Lali en Es

9 Cambio de modelos
Los resultados del aprendizaje
En este captulo, aprender cmo

Utilizar variables ficticias de interseccin y de pendiente para permitir el comportamiento estacional de series
temporales
Motivar el uso de modelos de conmutacin de rgimen en la econometra fi nancieros
Especificar y explicar la lgica detrs de los modelos de Markov de conmutacin

Comparar y contrastar Markov conmutacin y modelos autorregresivos umbral
Describir la intuicin detrs de la estimacin de modelos de conmutacin de

rgimen
9.1 Motivaciones
Muchas series de tiempo econmicas financieros y parecen sufrir episodios en los que el comportamiento
de los cambios de la serie de manera espectacular en comparacin a la mostrada anteriormente. El
comportamiento de una serie podra cambiar con el tiempo en trminos de su valor medio, su volatilidad,
o en qu medida su valor actual est relacionado con su valor anterior. El comportamiento puede cambiar
de una vez por todas, generalmente conocido como un 'cambio estructural' en una serie. O puede
cambiar por un perodo de tiempo antes de volver a su comportamiento original o cambiar a otro estilo de
comportamiento, y este ltimo se suele denominarse un 'cambio de rgimen' o 'interruptor de rgimen'.
9.1.1 Qu podra causar una sola vez cambios fundamentales en las propiedades de
una serie?
Por lo general, los cambios muy sustanciales en las propiedades de una serie se atribuyen a eventos de gran escala,
tales como las guerras, los pnicos fi nancieros - por ejemplo, un 'run
451
452 Econometra de introduccin para Finanzas
Figura 9.1 25
Muestra grfica de series de tiempo
que ilustra un cambio de rgimen 20
15
10
47 93 1 185 231 277 139 323 369 415 461 507 558 599 645 691 737 783 829 875 921 967 1 013
-5
- 10
- 15
en un banco, cambios significativos en la poltica del gobierno, tales como la introduccin de una inflacin
objetivo, o la eliminacin de los controles de cambio o los cambios en la microestructura del mercado - por
ejemplo, el 'Big Bang', cuando el comercio en la Bolsa de Valores de Londres (LSE ) se convirti en
electrnica, o un cambio en el mecanismo de negociacin en el mercado, tales como el movimiento parcial
del LSE de una cita impulsada a un sistema de orden impulsada en 1997.
Sin embargo, tambin es cierto que los cambios de rgimen pueden producirse de forma regular y en
frecuencia mucho ms alta. Tales cambios pueden ocurrir como resultado de los factores ms sutil, pero
todava conduce a estadsticamente importantes modificaciones en el comportamiento. Un ejemplo podra ser
los patrones intrada observados en la oferta del mercado de valores - spreads (vase el captulo 6). Estos
parecen comenzar con valores altos en la apertura, estrechando gradualmente a lo largo del da, antes de
ensancharse de nuevo al cierre.
Para dar un ejemplo de la clase de cambios que se pueden observar a producirse, fi gura 9.1 da
un ejemplo extremo.
Como puede verse en la fi gura 9.1, el comportamiento de la serie cambia marcadamente en
torno a la observacin 500. No slo la serie se vuelven mucho ms voltil que anteriormente,
tambin se incrementa sustancialmente su valor medio. Aunque este es un caso grave que se ha
generado a partir de datos simulados, con claridad, en la cara de tales 'rgimen cambios' un
modelo lineal estimada sobre toda la muestra cubriendo el cambio no sera apropiado. Una
posible solucin a este problema sera simplemente para dividir los datos en torno a la hora del
cambio y estimar modelos separados en cada porcin. Sera posible permitir que una serie, y t para
ser elaborado a partir de dos o ms procesos de generacin diferentes en momentos diferentes.
Por ejemplo, si se pens un AR (1) proceso era apropiado para capturar
Cambio de modelos 453
las caractersticas relevantes de una serie particular, cuyo comportamiento cambiado en la observacin 500, por
ejemplo, dos modelos podran ser estimadas:
yt= 1+ 1 yt-1+ u1t antes de la observacin 500 (9,1)
yt= 2+ 2 yt-1+ u2t despus de la observacin 500 (9,2)
En el contexto de la fi gura 9.1, esto implicara centrarse en slo el desplazamiento medio. Estas
ecuaciones representan un ejemplo muy simple de lo que se conoce como un modelo lineal a trozos - es
decir, aunque el modelo es globalmente (es decir, cuando se toma como un todo) no lineal, cada una de
las partes componentes es un modelo lineal.
Este mtodo puede ser vlido, pero tambin es probable que sea un desperdicio de la informacin. Por
ejemplo, incluso si haba suficientes observaciones en cada sub-muestra para estimar modelos separados
(lineales), no habra una prdida e fi ciencia en tener un menor nmero de observaciones en cada una de
dos muestras que si se recogieron todas las observaciones juntos. Adems, puede darse el caso de que
slo una caracterstica de la serie ha cambiado - por ejemplo, el (incondicional) valor medio de la serie
puede haber cambiado, dejando a sus otras propiedades no afectado. En este caso, sera sensato tratar
de mantener todas las observaciones juntas, pero para permitir la forma particular del cambio estructural
en el proceso de construccin de modelos. Por lo tanto, lo que se requiere es un conjunto de modelos que
permiten a todas las observaciones en una serie que se utiliza para la estimacin de un modelo, sino
tambin que el modelo es su fi cientemente flexible para permitir diferentes tipos de comportamiento en
diferentes puntos en el tiempo. Dos clases de modelos de cambios de rgimen que potencialmente
permiten que esto ocurra son Markov conmutacin modelos y modelos autorregresivos umbral.
Una primera y la pregunta central para preguntar es: Cmo se puede determinar dnde se produce el
interruptor (es)? El mtodo empleado para hacer esta eleccin depender del modelo utilizado. Un tipo
simple de conmutacin de modelo es uno donde los interruptores se hacen de manera determinista
usando variables ficticias. Un uso importante de esto en financiar es permitir 'estacionalidad' en los datos
financieros. En economa y las finanzas en general, se cree que muchas series para exhibir un
comportamiento estacional, lo que resulta en un cierto elemento de ciclismo en parte predecible de la
serie en el tiempo. Por ejemplo, si se examinan los datos mensuales o trimestrales en el gasto de los
consumidores, es probable que el valor de la serie aumentar rpidamente a finales de noviembre debido
a los gastos Christmasrelated, seguido de una cada a mediados de enero, cuando los consumidores se
dan cuenta de que han pasado demasiado antes de Navidad y en las rebajas de enero! El gasto del
consumidor en el Reino Unido tambin se reduce por lo general durante el perodo de vacaciones de
agosto, cuando todas las personas sensatas han abandonado el pas. Tales fenmenos se pondrn de
manifiesto en muchas series y estarn presentes hasta cierto punto, al mismo tiempo cada ao, sea lo
que est sucediendo en trminos de la tendencia a largo plazo y la variabilidad a corto plazo de la serie.
9.2 estacionalidades en los mercados financieros: introduccin y revisin de la

literatura
En el contexto de los mercados financieros, y especialmente en el caso de las acciones, se han

