Modelo de Volatilidad

Muchas series de tiempo exhiben fases de relativa tranquilidad seguidas por

periodos de alta volatilidad. Una variable estocstica con una varianza constante
estaramos hablando de homocedasticidad as como oponernos a
heterocedasticidad. Para la serie que expone la volatilidad, la discrepancia
incondicional puede ser constante aun cuando la discrepancia durante algunos
perodos sea excepcionalmente grande.

Figura 3.1 Ilustra el comportamiento de la tasa de inflacin estadounidense como

medido por el deflactor de PNB y el ndice de precios de Productor. La inspeccin
ocasional realmente tiene sus peligros y pruebas formales son necesarias para
justificar cualquier primera impresin, an el modelo fuerte visual es l de
heterocedasticidad.

Durante los aos 1970, precios del productor estadounidenses fluctuaron

desordenadamente comparados con los aos 1960 y los aos 1980. Si la
discrepancia no es constante, es una serie no estacionaria. Sin embargo, esto
puede ser el caso que una serie es estacionaria en esto la discrepancia
incondicional es constante, pero hay perodos en los cuales la discrepancia
condicional flucta. Si, por ejemplo, la discrepancia condicional sigue una
estacionalidad AR (1) el proceso, la discrepancia duradera es constante pero la
discrepancia en la t es dependiente de la discrepancia un t-1 saben tal serie como
condicionalmente heterocedastica.

Es fcil imaginarse casos en los cuales usted podra querer pronosticar la varianza
condicional de una serie. Como un titular de activo, usted estara interesado en la
previsin de la tasa de rendimiento una su varianza durante el perodo de
propiedad. La varianza incondicional sera sin importancia si usted planifica
comprar el activo en la t y venderse en t+1

Engle (1982) muestra que es posible modelar simultneamente la media y la

varianza de una serie. Por ejemplo, supongamos { } denotan los residuos
estimados del modelo:

= 0 + 1 1 +

de modo que la varianza condicional de yt es:

( |1 ) = 1 [( 0 1 1 )2 ]

= 1 2
Estndar Box-Jenkins mtodos de asumir esta variacin es igual a la varianza
incondicional 2 . En su lugar, supongamos que la varianza condicional no es
constante. Una estrategia simple para modelar la varianza condicional sera
estimar un AR (q) utilizando los cuadrados de los residuos estimados:

21 + 2
2 = 0 + 1 22 + +
2+ + (3.1)

donde vt es un proceso de ruido blanco.

Si los valores de todos iguales a cero, la varianza estimada es simplemente la

constante. De lo contrario, la varianza condicional de y evoluciona de acuerdo con
el proceso autorregresivo dar por (3,1). Como tal, puede utilizar (3.1) Prever la
varianza condicional en el momento t +1 como:

2+1 = 0 + 1
21 + +
2 + 2 2+1

Por esta razn, una ecuacin como (3.1) se llama una heterocedasticidad
condicional autorregresivo (ARCH) modelo. Hay muchas posibles aplicaciones de
los modelos ARCH ya que los residuos en (3.1) puede provenir de una
autorregresin, un modelo ARMA, o un modelo de regresin estndar.

En realidad, la especificacin lineal de (3,1) no es el ms conveniente. La razn es

que el modelo para {yt} y la varianza condicional se estima mejor simultneamente
utilizando tcnicas de probabilidad mxima. Puesto que esta tcnica de estimacin
utiliza el logaritmo de la varianza, es ms manejable para especificar vt como una
multiplicativo condicionalmente modelos heterocedasticos propuestos por Engle
(1982) es:

= 0 + 1 21 (3.2)
Donde vt = blanco-ruido del proceso de tal manera que 2v=1 vt y t-1 son
independientes el uno del otro, y 0 y 1 son constantes de tal manera que 0 >0 y
0<1 <1.

