.002
Q-Stat
0.4782
0.8575
2.7742
2.8201
7.8161
8.0721
9.0878
11.076
11.506
12.129
14.387
14.960
16.796
17.130
17.338
18.238
22.567
23.796
24.786
24.816
26.874
29.841
30.805
31.817
32.383
33.110
33.556
34.279
35.121
36.084
38.256
38.257
38.716
38.851
42.028
42.389
Prob
0.354
0.250
0.420
0.099
0.152
0.169
0.135
0.175
0.206
0.156
0.184
0.157
0.193
0.239
0.250
0.126
0.125
0.131
0.167
0.139
0.095
0.100
0.104
0.118
0.128
0.147
0.158
0.166
0.171
0.143
0.173
0.192
0.223
0.162
0.182
A partir del correlograma de los residuos al cuadrado se observa que no hay evidencia de trminos
ARCH remanentes o adicionales.
33
BIBLIOGRAFA
BOLLERSLEV, T. 1986. Generalized autoregresive conditional heteroscedasticity. Journal of
Econometrics, 31f, 307-327.
ENGLE, R. 1982. Autoregresive conditional heteroscedasticity with estimates of the variance of United
Kingdom inflation. Econometrica, 50, 4, 987-1007.
ENGLE, R. Y BOLLERSLEV, T. 1986. Modelling the persistence of conditional variances. Econometrics
Review, 5, 1 1-50.
GRIFFITHS-HILL-JUDGE 1993. Learning and practicing econometrics. Nueva York, John Wiley and
Sons, Inc.
TIAO G. C. AND TSAY R. S. 1994. Some advances in non-linear and adaptive modeling in time series.
Journal of forecasting, Vol.13, 109-131.
TONG H. AND K. S. LIM 1980. Threshold autorregresion, limited cycles and cyclical data. Journal of
the Royal Statistical Society, Series B, 42, 245-292.
TSAY R. S. 2002. Analysis of Financial Time Series. Wiley Series In Probability And Statistics.
VILARIO, . 2001. Turbulencias Financieras y Riesgos de Mercado. Prentice Hall.
WHITE, H. 1980. A heteroscedasticity consistent covariance matrix estimation and a direct test for
heteroscedasticity. Econometrica 48, 817-838.
5(8): 13-33 enero - junio de 2006

Análisis de La Volatilidad Del Índice General de La Bolsa de Valores de Colombia Utilizando Modelos

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Análisis de La Volatilidad Del Índice General de La Bolsa de Valores de Colombia Utilizando Modelos

Enviado por

Direitos autorais:

Formatos disponíveis

Red de Revistas Cientficas de Amrica Latina, el Caribe, Espaa y Portugal

Sistema de Informacin Cientfica

Fredy Ocaris Prez Ramrez, Horacio Fernndez Castao

Revista Ingenieras Universidad de Medelln,

Ms informacin del artculo

Anlisis de la volatilidad del ndice general...

ANLISIS DE LA VOLATILIDAD DEL NDICE

it gives some statistical properties of the model

5(8): 13-33 enero - junio de 2006

A travs de los aos hemos notado una gran

Es el instrumento ms representativo, gil y oportuno para evaluar la evolucin y tendencia del

segundo orden (o en sentido amplio) cuando se

Anlisis de la volatilidad del ndice general...

, es decir, la covarianza enslo depende de la distancia en-

es lineal, g(.) es una funcin lineal

Si g(.) es no lineal, se dice que es no lineal en

Modelos con heteroscedasticidad

Un modelo autorregresivo de orden uno, denotado como AR(1), se define como

el conjunto generado por

la informacin disponible hasta el instante

Donde g(.) y h(.) son funciones bien definidas

5(8): 13-33 enero - junio de 2006

De la prueba anterior se sabe que

Suponga que la serie

es ruido blanco se verifica que

De modo particular, si se considera el modelo

Revista Ingenieras Universidad de Medelln

Anlisis de la volatilidad del ndice general...

la inclusin de un trmino constante afecta la esperanza, pero no a la varianza del proceso.

, dado un conjunto de informacin

Se mostr entonces que,

Existen, adems, teoras que requieren la

5(8): 13-33 enero - junio de 2006

El modelo univariante ARCH

Consideremos la especificacin de un modelo

Por lo tanto, en el conjunto de informacin disponible en el instante t-1,

Revista Ingenieras Universidad de Medelln

Anlisis de la volatilidad del ndice general...

Distribucin del modelo ARCH (1)

Por lo tanto, si el proceso es estacionario, la prediccin de varianza condicional converge a la

Por hiptesis, se tiene que

Al sustituir en (1.2), el proceso ARCH (1) tambin puede escribirse como

Por otra parte, recordemos que si

Donde la varianza condicional , excede a su

5(8): 13-33 enero - junio de 2006

Puesto que el 2r- simo momento es finito, el

Para que la varianza sea finita se debe cumplir

Revista Ingenieras Universidad de Medelln

Anlisis de la volatilidad del ndice general...

As el exceso de kurtosis de es positiva y ello

para obtener estacionariedad en la

varianza del modelo y evitar que

La estacionariedad es una condicin necesaria

El modelo AR(1) con estructura

Consideremos el proceso AR(1)

5(8): 13-33 enero - junio de 2006

Se dice que este proceso tiene una estructura

en las ecuaciones (1.3) y (1.4). Para este caso

, por hiptesis del modelo,

Mientras que la varianza condicional en

Para el anlisis del ndice general de la bolsa de

Es importante observar que tanto la esperanza

Figura 1. Comportamiento del IGBC entre enero de 2004 y febrero de 2006.

Anlisis de la volatilidad del ndice general...