observado un nmero de otros 'efectos estacionales. Tales efectos son generalmente conocidos como
'anomalas naturales' o "efectos de calendario. Los ejemplos incluyen efectos abiertas y
cerca-de-mercado, 'el efecto enero', efectos y efectos de fin de semana festivos. Investigacin sobre la
existencia o no de efectos de calendario '' en los mercados financieros ha sido objeto de una considerable
cantidad de investigacin acadmica reciente. efectos de calendario puede ser vagamente definido como
la tendencia de los rendimientos de los activos fi nancieros para mostrar patrones sistemticos en
determinados momentos del da, semana, mes o ao. Un ejemplo de las ms importantes de estas
anomalas es la da de la semana el efecto, que se traduce en rendimientos promedio son
significativamente ms altos en algunos das de la semana que otros. Los estudios de francs (1980),
Gibbons y Hess (1981) y Keim y Stambaugh (1984), por ejemplo, han encontrado que la media del
mercado prxima al cierre de retorno en los EE.UU. es significativamente negativo en lunes y
significativamente positivo el viernes. Por el contrario, Jaffe y Wester de campo (1985) encontr que los
rendimientos ms bajos medios para los mercados de valores de Japn y Australia se producen los
martes.
A primera vista fi, estos resultados parecen contradecir la e fi ciente comercializa hiptesis, ya que la
existencia de anomalas de calendario podra interpretarse en el sentido de que los inversores podran
desarrollar estrategias comerciales que hacen utilidades anormales sobre la base de tales patrones. Por
ejemplo, manteniendo todos los dems factores constantes, los compradores de capital pueden desear
vender al cierre del viernes y comprar al cierre del jueves con el fin de tomar ventaja de estos efectos. Sin
embargo, la evidencia de la previsibilidad de los rendimientos de las acciones no implica necesariamente
mercado ine fi ciencia, al menos por dos razones. En primer lugar, es probable que los pequeos excedentes
de rentabilidad promedio documentados por los documentos anteriores no generaran ganancias netas
cuando se emplea en una estrategia de negociacin una vez que los costos de transaccin en los mercados
ha sido tenido en cuenta. Por lo tanto, bajo muchas 'modernos' de fi niciones de la e fi ciencia del mercado
(por ejemplo, Jensen, 1978), estos mercados no seran clasificados como ine fi ciente. En segundo lugar, las
aparentes diferencias en los retornos en diferentes das de la semana pueden ser atribuibles a la prima de
riesgo del mercado de valores variables en el tiempo.
Si cualquiera de estos fenmenos naturales estn presentes en los datos, pero ignorado por el proceso de
construccin de modelos, el resultado es probable que sea un modelo de fi ed misspeci. Por ejemplo, la
estacionalidad ignorado en y t es probable que conduzca a autocorrelacin residual del orden de la estacionalidad -
por ejemplo fi orden quinto autocorrelacin residual si y t es una serie de retornos diarios.
9.3 Modelado de la estacionalidad en los datos fi nancieros
Como se discuti anteriormente, estacionalidades en varias frecuencias diferentes en series temporales

de datos fi nancieros estn tan bien documentados que su existencia no puede ponerse en duda, incluso
si no hay discusin sobre cmo pueden ser racionalizadas. Un mtodo muy simple para hacer frente a
este y examinando el grado en que est presente la estacionalidad es la inclusin de variables ficticias
en las ecuaciones de regresin. El nmero de variables ficticias que razonablemente podra ser
construido para modelar la estacionalidad depender de la frecuencia de los datos. Por ejemplo, se
crearan cuatro variables ficticias para los datos trimestrales, 12 para los datos mensuales, cinco de los
datos diarios y as sucesivamente. En el caso de datos trimestrales, las cuatro variables ficticias seran
define como sigue:
re 1 t = 1 en el trimestre 1 y cero en otro caso

re 4 t = 1 en el barrio 4 y cero en otro caso
Cuntas variables ficticias se puede colocar en un modelo de regresin? Si un trmino de

interseccin se utiliza en la regresin, el nmero de maniques que tambin podra ser incluido sera
uno menos que el 'estacionalidad' de los datos. Para ver por qu este es el caso, considere lo que
sucede si se utilizan los cuatro maniques para la serie trimestral. A continuacin se indican los
valores que las variables ficticias tomaran por un perodo a mediados de la dcada de 1980, junto
con la suma de los maniques en cada punto en el tiempo, presentado en la ltima columna:
re 1 re 2 re 3 re 4 suma
1986 Q1 1 0 0 0 1
Q2 0 1 0 0 1
Q3 0 0 1 0 1
P4 0 0 0 1 1
1987 Q1 1 0 0 0 1
Q2 0 1 0 0 1
Q3 0 0 1 0 1
etctera
La suma de las cuatro maniques sera de 1 en cada perodo de tiempo. Por desgracia, esta
suma es, por supuesto, idntica a la variable que se une de forma implcita a la interseccin
coeficiente. Por lo tanto, si las cuatro variables ficticias y el intercepto ambos fueron incluidos en
la misma regresin, el problema sera uno de multicolinealidad perfecta para que ( X ' X) - 1 no
existira
y ninguno de los coe fi cientes podra estimarse. Este problema se conoce como el trampa
variable ficticia. La solucin podra ser utilizar slo tres variables ficticias, adems de la
interseccin, o para utilizar las cuatro variables ficticias sin intercepcin.
Las caractersticas estacionales en los datos seran capturados utilizando cualquiera de estos,
y los residuos en cada caso seran idnticas, aunque la interpretacin de los coe fi cientes sera
cambiado. Si se utilizaron cuatro variables ficticias (y suponiendo que no haba variables
explicativas en la regresin), los coe fi cientes estimados podran interpretarse como el valor
medio de la variable dependiente durante cada trimestre. En el caso en que se utilizaron una
constante y tres variables ficticias, la interpretacin de los coeficientes estimados de las variables
ficticias sera que representan las desviaciones medias de las variables dependientes para los
trimestres comprendidos a partir de sus valores medios para el trimestre excluidos, como se
discuti en el ejemplo siguiente.
Recuadro 9.1 Cmo funcionan las variables ficticias?
Las variables ficticias como los descritos anteriormente operan por el cambio de la interseccin, de manera que el valor medio de la
variable dependiente, teniendo en cuenta todas las variables explicativas, se permite cambiar a travs de las estaciones. Esto se
muestra en la fi gura 9.2.
Figura 9.2 yt
Uso de variables ficticias
para los datos trimestrales
12
Xt
Q3
Q2
Q1
Q4
Considere la siguiente regresin
y t = 1 + 1 re 1 t + 2 re 2 t + 3 re 3 t + 2 X 2 t + + u t (9,3)
Durante cada perodo, se cambiar el intercepto. La interseccin ser:

1 + 1 en el primer trimestre, ya re 1 = 1 y re 2 = re 3 = 0 para todas las observaciones 1 trimestre
1 + 2 en el segundo trimestre, ya re 2 = 1 y re 1 = re 3 = 0 para todas las observaciones 2 cuartos.
1 + 3 en el tercer trimestre, ya re 3 = 1 y re 1 = re 2 = 0 para todos los cuartos 3 observaciones
1 en el cuarto trimestre, ya re 1 = re 2 = re 3 = 0 para todos los cuartos 4 observaciones.
ejemplo 9.1
Brooks y Persand (2001a) Analizar las pruebas para un da-de-la-semana vigor en cinco mercados
burstiles del sudeste asitico: Corea del Sur, Malasia, Filipinas, Taiwn y Tailandia. Los datos,
obtenidos a partir de Primark Datastream, se recogen sobre una base diaria de proximidad al cierre
para todos los das laborables (de lunes a viernes), cayendo en el perodo de 31 diciembre 1989 a 19
enero 1996 (un total de 1.581 observaciones). Las primeras regresiones estimadas, que constituyen
las pruebas ms simples para efectos de da-la-semana, son de la forma
r t = 1 re 1 t + 2 re 2 t + 3 re 3 t + 4 re 4 t + 5 re 5 t + u t (9,4)
dnde r t es el retorno a la hora t para cada pas examinado por separado,

re 1 t es una variable ficticia para el lunes, tomando el valor 1 para todas las observaciones lunes y cero en caso
contrario, y as sucesivamente. Las estimaciones de coeficiente se pueden interpretar como la rentabilidad
media de la muestra en cada da de la semana. Los resultados de estas regresiones se muestran en la tabla
9.1.
Brevemente, las caractersticas principales son las siguientes. Ni Corea del Sur ni las Filipinas tienen
efectos de calendario significativas; Tailandia y Malasia tienen fi cativos retornos promedio significaciones
positivas lunes y martes fi cativos retornos negativos significantes; Taiwn tiene un mircoles efecto signi
fi cativo.
Las variables ficticias tambin se podran utilizar para la prueba de otras anomalas naturales, tales
como el efecto de enero de etc. como se discuti anteriormente, y una regresin dado pueden incluir
maniques de diferentes frecuencias al mismo tiempo. Por ejemplo, una nueva variable ficticia re 6 t podra
aadirse a (9.4) para 'Abril', efectos asociados con el inicio del nuevo ao fiscal en el Reino Unido. una
variable de este tipo, incluso para una regresin utilizando datos diarios, llevara el valor 1 para todas las
observaciones que caen en abril y cero en caso contrario.
Si optamos por omitir una de las variables ficticias y para retener la interseccin, entonces la
variable ficticia omitido convierte en la categora de referencia
Tabla 9.1 Valores y significaciones de Cances das de los coe fi cientes de la semana
Tailandia Malasia Taiwn Corea del Sur Filipinas
lunes 0.49E-3 0.00322 0,00185 0.56E-3 0.00119