Puesto que vt es ruido blanco y es independiente de t-1, es fcil demostrar que los
elementos de la secuencia {t}, tiene una media de cero y no son correlacionados.
Desde2v = 1 y la varianza incondicional de t es idntica a la de

t-1(i.e. E 2t=E 2t-1), la varianza incondicional es:

E 2t=0/(1-1)

As, la media y la varianza incondicional no se ven afectadas por la presencia del

proceso de error dado por (3,2). De manera similar, es fcil demostrar que la
media condicional de t es igual a cero. Dado que vt y t-1 son independientes y
que Evt=0 , la media condicional de t es:

E(t t-1, t-2,) = EvtE(0+ 1 2t-1)0.5=0

En este punto, se podra pensar que las propiedades de la secuencia { t} no estn

afectados por (3,2) ya la media es cero, la varianza es constante, y todos los
autocovariances son cero. Sin embargo, la influencia de (3,2) cae enteramente en
la varianza condicional. Desde el 2v=1 , la variacin de t condicionado a la
historia pasada de t-1, t-2, es la siguiente:

E(t t-1, t-2,) = 0 + 1 2t-1 (3.3)

En (3,3) la varianza condicional de t depende del valor realizado de 2t-1. Si el

valor realizado de 2t-1 es grande, Et-12t-1 ser grande tambin. En (3,3), la
varianza condicional sigue un proceso autorregresivo de primer orden indicado por
ARCH (1). A diferencia de una autorregresin de costumbre, los coeficientes de 0
y 1 tienen que ser restringidos. A fin de garantizar que la varianza condicional es
siempre positiva, es necesario suponer que ambos 0 y 1 son positivos. Despus
de todo, si 0 es negativa, una realizacin suficientemente pequeo de t-1 significa
que (3,3) es negativa. De manera similar, si 1 es negativa, una realizacin
suficientemente grande de t-1 pueden hacer que un valor negativo para la varianza
condicional. Adems, para garantizar la estabilidad del proceso autorregresivo, es
necesario restringir 1 de tal manera que 0< 1<1.

Esta discusin ilustra la caracterstica esencial de cualquier proceso ARCH. En un

modelo de ARCH, la estructura de error es tal que los medios condicionales e
incondicionales son iguales a cero. Adems, la secuencia de {t-1} est serialmente
correlacionados ya que para todo s 0, E t t-s=0. El punto clave es que los
errores no son independientes ya que estn relacionados a travs de su segundo
momento (recordemos que la correlacin es una relacin lineal). La varianza
condicional es en s mismo un proceso autorregresivo que resulta en un error de
forma condicional heteroscedasticidad. Cuando el valor realizado de t-1 est lejos
de ser cero, de modo que el 1(t-1)2 es relativamente grande la varianza de t
tender a ser grande.

Para examinar formalmente la relacin entre heteroscedasticidad condicional y las

propiedades de la secuencia {yt} , la media y la varianza condicional de yt son
dadas por:

Et-1yt = o+ 1yt-1

Var(yt,yt-1,yt-2,)=Et-1(yt- 0 - 1yt-1)2

= Et-1 2t

= o+ 1(t-1)2

Desde 1 y 2 t-1 no puede ser negativo, el valor mnimo de la varianza condicional

es de o. Para cualquier realizacin distinta de cero de t-1, la varianza condicional
de yt se relaciona positivamente con 1. Tambin puede demostrarse que la
varianza incondicional de yt es:

0 1
( ) = [ ][ ]
1 1 1 12

Por lo tanto, la variacin de la secuencia de 88 est aumentando tanto en 88 y el

valor absoluto de 1 . El proceso ARCH dada por (3.2) se ha extendido en varios
aspectos interesantes. (1982) contribucin original de Engle considera a toda la
clase de los procesos ARCH(q) de orden superior:

= 0 + =1 1 21 (3.4)

En (3,4), todos los choques de t-1 a t-q tienen un efecto directo en el t, de modo
que los actos de la varianza condicional como un proceso autorregresivo de orden
q.