(0,6740) (3,9804) ** (2,9304) ** (0,4321) (1,4369)
martes - 0.45E-3 - 0,00179 - 0,00175 0.00104 - 0.97E-4

( - 0,3692) ( - 1,6834) ( - 2,1258) ** (0,5955) ( - 0,0916)
mircoles - 0.37E-3 - 0.00160 0.31E-3 - 0.00264 - 0.49E-3

( - 0,5005) ( - 1,5912) (0,4786) ( - 2.107) ** ( - 0,5637)
jueves 0.40E-3 0.00100 0.00159 - 0.00159 0.92E-3

(0,5468) (1,0379) (2,2886) ** ( - 1,2724) (0,8908)
viernes - 0.31E-3 0.52E-3 0.40E-4 0.43E-3 0,00151

( - 0,3998) (0,5036) (0,0536) (0,3123) (1,7123)
notas: coe fi cientes se dan en cada clula seguido de t - relaciones entre parntesis; * y **
denotar significacin en los 5% y 1% los niveles, respectivamente.
Fuente: Brooks y Persand (2001a).
contra el cual todos los dems se comparan. Por ejemplo, consideremos un modelo como el de
arriba, pero donde se ha omitido la variable ficticia Lunes
r t = + 2 re 2 t + 3 re 3 t + 4 re 4 t + 5 re 5 t + u t (9,5)
La estimacin de la interseccin ser el lunes, + 21 el martes

y as. 2 ahora ser interpretado como la diferencia en el rendimiento medio entre el lunes
y martes. Similar, 3, . . . , 5 tambin puede interpretarse
como las diferencias en los rendimientos promedio entre mircoles. . ., Viernes y lunes.
Este anlisis es de esperar debera haber dejado claro que por pensar cuidadosamente acerca
de qu variable ficticia (o el intercepto) omitir de la regresin, podemos controlar la interpretacin
natural para probar la hiptesis de que es de mayor inters. La misma lgica se puede aplicar
tambin a variables ficticias de pendiente, que se describen en la seccin siguiente.
9.3.1 Variables ficticias Pendiente
As como, o en lugar de, los maniques de intercepcin, variables ficticias pendiente tambin se pueden utilizar.
Estos funcionan por el cambio de la pendiente de la lnea de regresin, dejando la interseccin sin cambios.
Figura 9.3 da una ilustracin en el contexto de simplemente un mueco de pendiente (es decir, dos diferentes de
los Estados '). tal disposicin

Figura 9.3 yt
El uso de variables ficticias de
pendiente
y t = un + b X t + re t X t + u t
y t = un + b X t + u t
Xt
se aplicara si, por ejemplo, los datos eran dos veces al ao (dos veces al ao) o cada dos semanas o las
observaciones hechas en la apertura y cierre de los mercados. Entonces re t

sera definida como re t = 1 para la primera mitad del ao y cero para la segunda mitad.
Un maniqu pendiente cambia la pendiente de la lnea de regresin, dejando la interseccin sin

cambios. En el caso anterior, la interseccin es fijo en , mientras que la pendiente vara con el tiempo.
Para los perodos en que el valor del maniqu es cero, la pendiente ser , mientras que para los perodos
en que el maniqu es uno, la pendiente ser + .
Por supuesto, tambin es posible utilizar ms de una variable ficticia para las pistas. Por ejemplo,
si los datos eran trimestrales, la siguiente configuracin se podra utilizar, con re 1 t. . . re 3 t cuartas partes
que representan 1--3.
y t = + X t + 1 re 1 t X t + 2 re 2 t X t + 3 re 3 t X t + u t (9,6)
En este caso, ya que tambin es un trmino en X t sin ficticia adjunta, la interpretacin de los
coeficientes en los maniques ( 1, etc.) es que representan la desviacin de la pendiente para ese
trimestre partir de la pendiente media de todos los cuartos. Por otro lado, si se incluyeron las
variables ficticias 4 de pendiente (y no X t), los coeficientes en los maniques seran interpretadas
como el promedio coe fi cientes pendiente durante cada trimestre. De nuevo, es importante que
no se incluyen 4 maniques de pendiente trimestrales y la
X t en la regresin juntos, multicolinealidad perfecta de lo contrario dara lugar.
Ejemplo 9.2
Volviendo al ejemplo de los efectos de da-de-la-semana en los mercados burstiles del sudeste asitico,
aunque signi fi cientes no puede coe fi en (9.4) apoyarn la hiptesis de estacionalidad en los rendimientos, es
importante tener en cuenta que los factores de riesgo no se han tenido en cuenta. Antes de sacar conclusiones
sobre la posible presencia de oportunidades de arbitraje o los mercados fi cientes INEF, es importante tener en
cuenta la posibilidad de que el mercado puede ser ms o menos riesgoso en ciertos das que otros. Por lo
tanto, las bajas (altas) signi fi cativos en los rendimientos (9.4) podran explicarse por riesgo bajo (alto). Brooks
y por lo tanto Persand prueba de estacionalidad utilizando el modelo de mercado emprica, mediante el cual el
riesgo de mercado se aproxima por el retorno sobre el TLC ndice Mundial de precio. Por lo tanto, con el fin de
buscar la forma de riesgo vara a travs de los das de la semana, interactivo (es decir, pendiente) variables
ficticias se utilizan para determinar si el riesgo aumenta (disminuye) en el da de los rendimientos altos (bajos).
La ecuacin, estimadas por separado utilizando datos de series temporales para cada pas se puede escribir
)

rt=(5 yo re it + yo re eso RWM t + ut (9,7)
i=1
dnde yo y yo son coe fi cientes a estimar, re eso es el yo variable ficticia tomando el valor 1 para el da t
= i y cero en otro caso, y RWM t es la rentabilidad del ndice del mercado mundial. De esta manera,
cuando se considera el efecto del riesgo de mercado de la estacionalidad, el riesgo y la rentabilidad estn
autorizados a variar a travs de los das de la semana. Los resultados de la estimacin de (9.6) se dan en
la tabla 9.2. Tenga en cuenta que Corea del Sur y Filipinas estn excluidos de esta parte del anlisis, ya
que no se encontraron anomalas calendario significativas para explicar en la tabla 9.1.
Como puede verse, significantes efectos lunes en la bolsa de valores Bangkok y Kuala Lumpur, y una
signi fi cativa Jueves efecto en este ltimo, se mantienen incluso despus de la inclusin de las variables
ficticias de pendiente que permiten riesgo para variar a travs de la semana. los t - proporciones caen
ligeramente en valor absoluto, sin embargo, lo que indica que los efectos da-de-la-semana vuelven
ligeramente menos pronunciada. El signi fi cativo retorno promedio negativo para la bolsa de valores de
Taiwn, sin embargo, desaparece por completo. Tambin est claro que los niveles medios de riesgo
varan a travs de los das de la semana. Por ejemplo, las betas para el Bangkok bolsa de valores varan
desde un mnimo de 0,36 el lunes a un mximo de ms de la unidad el martes. Esto demuestra que no slo
no hay un efecto positivo Lunes signi fi cativo en este mercado, sino tambin que la capacidad de
respuesta de
Tabla 9.2 efectos Day-of-the-semana con la inclusin de variables ficticias interactivos