El modelo GARCH: Bollerslev (1986) extendi el trabajo original de Engle por el

desarrollo de una tcnica que permite la varianza condicional a ser un proceso
ARMA. Ahora el proceso de error de ser tal que:
 = donde 2 = 1

= 0 + =1 2 + =1 (3.5)

Dado que {vt} es un proceso de ruido blanco, los medios condicionales e

incondicionales de son iguales a cero. Si se toma el valor esperado de , es
fcil comprobar que:

= = 0

El punto importante es que la varianza condicional de viene dada por

1 2 = . As, la varianza condicional de es el proceso ARMA dada por la
expresin en (3,5).

Este modelo llamado ARCH(p,q) Generalizado GARCH(p,q) -permite tanto a los

componentes autorregresivos y media mvil-en la varianza heteroscedasticidad. Si
se establece p = 0 y q = 1, es claro que modelo de primer orden ARCH dada por
(3.2) es simplemente un modelo GARCH (0,1) modelo. Si todo el cero B1 iguales,
el GARCH (p, q) modelo es equivalente a una ARCH (q) del modelo. La ventaja
del modelo GARCH debe ser clara, un modelo de orden superior ARCH pueden
tener una representacin GARCH ms parsimonioso que es mucho ms fcil de
identificar y estimar. Esto es particularmente importante ya que todos los
coeficientes en (3,5) debe ser positivo. Adems, para garantizar que la varianza
condicional es finito, todas las races caractersticas de (3,5) debe implicar la
convergencia. Claramente, el modelo ms parsimonioso supondr un menor
nmero de restricciones de coeficiente.

La caracterstica clave de los modelos GARCH es que la varianza condicional de

las perturbaciones de la secuencia {yt}, constituye un proceso ARMA. Por lo tanto,
es de esperar que los residuos de un modelo ajustado debe mostrar este patrn
caracterstico. Para explicarlo, supongamos que se estima un modelo del proceso
{yt}. Si su modelo de {yt} es adecuada, el FAS y FAP de los residuos debe ser
indicativo de un movimiento de precesin de ruido blanco. Sin embargo, el ACF de
los residuos al cuadrado puede ayudar a identificar el orden de la precesin
GARCH. Desde 1 2 = podemos volver a escribir (3.5) como:

1 2 = 0 + =1 2 + =1 1 (3.6)
La ecuacin (3.6) se parece mucho a un ARMA (q, p) proceso en la secuencia
{2 }. Si hay heterocedasticidad condicional, el correlograma debe ser sugerente
de tal proceso. La tcnica para construir el correlograma de los residuos al
cuadrado es como sigue:

Paso 1: Estimar la secuencia de { } utilizando el "mejor ajuste" ARMA modelo (o

modelo de regresin) y obtener los cuadrados de los errores ajustados 2 .
Tambin calcular la varianza de la muestra de los residuales de ( 2 ) se define
como

2 2 /
=
=1

Donde T = nmero de residuos.

Paso 2: calcular y trazar las autocorrelaciones de la muestra:

=+1( 21 2 )
2 2 )(
() =
=1(
2 2 )2

Paso 3: En gran muestra, la desviacin estndar de p (i) se puede aproximar por

1/2. Los valores individuales de p (i) que son significativamente diferentes de
cero son indicativos de errores GARCH. El Ljung-Box Q-estadstico es:

= ( + 2) ()/( )
=1

Q tiene una asntota 2 de distribucin con n grados de libertad si el

2 no estn
correlacionados. Al rechazar la hiptesis nula de que el 2 no estn
correlacionados es equivalente a rechazar la hiptesis nula de errores ARCH o
GARCH. En la prctica, usted debe considerar los valores de n hasta T / 4.

El multiplicador de Lagrange ms formal (LM) la prueba correspondiente a la

alteracin ARCH ha sido propuesto por Engle (1982). La metodologa consiste en
los dos pasos siguientes.

Paso 1: Estimar el modelo ms apropiado para la secuencia de uso de { }

LinReg o BOXJENK y guardar los residuos.
Paso 2: Obtenga los cuadrados del error equipada 2 . Regresar estos residuos al
cuadrado sobre una constante y en el n valores rezagados
21 ,
22 ,
23 ,,
2 , i.e., la estimacin:

21 + 2
2 = 0 + 1
22 + +
2

Si no hay efectos ARCH o GARCH, los valores estimados de 88 a 88 debe ser

cero. Por lo tanto, esta regresin se tiene poco poder explicativo de modo que el
coeficiente de determinacin (es decir, el habitual R-estadstica) ser bastante
baja. Con una muestra de residuos T, bajo la hiptesis nula de errores ARCH, el
TR2 estadstico converge a una distribucin de 88 con n grados de libertad. Si TR 2
es suficientemente grande, el rechazo de la hiptesis nula de que el 88 a 88 son
conjuntamente igual a cero es equivalente a rechazar la hiptesis nula de errores
no ARCH. Por otro lado, si TR2 es suficientemente bajo, es posible concluir que no
hay efectos ARCH.

El modelo ARCH-M

Engle, Lilien y Robins (1987) extienden el marco bsico ARCH para permitir que la
media de una secuencia que dependen de su propia varianza condicional. Esta
clase de modelo, llamado ARCH-M, es especialmente adecuado para el estudio
de los mercados de activos. la bsica idea es que agentes adversos al riesgo
exigir una indemnizacin para la celebracin de un activo riesgoso. Teniendo en
cuenta que grado de riesgo de un activo puede ser medido por la varianza de la
rentabilidad, la prima de riesgo ser una funcin creciente de la varianza
condicional de los retornos. Engle, Lilien y Robin expresar esta idea por escrito la
devolucin en exceso de la celebracin de un activo de riesgo como:

= + (3.7)

Donde el de exceso de rentabilidad por tenencia de un pariente de activos a

largo plazo para un billete de un perodo de tesorera; = prima de riesgo
necesaria para inducir al agente averso al riesgo de mantener el activo a largo
plazo en lugar de que el billete de un periodo y el de choque resultados
imprevisibles el exceso de rentabilidad sobre el activo a largo plazo.

Para explicar (3,7), tenga en cuenta que el rendimiento esperado en exceso de la

celebracin de los activos a largo plazo debe ser exactamente igual a la prima de
riesgo:

1 =
Engle, Liliane y Robins suponer que la prima de riesgo es una funcin creciente de
la varianza condicional de , es decir, cuanto mayor sea la varianza de los
retornos consitional, mayor ser la compensacin necesaria para inducir al agente
a mantener el activo a largo plazo. Matemticamente, si es la varianza
condicional de puede ser la prima de riesgo expresado como:

= + >0

donde el es el proceso ARCH(q):

= 0 + =1 2 (3.9)

Como un conjunto, las ecuaciones (3.7), (3,8) y (3,9) constituyen la base ARCH-M
del modelo. A partir de (3.7) y (3,8), la media condicional de depende de la
varianza condicional . A partir de (3.9), la varianza condicional es un ARCH(q).
Cabe sealar que si la varianza condicional es constante
(. . , 1 = 2 = = = 0), el modelo ARCH-M degenera en el caso ms
tradicional de una prima de riesgo constante.

La presencia de ARCHh-M efectos se puede determinar mediante pruebas del

multiplicador de Lagrange exactamente como en el caso de errores ARCH y
GARCH. Las pruebas LM son relativamente sencillos de realizar, ya que no
requieren estimacin del modelo completo. El TR2 estadstica se distribuye
asintticamente como 2 con grados de libertad igual al nmero de restricciones.

La Figura 3.2 ilustra dos diferentes procesos ARCH-M. El panel superior izquierdo
de la figura (con la etiqueta "proceso de ruido blanco"), muestra de 60
realizaciones de una simulacin de ruido blanco el proceso indicado por . Tenga
en cuenta el aumento temporal de la volatilidad en periodos de 20 a 30. Despus
de establecer 0 = 0, la varianza condicional se construye como el proceso de
primer orden ARCH: = 1 + 0.65 21