con el proxy del riesgo
Tailandia Malasia Taiwn
lunes 0.00322 0,00185 0.544E-3

(3,3571) ** (2,8025) ** (0,3945)
martes - 0.00114 - 0.00122 0.00140

( - 1,1545) ( - 1,8172) (1,0163)
mircoles - 0,00164 0.25E-3 - 0.00263

( - 1,6926) (0,3711) ( - 1,9188)
jueves 0.00104 0,00157 - 0,00166

(1,0913) (2,3515) * ( - 1,2116)
viernes 0.31E-4 - 0.3752 - 0.13E-3

(0,03214) ( - 0,5680) ( - 0,0976)
Beta-Lunes 0.3573 0.5494 0.6330

(2,1987) * (4,9284) ** (2,7464) **
Beta-Martes 1.0254 0.9822 0.6572

(8,0035) ** (11.2708) ** (3,7078) **
Beta-Mircoles 0.6040 0.5753 0.3444

(3,7147) ** (5,1870) ** (1,4856)
Beta-Jueves 0.6662 0.8163 0.6055

(3,9313) ** (6,9846) ** (2,5146) *
Beta-Viernes 0.9124 0.8059 1.0906

(5,8301) ** (7,4493) ** (4,9294) **
notas: coe fi cientes se dan en cada clula seguido de t - relaciones entre parntesis; * y **
denotar significacin en los 5% y 1%, los niveles respectivamente.
Fuente: Brooks y Persand (2001a).
los movimientos del mercado de Bangkok a cambios en el valor del mercado general de la mundo es
considerablemente ms baja en este da que en otros das de la semana.
9.3.2 Las variables ficticias para estacionalidad en EViews
El efecto calendario ms comnmente observada en los datos mensuales es una efecto enero. Con el
fin de examinar si efectivamente existe un efecto enero en una regresin de series de tiempo
mensuales, se crea una variable ficticia que toma el valor 1 slo en los meses de enero. Esto es ms
fcil conseguir creando una nueva variable ficticia llamada JANDUM que contiene ceros en todas
partes, y luego modificar las entradas variables manualmente, cambiando todos los ceros de enero
de meses a unos. Volviendo al ejemplo de Microsoft precio de las acciones de los captulos 3 y 4, Crear
esta variable utilizando la metodologa descrita
anteriormente, y ejecutar la regresin de nuevo incluyendo esta nueva variable ficticia tambin. Los
resultados de esta regresin son: Variable dependiente: ERMSOFT Mtodo: Least Squares Fecha: 09/06/07
Hora: 20:45 Muestra (ajustada): 1986M05 2007M04 observaciones incluidos: 252 despus de los ajustes
Coeficiente Std. Error t-Statistic Prob.
do - 0.574717 1.334120 - 0.430783 0.6670

ERSANDP 1.522142 0.183517 8.294282 0.0000
DPROD 0.522582 0.450995 1.158730 0.2477
DCREDIT - 6.27E-05 0.000144 - 0.435664 0.6635
DINFLATION 2.162911 3.048665 0.709462 0.4787
dmoney - 1.412355 0.641359 - 2.202129 0,0286
DSPREAD 8.944002 12.16534 0.735203 0.4629
Rterm 6.944576 2.978703 2.331409 0,0206
FEB89DUM - 68.52799 12.62302 - 5.428811 0.0000
FEB03DUM - 66.93116 12.60829 - 5.308503 0.0000
JANDUM 6.140623 3.277966 1.873303 0,0622
R cuadrado 0.368162 var dependiente Mean - 0.420803

R cuadrado ajustado 0.341945 var dependiente SD 15.41135
SE de regresin 12.50178 Akaike criterio de informacin 7.932288
Resid suma al cuadrado 37.666,97 criterio de Schwarz 8.086351
probabilidad log - 988.4683 criter Hannan-Quinn. 7.994280
F-estadstica stat 14.04271 Durbin-Watson 2.135471
Prob (F-estadstica) 0.000000
Como puede verse, el mueco est justo fuera estadsticamente significativo al nivel del 5%, y
tiene el signo positivo esperado. El valor fi coeficiente de 6.14, sugiere que en todo lo dems, los
rendimientos de valores Microsoft igualdad de medias y la celebracin son alrededor de 6% ms
alto en enero que el promedio de otros meses del ao.
9.4 Estimacin de funciones a trozos lineales simples
El modelo lineal a trozos es un ejemplo de un conjunto general de los modelos conocidos como tcnicas
spline. tcnicas Spline implican la aplicacin de funciones polinmicas a trozos de una manera a diferentes
porciones de los datos. Estos modelos se utilizan ampliamente para las curvas de rendimiento fi t a los
datos disponibles en los rendimientos de los lazos de diferentes vencimientos (vase, por ejemplo, Shea,
1984).
Un modelo lineal a trozos simple podra operar como sigue. Si la relacin entre dos series, y y X,
difiere dependiendo de si X es
menor o mayor que un cierto valor umbral X *, este fenmeno puede ser capturado utilizando
variables ficticias. Una variable ficticia, re t, podra ser definido, teniendo valores
si x t < X *
re t = { 0 (9,8)
1 si x t X *
Para ofrecer un ejemplo de donde esto puede ser til, a veces es el caso de que los lmites de tamao
de garrapata varan de acuerdo con el precio del activo. Por ejemplo, de acuerdo con George y
Longstaff (1993, vase tambin el captulo 6 de este libro), el Chicago Board of Options Exchange
(CBOE) limita el tamao de garrapata en $ (1/8) para las opciones por valor de $ 3 o ms, y $ (1/16)
para las opciones de valor inferior a $ 3. Esto significa que los movimientos de precios mnimos
permisibles son $ (1/8) y ($ 1/16) para las opciones por valor de $ 3 o ms y menos de $ 3,
respectivamente. Por lo tanto, si y es la oferta - spread para la opcin, y X es el precio de la opcin, que se utiliza
como variable a explicar en parte el tamao de la propagacin, la propagacin variar con el precio de la opcin en
parte, de una manera por tramos debido al lmite de tamao de la garrapata. El modelo podra por lo tanto ser
especi fi como
y t = 1 + 2 X t + 3 re t + 4 re t X t + u t (9,9)
con re t define como anteriormente. Visto a la luz de la discusin anterior sobre variables ficticias
estacionales, la maniqu en (9.8) se utiliza como una interseccin y un maniqu pendiente. Un ejemplo
que muestra la lnea de datos y la regresin est dada por fi gura 9.4.
Tenga en cuenta que el valor del umbral o 'nudo' se supone conocido en esta etapa. En todo
momento, tambin es posible que esta situacin podra ser
Figura 9.4 yt
modelo lineal a trozos
con umbral X *
valor umbral Xt
de X
generalizado al caso en que y t se extrae de ms de dos regmenes o es generado por un modelo

ms complejo.
9.5 modelos de conmutacin Markov
Aunque se han propuesto un gran nmero de modelos de umbral ms complejos, no lineales en

la literatura econometra, slo dos tipos de modelo han tenido un impacto notable en financiar
(aparte de los modelos de umbral GARCH del tipo aludido en el captulo 8). Estos son el modelo
de conmutacin de rgimen de Markov asociada a Hamilton (1989, 1990), y el modelo
autorregresivo umbral asociado con Tong (1983, 1990). Cada una de estas formulaciones se
discutir a continuacin.
9.5.1 Fundamentos de modelos de conmutacin de Markov
Bajo el enfoque de conmutacin de Markov, el universo de posibles ocurrencias se divide en metro estados
del mundo, denotados s yo , i = 1,. . . , metro, correspondiente a metro regmenes. En otras palabras, se
supone que y t cambios de rgimen de acuerdo con alguna variable no observada, s t, que toma valores
enteros. En el resto de este captulo, se supone que m = 1 o 2. As que si s t = 1, el procedimiento es en
rgimen de 1 en el tiempo t, y si s t = 2, el proceso se encuentra en rgimen de 2 en el tiempo t. Los
movimientos de la variable de estado entre los regmenes se rigen por un proceso de Markov. Esta
propiedad de Markov se puede expresar como
PAG[ un <y t b | y 1, y 2, . . . , y t - 1] = PAG[ un <y t b | y t - 1] (9,10)
En la llanura Ingls, esta ecuacin establece que la distribucin de probabilidad del estado en cualquier
momento t slo depende del estado en el tiempo t - 1 y no en los estados que se han pasado a travs de
los tiempos t - 2, t - 3,. . . Por lo tanto los procesos de Markov no son dependiente de la trayectoria. La
fuerza del modelo radica en su flexibilidad, siendo capaz de capturar cambios en la varianza entre los
procesos estatales, as como los cambios en la media.
La forma ms bsica del modelo de Hamilton, tambin conocido como 'de Hamilton de filtro' (vase
Hamilton, 1989), comprende una variable de estado no observada, denotado z t, que se postula para evaluar
de acuerdo con un proceso de Markov de primer orden
prob [ z t = 1 | z t - 1 = 1] = pag 11 (9,11)
prob [ z t = 2 | z t - 1 = 1] = 1 - pag 11 (9,12)
prob [ z t = 2 | z t - 1 = 2] = pag 22 (9,13)
prob [ z t = 1 | z t - 1 = 2] = 1 - pag 22 (9,14)

dnde pag 11 y pag 22 denotar la probabilidad de estar en rgimen de uno, dado que el sistema estaba
en rgimen de uno durante el periodo anterior, y la probabilidad de estar en rgimen de dos, dado
que el sistema estaba en rgimen de dos durante el perodo anterior, respectivamente. As 1 - pag 11 define
la probabilidad de que y t cambiar de estado 1 en el periodo t - 1 al estado 2 en perodo
t, y 1 - pag 22 define la probabilidad de un cambio del estado 2 al estado 1 entre los tiempos t - 1 y t. Se
puede demostrar que, en esta especificacin,
z t evoluciona como una (1) proceso AR
z t = ( 1 - pag 11) + z t - 1 + t (9,15)
dnde = pag 11 + pag 22 - 1. hablando vagamente, z t puede ser visto como una generalizacin de las variables
ficticias para los cambios de una sola vez en una serie discutido anteriormente. Bajo el enfoque de conmutacin
de Markov, que puede haber varios cambios de un conjunto de comportamientos a otro.
En este marco, la serie de retornos observado evoluciona a medida dada por (9.15)
yt= 1+ 2 zt+( 2 1+ z t) 1/2 u t (9,16)
dnde u t ~ N (0, 1). Los valores esperados y varianzas de la serie son 1

y 2 1, respectivamente, en el estado 1, y ( 1 + 2) y 2 1+ en respectivamente,
2. El estado de la varianza en el estado 2 es tambin definida, 2 2= 2 1+ . El desconocido
parmetros del modelo ( 1, 2, 2 1, 22, pag 11, pag 22) han sido estimados utilizando max-
probabilidad imo. Los detalles estn ms all del alcance de este libro, pero estn ms
ampliamente dan en Engel y Hamilton (1990).
Si una variable sigue un proceso de Markov, todo lo que se requiere para pronosticar la probabilidad
de que sea en un rgimen dado durante el prximo perodo es la probabilidad del perodo actual y un
conjunto de probabilidades de transicin, dado para el caso de dos regmenes de (9.11 ) - (9.14). En el
caso general donde hay metro estados, las probabilidades de transicin se expresan mejor en una matriz
como
PAG 11 PAG 12
... PAG 1 metro
PAG 21 PAG 22 ... PAG 2 metro

P= (9,17)
... ... ... ...
PAG metro 1 PAG metro.2 . . PAG mm
dnde PAG ij es la probabilidad de pasar de rgimen yo al rgimen j. Dado que, en un momento dado, la
variable debe estar en una de las metro estados, debe ser cierto que
metro
PAG ij = 1 yo (9,18)
j=1
Un vector de probabilidades de estado actuales es entonces definida como
t=[ 12 . . . m] (9,19)
dnde yo es la probabilidad de que la variable y se encuentra actualmente en el estado de yo . Dado
t y PAG, la probabilidad de que la variable y estar en un rgimen determinado perodo siguiente puede pronosticarse
mediante
t + 1 = t PAG (9,20)
Las probabilidades para S pasos en el futuro sern dadas por
t + s = t PAG s (9,21)
9.6 modelo de conmutacin A Markov para el tipo de cambio real
Ha habido una serie de aplicaciones del modelo de Markov de conmutacin de financiar.

Claramente, este enfoque es til cuando se piensa someterse a una serie de cambios de un tipo
de comportamiento a otro y viceversa, pero donde la 'variable forzar' que causa los cambios de
rgimen no es observable.
Una de estas aplicaciones es modelar el tipo de cambio real. Como se discuti en el captulo 7, la
teora de paridad de poder adquisitivo (PPA) sugiere que la ley de un solo precio siempre debe
aplicar a la larga, de tal manera que el costo de una canasta representativa de bienes y servicios es
la misma dondequiera que se compra, despus de convertirlo en una moneda comn. Bajo ciertos
supuestos, una implicacin de PPP es que la tasa de cambio real (es decir, el tipo de cambio
dividido por un ndice general de precios como el ndice de precios al consumidor (IPC)) debe estar
parado. Sin embargo, varios estudios han fracasado para rechazar la hiptesis nula de raz unitaria
en las tasas de cambio reales, lo que indica la evidencia en contra de la teora de la PPA.
Es ampliamente conocido que el poder de pruebas de raz unitaria es baja en presencia de

cambios estructurales como los nds fi prueba ADF que difcil distinguir entre un proceso sujeto
estacionario a cambios estructurales y un proceso de raz unitaria. Con el fin de investigar esta
posibilidad, Bergman y Hansson (2005) estimar un modelo de conmutacin de Markov con un (1)
estructura de AR del tipo de cambio real, lo que permite mltiples conmutadores entre dos
regmenes. La especificacin que utilizan es
y t = st+ y t - 1 + t (9,22)
dnde y t es la tasa de cambio real, s t, ( t = 1, 2) son los dos estados, y

t~ NORTE( 0, 2). 1 La variable de estado s t se supone que seguir un proceso estndar de 2 rgimen de Markov como
se describe anteriormente.
1 Los autores tambin estiman modelos que permiten y 2 para variar a travs de los estados, pero la restriccin de que los
parmetros son los mismos en los dos estados no puede ser rechazado y, por tanto, los valores presentados en el estudio
suponer que son constantes.

observaciones trimestrales de 1973Q2 a 1997Q4 (99 puntos de datos) se utilizan en el tipo de

cambio real (en unidades de moneda extranjera por dlar) para el Reino Unido, Francia, Alemania,
Suiza, Canad y Japn. El modelo se estima utilizando los primeros 72 observaciones
(1973Q2--1990Q4) con el resto retenidos para la evaluacin del pronstico fuera de muestra. Los
autores utilizan 100 veces el logaritmo de la tasa de cambio real, y esto se normalizaron a tomar un
valor de uno para 1973Q2 para todos los pases. Las estimaciones del modelo de Markov de
conmutacin obtenidos mediante la estimacin de mxima verosimilitud se presentan en la tabla 9.3.
Como muestra la tabla, el modelo es capaz de separar los tipos de cambio reales en dos
regmenes distintos para cada serie, con el intercepto en rgimen de uno ( 1) siendo positivo para
todos los pases excepto Japn (resultante de la fuerza fenomenal del yen sobre el perodo de la
muestra), correspondiente a un aumento en el registro del nmero de unidades de la moneda
extranjera por dlar, es decir, una depreciacin de la moneda nacional contra el dlar. 2,
el intercepto en rgimen 2, es negativo para todos los pases, lo que corresponde a una apreciacin
de la moneda nacional frente al dlar. Las probabilidades de permanecer dentro del mismo rgimen
durante el perodo siguiente ( pag 11 y
pag 22) son bastante bajo para el Reino Unido, Francia, Alemania y Suiza, lo que indica interruptores
bastante frecuentes de un rgimen a otro para las monedas de esos pases.
Curiosamente, despus de tener en las intersecciones de conmutacin a travs de los regmenes, la AR