Figura 3.2: Simulacin de Procesos ARCH-M

Como se puede ver en el panel superior de la derecha, la volatilidad en el { } se
traduce en un aumento en la varianza condicional. Ntese que las grandes
realizaciones positivos y negativos de 1 resultado en un valor grande de ,
que es el cuadrado de cada realizacin { } que entra en la varianza condicional.
En el panel inferior izquierda, los valores de y se establece igual a -4 y 4,
respectivamente. Como tal, la secuencia se construye como = 4 + 4 + .
Se puede ver claramente que el est por encima de su valor a largo plazo
durante el perodo de volatilidad. En la simulacin, la volatilidad condicional se
traduce en aumentos en los valores de { }. En la ltima parte de la muestra, la
volatilidad de { } disminuye y los valores 30 a travs de 60 flucta alrededor de
su media a largo plazo.

El panel inferior de la derecha se reduce la influencia de los efectos ARCH-M

mediante la reduccin de la magnitud de y . Obviamente, si = 0, no hay
efectos ARCH-M en absoluto. Como se puede ver mediante la comparacin de los
dos paneles inferiores, ms se asemeja mucho a la secuencia {2 }, cuando la
magnitud de los se redujo de = 4 a = 1.

Aplicacin: El uso de datos trimestrales de 1960:1 a 1984:2, Engle, Lilien y

Robins (1987) construy el exceso de rendimiento de 6 meses de bonos del
Tesoro de la siguiente manera. Vamos a indican el rendimiento trimestral en los
3 meses del Tesoro celebr del t al (t +1). Rodar sobre todas las ganancias, al
final de dos trimestres a un individuo una inversin de $ 1 al comienzo del perodo
de t tendrn que (1 + )(1 + +1 ) dlares. De la misma manera, si denota el
rendimiento trimestral en seis meses del Tesoro, comprar y mantener el proyecto
de ley para los seis meses completos dos trimestres se traducir en (1 + )
dolares. El exceso de rendimiento, debido a la celebracin de la factura es de
aproximadamente seis meses.

= 2 1

Los resultados de la regresin de la produccin en exceso en una constante son

(la t-estadstica est entre parntesis):

= 0.142 + (3.10)

(4.04)

El rendimiento es el exceso de 0,142% por trimestre, que es ms de cuatro

desviaciones estndar a partir de cero. El problema con el mtodo de estimacin
es que el puesto en el perodo de 1979 mostr volatilidad notablemente mayor que
el perodo de la muestra anterior. Para probar la presencia de un error ARCH, los
cuadrados de los residuos se retrocedido en un promedio ponderado de los
ltimos residuos al cuadrado. Considere la posibilidad de la especificacin:

= 0 + 1 (0.4 21 + 0.3 22 + 0.2 23 + 0.1 24 )

La prueba LM para la restriccin 1 = 0 produce un valor de TR2=10.1 , que tiene

una distribucin 2 con un grado de libertad. En el nivel de significacin del 1%, el
valor crtico de 2 con un grado de libertad es 6,635, por lo que existe una fuerte
evidencia de heterocedasticidad. Por lo tanto, parece que hay errores ARCH de
manera que (3.10) queda mal si las personas demandan una prima de riesgo.

Las estimaciones de probabilidad mxima del modelo ARCHh-M y la t-estadstica

asociadas estn dadas por:

= 0.0241 + 0.687 +

(1.29) (5.15)

= 0.0023 + 1.64(0.4 21 + 0.3 22 + 0.2 23 + 0.1 24 )

(1.08) (6.30)

Los coeficientes estimados implican una prima de riesgo variable en el tiempo. El

parmetro estimado de la ecuacin ARCH de 1,64 implica que la varianza
incondicional es infinito. Esto es algo problemtico. Sin embargo, la varianza
condicional es finito. Los choques a actan para aumentar la varianza
condicional de manera que hay perodos de tranquilidad y la volatilidad. Durante
periodos de volatilidad, la prima de riesgo aumenta a medida que agentes
adversos al riesgo buscan activos que son condicionalmente menos arriesgado.

Bibliografa

Enders, Walter, Rats Handbook For Econometric Time Series

Editorial: John Wiley & Sons Inc