(1) coeficiente, , en la tabla 9.3 es una distancia considerable por debajo de la unidad, lo que indica que
estos tipos de cambio reales son estacionarios. Bergman y Hansson simulan datos de la Markov
estacionario de conmutacin AR (1) modelo con los parmetros estimados pero asumen que el investigador
lleva a cabo una prueba de ADF estndar en los datos arti fi ciales. Que encontramos que para ninguno de
los casos se puede rechazar la hiptesis nula de raz unitaria, a pesar de que claramente esto nula es
incorrecta ya que los datos simulados son estacionarios. Se concluye que un fracaso para dar cuenta de las
intersecciones variables en el tiempo (es decir, fracturas estructurales) en los estudios empricos anteriores
sobre los tipos de cambio reales podran haber sido la razn para el hallazgo de que las series son
procesos de raz unitaria cuando la teora financiera haba sugerido que deberan ser estacionario.
Finalmente, los autores emplean su conmutacin AR (1) modelo de Markov para pronosticar el resto
de los tipos de cambio en la muestra en comparacin con las predicciones producidas por un paseo
aleatorio y por un modelo de conmutacin de Markov con un paseo aleatorio. Que encontramos que para
los seis series, y para el pronstico horizontes de hasta 4 pasos (cuartos) por delante, la conmutacin
modelo AR Markov produce predicciones con la media ms baja cuadrado errores; estas mejoras con
respecto al recorrido aleatorio puro son estadsticamente significativos.
Tabla 9.3 Las estimaciones del modelo de Markov para la conmutacin de cambio real
Parmetro Reino Unido Francia Alemania Suiza Canad Japn
1 3,554 (0,550) 6,131 (0,604) 6,569 (0,733) 2,390 (0,726) 1,693 (0,230) - 0,370 (0,681)
2 - 5,096 (0,549) - 2,845 (0,409) - 2,676 (0,487) - 6,556 (0,775) - 0,306 (0,249) - 8,932 (1,157)
0,928 (0,027) 0,904 (0,020) 0,888 (0,023) 0,958 (0,027) 0,922 (0,021) 0,871 (0,027)
2 10.118 (1.698) 7,706 (1,293) 10.719 (1.799) 13.513 (2.268) 1,644 (0,276) 15.879 (2.665)
pag 11 0,672 0,679 0,682 0,792 0,952 0,911
pag 22 0,690 0,833 0,830 0,716 0,944 0,817
notas: Los errores estndar entre parntesis.

Fuente: Bergman y Hansson (2005).
Reproducido con el permiso de Elsevier Science.
9.7 modelo de conmutacin A Markov para la relacin de rendimiento de la cerda-equidad
Como veremos ms adelante, un enfoque de conmutacin de Markov tambin es til para modelar el comportamiento de series
temporales de la cerda joven - relacin de rendimiento de capital (Geyr), definido como la relacin entre el rendimiento de los
ingresos de los bonos del Estado a largo plazo a la rentabilidad por dividendo en acciones. Se ha sugerido que el valor actual de
la Geyr podra ser una herramienta til para los gestores de inversin o los analistas de mercado en la determinacin de si invertir
en acciones o si invertir en las cerdas jvenes. De este modo se pretende la Geyr contener informacin til para determinar la
direccin probable de futuras tendencias del mercado de capital. El Geyr se supone que tiene un nivel de equilibrio a largo plazo,
las desviaciones de la que se toman para sealar que los precios de las acciones estn en un nivel insostenible. Si el Geyr vuelve
alta en relacin a su nivel de largo plazo, las acciones son vistos como siendo caro en relacin con los bonos. La expectativa, a
continuacin, es que para determinados niveles de rendimiento de los bonos, los rendimientos de capital deben aumentar, lo que
se producir a travs de una cada de los precios de acciones. Del mismo modo, si el Geyr est bien por debajo de su nivel de
largo plazo, los bonos se consideran caros en relacin con las existencias, y por el mismo anlisis, se espera que el precio de este
ltimo a aumentar. Por lo tanto, en su forma ms cruda, una regla de operaciones con acciones en base a la Geyr dira, 'si el Geyr
es baja, compra de acciones; si el Geyr es alta, vender acciones. El artculo de Brooks y Persand (2001b) discute la utilidad del
enfoque de conmutacin de Markov en este contexto, y considera si las normas comerciales de mesa fi cios pueden ser
desarrollados sobre la base de las previsiones derivadas del modelo. bonos se consideran caros en relacin con las existencias, y
por el mismo anlisis, se espera que el precio de este ltimo a aumentar. Por lo tanto, en su forma ms cruda, una regla de
operaciones con acciones en base a la Geyr dira, 'si el Geyr es baja, compra de acciones; si el Geyr es alta, vender acciones. El
artculo de Brooks y Persand (2001b) discute la utilidad del enfoque de conmutacin de Markov en este contexto, y considera si
las normas comerciales de mesa fi cios pueden ser desarrollados sobre la base de las previsiones derivadas del modelo. bonos se
consideran caros en relacin con las existencias, y por el mismo anlisis, se espera que el precio de este ltimo a aumentar. Por
lo tanto, en su forma ms cruda, una regla de operaciones con acciones en base a la Geyr dira, 'si el Geyr es baja, compra de acciones; si el Geyr es
Brooks y Persand (2001b) emplean rentabilidades por dividendo mensual de ndices burstiles y los
rendimientos de la renta de los bonos pblicos que cubren el perodo comprendido entre enero 1975 hasta agosto
de 1997 (272 observaciones) para tres pases - el Reino Unido, Estados Unidos y Alemania. La serie utilizados
son los valores de rendimiento y el ndice de dividendos de la FTSE100 (UK), la S & P500 (US) y el DAX
(Alemania). Los ndices de bonos y los rendimientos de reembolso se basan en los precios limpios de consols
gobierno del Reino Unido y los Estados Unidos y los bonos alemanes a 10 aos.
Como un ejemplo, fi gura 9.5 presenta un grfico de la distribucin de la Geyr para los EE.UU.
(en negrita), junto con una distribucin normal con la misma media y la varianza. Claramente, la
distribucin de la serie Geyr no es normal, y la forma sugiere dos modos separados: una parte
superior de la distribucin que incorpora la mayor parte de las observaciones, y una parte inferior
que cubre los valores ms pequeos de la Geyr.
Tal observacin, junto con la nocin de que una regla de comercio debe desarrollarse sobre la
base de si el Geyr es 'alto' o 'bajo', y en ausencia de un modelo economtrico formal para la Geyr,
sugiere que una de Markov enfoque de conmutacin puede ser til. Bajo el enfoque de
conmutacin de Markov, los valores de la Geyr se extraen de una mezcla de la normalidad
Figura 9.5 0.45
Fuente: Brooks y Persand

(2001b). distribucin 0.40
incondicional de los
0.35
Estados Unidos Geyr junto
con una distribucin normal
0.30
con la misma media y
varianza
0.25
0.20
0.15
0.10
0.05
0.00
-4 -2 0 2 4
Tabla 9.4 Los parmetros estimados para los modelos de conmutacin Markov
1 2 21 22 pag 11 pag 22 norte 1 norte 2
Estadstica ( 1) ( 2) ( 3) ( 4) ( 5) ( 6) ( 7) ( 8)
Reino Unido 2.4293 2.0749 0,0624 0,0142 0.9547 0.9719 102 170
(0,0301) (0,0367) (0,0092) (0,0018) (0,0726) (0,0134)
NOS 2.4554 2.1218 0,0294 0,0395 0.9717 0.9823 100 172

(0,0181) (0,0623) (0,0604) (0,0044) (0,0171) (0,0106)
Alemania 3.0250 2.1563 0.5510 0,0125 0.9816 0.9328 200 72

(0,0544) (0,0154) (0,0569) (0,0020) (0,0107) (0,0323)
notas: Los errores estndar entre parntesis; norte 1 y norte 2 denotar el nmero de observaciones considerar en regmenes 1
y 2, respectivamente.
Fuente: Brooks y Persand (2001b).
distribuciones, donde los pesos adjuntan a cada suma distribucin a uno y donde los movimientos entre
las series se rigen por un proceso de Markov. El modelo de conmutacin de Markov se estima usando
un procedimiento de mxima verosimilitud (como se discute en el captulo 8), basado en el cdigo
GAUSS suministrado por James Hamilton. Cientes estimaciones fi cientes para el modelo se presentan
en la tabla 9.4.
Los medios y las desviaciones de los valores de la Geyr para cada uno de los dos regmenes se
dan en columnas encabezadas (1) - (4) de la tabla 9.4 con errores estndar asociados con cada
parmetro en parntesis. Est claro que la
modelo de conmutacin rgimen ha dividir los datos en dos muestras distintas - una con una alta
media (de 2,43, 2,46 y 3,03 para el Reino Unido, los Estados Unidos y Alemania,
respectivamente) y uno con una media inferior (de 2.07, 2.12, y 2.16) , tal como se haba
anticipado de la distribucin incondicional de devoluciones. Tambin es evidente el hecho de que
el Reino Unido y Geyr alemn son ms variables en momentos en que est en el alto rgimen de
media, lo demuestra su mayor varianza (de hecho, es de alrededor de cuatro y 20 veces mayor
que para el estado Geyr baja, respectivamente ). El nmero de observaciones para el que la
probabilidad de que la Geyr est en el estado alto media supera 0,5 (y por lo tanto cuando el Geyr
es en realidad considerar en este estado) es 102 para el Reino Unido (37,5% del total), mientras
que las cifras para los EE.UU. son 100 (36,8%) y para Alemania 200 (73,5%). Por lo tanto, en
general,
Las columnas marcadas (5) y (6) de la tabla 9.4 dar los valores de pag 11 y
pag 22, respectivamente, que es la probabilidad de permanecer en el estado de 1 dado que la Geyr
estaba en el estado 1 en el mes inmediatamente anterior, y la probabilidad de permanecer en el estado
2, dado que la Geyr estaba en el estado 2 anteriormente, respectivamente. Los altos valores de estos
parmetros indica que los regmenes son muy estables, con menos de un 10% de posibilidades de
pasar de una Geyr bajo a un rgimen de alta Geyr y viceversa para las tres series. Figura
9.6 presenta un ' q- parcela', que muestra el valor de Geyr y la probabilidad de que est en el rgimen de alta
Geyr para el Reino Unido en cada punto en el tiempo.
Figura 9.6 3.5 1.2
Fuente: Brooks y Persand

3.3 Geyr st
(2001b). Valor de Geyr y la
=1
1
probabilidad de que est en
3.1
el rgimen de alta Geyr para
el Reino Unido 2.9
0.8
2.7
Valor de Geyr
Probabilidad
2.5 0.6
2.3
0.4
2.1
1.9
0.2
1.7
1.5 0
91 92 Julio
Jul 1.980 Mar
noviembre
noviembre
noviembre
noviembre
noviembre
noviembre
noviembre
noviembre
81 Jul 82
83 Jul 84
85 Jul 86
87 Jul 88
89 Jul 90
93 Jul 94
95 Jul 96
Mar 83
Mar 85
Mar 87
Mar 89
Mar 91
Mar 93
Mar 95
Mar 97
81
Fecha
Como puede verse, la probabilidad de que el Reino Unido Geyr est en el rgimen de 'alto' (la lnea de
puntos) vara con frecuencia, pero pasa la mayor parte de su tiempo o bien cerca de cero o cercano a uno. El
modelo tambin parece hacer un trabajo razonablemente bueno de precisar el rgimen del Reino Unido Geyr
debe estar en, dado que la probabilidad parece coincidir con las tendencias generales en la Geyr real (la lnea
continua).
Engel y Hamilton (1990) muestran que es posible dar un pronstico de la probabilidad de que una
serie y t, que sigue un proceso de conmutacin de Markov, estar en un rgimen particular. Brooks y
Persand (2001b) utilizan el primer 60 observaciones (Enero 1975 - Diciembre 1979) para la
estimacin en la muestra de los parmetros del modelo ( 1, 2, 2
1, 2 2, pag 11, pag 22). A continuacin, un solo paso de la ventaja

pronstico se produce de la probabilidad de que el Geyr estar en el alto rgimen de media durante
el prximo perodo. Si la probabilidad de que el Geyr estar en el rgimen de baja durante el
siguiente perodo se prev ms que 0,5, se prev que el Geyr ser baja y, por tanto, las acciones se
compran o se mantienen. Si la probabilidad de que el Geyr est en el rgimen de baja se prev ser
inferior a 0,5, se anticipa que el Geyr ser alta y por lo tanto las cerdas jvenes se invierten en o
llevan a cabo. El modelo se enrolla hacia adelante una observacin, con un nuevo conjunto de
parmetros del modelo y pronsticos de probabilidad de ser construido. Este proceso contina hasta
212 tales probabilidades se calculan con las normas comerciales correspondientes.
Los rendimientos para cada mes fuera de la muestra para la cartera de conmutacin se calculan, y sus
caractersticas en comparacin con las de las acciones de compra-andhold y estrategias cerdas jvenes
andhold-comprar. Los resultados se calculan como porcentaje vuelve continuamente compuestas de una
accin (el FTSE en el Reino Unido, el S & P500 en los EE.UU., el DAX de Alemania) o en un bono del
gobierno a largo plazo. La rentabilidad de las reglas de comercio generados por las previsiones del
modelo de Markov de conmutacin se encuentran para ser superior en trminos brutos en comparacin
con una simple estrategia de renta variable de comprar y mantener. En el contexto del Reino Unido, los
antiguos rendimientos ms altos rendimientos medios y desviaciones estndar inferiores. La cartera de
conmutacin genera una rentabilidad media del 0,69% al mes, en comparacin con 0,43% por el bono puro
y 0,62% para las carteras de renta variable pura. Las mejoras no son tan claros para los EE.UU. y
Alemania. El ratio de Sharpe para la cartera de conmutacin Reino Unido Markov es casi el doble que el
de la cartera de valores de compra y retencin, lo que sugiere que, despus de tener en riesgo, el modelo
de conmutacin proporciona una regla de trading. La mejora en el ratio de Sharpe para los otros dos
pases es, por el contrario, slo es muy modesta.
Resumir:
El enfoque de conmutacin de Markov puede ser utilizado para modelar la relacin de rendimiento de la cerda-equidad
El modelo resultante puede ser utilizado para producir previsiones de la probabilidad de que el Geyr
estar en un rgimen particular,
Antes de los costos de transaccin, una regla de comercio derivado del modelo produce un mejor
rendimiento que una estrategia de acciones de compra y retencin, a pesar de la exactitud de
prediccin inferior, medido estadsticamente
Neto de los costos de transaccin, las reglas basadas en el modelo de Markov de conmutacin no son
capaces de superar una inversin pasiva en el ndice para cualquiera de los tres pases estudiados.
9.8 Umbral modelos autorregresivos
Umbral autorregresivo (TAR) modelos son una clase de modelos autorregresivos no lineales.
Tales modelos son una relajacin relativamente simple de los modelos autorregresivos lineales
estndar que permiten una aproximacin lineal a nivel local a travs de una serie de estados.
Segn Tong (1990, p. 99), el principio de umbral 'permite el anlisis de un sistema estocstico
complejo descomponindolo en un conjunto de sub-sistemas ms pequeos'. La diferencia clave
entre TAR y modelos de Markov de conmutacin es que, bajo el anterior, la variable de estado se
supone conocido y observable, mientras est latente bajo el ltimo. Un ejemplo muy simple de un
modelo autorregresivo umbral viene dado por (9.23). El modelo contiene un proceso de orden
autorregresivo primera en cada uno de dos regmenes, y slo hay un umbral. Por supuesto, el
nmero de umbrales siempre ser el nmero de regmenes menos uno. y t se pretende para seguir
un proceso autorregresivo de intercepcin con coeficiente 1 y coef autorregresivo fi ciente 1 si el
valor de la variable de detector de estado lag k perodos, denotados s t - k es menor que un cierto
valor umbral r. Si el valor de la variable detector de estado rezagado k perodos, es igual o mayor
que el valor umbral R, Y t es especi fi seguir un proceso autorregresivo diferente, con intercepto
coeficiente 2 y coef autorregresivo fi ciente 2. El modelo se escribira
si s t - k < r
yt={ 1+ 1 yt-1+ u1t (9,23)
2+ 2 yt-1+ u2t si s t - k r
Pero que es s t - k, la variable detector de estado? Puede ser cualquier variable que se piensa hacer y t pasar
de un conjunto de comportamientos a otro. Obviamente, fi nanciera o teora econmica deben
tener un papel importante que desempear en la toma de esta decisin. Si k = 0, que es el valor
actual de la variable determinante de estado que influye en el rgimen que y es en el momento en t,
pero en muchas aplicaciones k se pone a 1, de modo que el valor inmediatamente precedente de s
es el que determina el valor actual de y.
El caso ms simple para la variable de la determinacin de estado es donde est la variable en

estudio, es decir, s t - k = y t - k. Esta situacin se conoce como un TAR selfexciting, o una SETAR, ya que
es el retraso de la variable y s que determina el rgimen que y se encuentra actualmente en. Ahora,
el modelo se escribira
y t = { 1 + 1 y t - 1 + u 1 t Si y t - k < r (9,24)
2 + 2 y t - 1 + u 2 t Si y t - k r
Los modelos de (9.23) o (9.24) pueden, por supuesto, extenderse en varias direcciones. El nmero
de retardos de la variable dependiente utilizados en cada rgimen puede ser mayor que uno, y el
nmero de retardos no tienen que ser el mismo para ambos regmenes. El nmero de estados
tambin se puede aumentar a ms de dos. Un modelo general de umbral autorregresivo, que
notacionalmente permite la existencia de ms de dos regmenes y ms de un retardo, se puede
escribir
( )

Xt=J t ( j) 0
YO ( j)+ pag j ( Ji X t - i + u ( j)t , r j - 1 z t - re r j (9,25)
j=1 i=1
dnde YO ( j) t es una funcin de indicador para el j rgimen tomando el valor

uno si la variable subyacente est en estado j y cero en caso contrario. z t - re es una variable
observada determinar el punto de conmutacin y u ( j)
t es un cero
significar proceso de error distribuido independientemente y de forma idntica. De nuevo, si los cambios de rgimen
son impulsados por los propios rezagos de la variable subyacente, X t

(es decir z t - d = X t - re), entonces el modelo es un auto-TAR emocionante (SETAR).
Tambin vale la pena volver a afirmar que bajo el enfoque de TAR, la variable
y o est en un rgimen u otro, dado el valor correspondiente de s, y hay transiciones discretas
entre un rgimen y otro. Esto est en contraste con el enfoque de conmutacin Markov, donde la
variable y es en ambos estados con cierta probabilidad en cada punto en el tiempo. Otra clase de
modelos umbral autorregresivos, conocido como autorregresivos de transicin suave (STAR),
permite una transicin ms gradual entre los regmenes mediante el uso de una funcin continua
para el indicador de rgimen en lugar de un sobre - interruptor de apagado (vase Franses y Van
Dijk, 2000 , Captulo 3).
9.9 Estimacin de modelos de umbral autorregresivos
Estimacin de los parmetros del modelo ( yo , r j, d, p j) es considerablemente ms difcil que para un

proceso autorregresivo lineal estndar, ya que en general no pueden ser determinados de forma
simultnea en una forma simple, y los valores
elegido para un parmetro es probable que in fl uyen en las estimaciones de los otros. Tong (1983,
1990) sugiere un procedimiento de regresin lag no paramtrico complejo para estimar los valores de
los umbrales ( r j) y el parmetro de retardo
( re).
Idealmente, puede ser preferible para estimar de forma endgena los valores del umbral (s)
como parte del procedimiento de optimizacin no lineal de mnimos cuadrados (NLS), pero esto no
es factible. La relacin funcional subyacente entre las variables es discontinua en los umbrales, de
modo que los umbrales no se puede estimar en el mismo tiempo que los otros componentes del
modelo. Una solucin a este problema que a veces se utiliza en el trabajo emprico es utilizar un
procedimiento de bsqueda de rejilla que busca la suma residual de cuadrados mnimos en una
gama de valores de umbral (s) para un modelo asumido. Algunos ejemplos de cdigo para lograr
esto se presenta ms adelante en este captulo.
9.9.1 Umbral orden del modelo (longitud lag) determinacin
A simple, aunque lejos de ser ideal, el mtodo para la determinacin de las longitudes de retardo
adecuados para los componentes autorregresivos para cada uno de los regmenes sera suponer
que se requiere el mismo nmero de retardos en todos los regmenes. La longitud de retardo se
elige entonces de la manera estndar mediante la determinacin de la longitud de retardo
apropiado para un modelo autorregresivo lineal, y suponiendo que la longitud de retraso para
todos los estados de la TAR es la misma. Si bien es fcil de implementar, este enfoque no es
claramente una buena, ya que es poco probable que el retardo de longitudes para cada estado
cuando los datos se extraen de diferentes regmenes sera el mismo que el correspondiente
cuando se impone una forma funcional lineal. Por otra parte, no es deseable para requerir las
longitudes de espera para ser la misma en cada rgimen. Esta conflictos con la nocin de que los
datos se comportan de manera diferente en diferentes estados,
Un enfoque alternativo y mejor, condicionada a los valores de umbral especificado fi, sera
emplear un criterio de informacin para seleccionar a travs de las longitudes de retraso en cada
rgimen simultneamente. Un inconveniente de este enfoque, que Franses y van Dijk (2000)
destacan, es que en la prctica es a menudo el caso de que el sistema sea residente en un rgimen
durante un tiempo considerablemente ms largo que los otros en general. En tales situaciones, los
criterios de informacin no funcionar bien en la seleccin de modelos para el rgimen (s) que
contiene algunas observaciones. Dado que el nmero de observaciones es pequeo en estos casos,
la reduccin global de la suma residual de cuadrados como ms parmetros se aaden a estos
regmenes ser muy pequea. Esto lleva a los criterios para seleccionar siempre muy pequeas
rdenes de modelo para los estados que contienen pocas observaciones. Una solucin, por lo tanto,
no penalizar a todo el modelo para parmetros adicionales en un estado. Tong (1990) propone una
versin modi fi cada del criterio de informacin de Akaike ( AIC) que los pesos
2 para cada rgimen por el nmero de observaciones en
ese rgimen. Para el caso de rgimen dual, la modi fi cada AIC se escribira
AIC (p 1, pag 2) = T 1 En 2 1 + T 2 En 2 2 + 2 ( pag 1 + 1) + 2 ( pag 2 + 1) (9,26)
dnde T 1 y T 2 son el nmero de observaciones en los regmenes 1 y 2, respectivamente, pag 1 y pag 2 son las
longitudes de retardo y 21y 2 2 son el residual
varianzas. modificaciones similares pueden por supuesto ser desarrollados para otros criterios de informacin.
9.9.2 Determinacin del parmetro de retardo, d
El parmetro de retardo, re, puede ser decidido en una variedad de maneras. Se puede determinar, junto con
las rdenes de retardo para cada uno de los regmenes por un criterio de informacin, aunque por supuesto
esta dimensin aadido aumenta en gran medida el nmero de modelos candidatos a ser estimado. En
muchas aplicaciones, sin embargo, se establece normalmente a un punto de vista terico. Se ha
argumentado (vase, por ejemplo, KR
Ager y Kugler, 1993) que, en el contexto de la financiera
mercados, lo ms probable es que el ltimo valor de la variable pasada statedetermining sera la
de determinar el estado actual, en lugar de que el valor de dos, tres,. . . Hace perodos.
La estimacin de los coeficientes autorregresivos entonces se puede lograr utilizando NLS. Ms

detalles del procedimiento se discuten en Franses y van Dijk (2000, captulo 3).
9.10 pruebas fi especificacin en el contexto de modelos de conmutacin y autorregresivos

umbral de Markov: una nota de advertencia
En el contexto tanto de conmutacin de Markov y modelos TAR, es de inters para determinar si

los modelos de umbral representan un superior fi t a los datos relativos a un modelo lineal
comparable. A manera tentadora, pero incorrecta para examinar esta cuestin sera hacer algo
como lo siguiente: estimar el modelo umbral deseado y la contraparte lineal, y comparar las
sumas de cuadrados residuales utilizando una F- prueba. Sin embargo, tal enfoque no es vlida en
este caso debido a parmetros fi ed molestas no identificados bajo la hiptesis nula. En otras
palabras, la hiptesis nula para la prueba sera que los parmetros adicionales en el modelo de
conmutacin de rgimen eran cero de modo que el modelo se desplom en el lineal
especificacin, pero bajo el modelo lineal, no existe un umbral. El resultado es que las
condiciones requeridas para demostrar que las pruebas estadsticas siguen una
distribucin asinttica estndar no se aplican. valores crticos Por lo tanto analticamente derivados no
estn disponibles, y los valores crticos se deben obtener a travs de la simulacin para cada caso
individual. Hamilton (1994) proporciona hiptesis sustitutos para Markov de conmutacin de la evaluacin
del modelo que vlidamente puede ser probado utilizando el marco de la prueba de hiptesis estndar,
mientras que Hansen (1996) ofrece soluciones en el contexto de modelos TAR.
En este captulo se examinar ahora dos aplicaciones de modelado de TAR en financiar: uno para el
modelado de los tipos de cambio dentro de un entorno gestionado flotando, y uno a las oportunidades de
arbitraje que implica la diferencia entre los precios spot y de futuros para un determinado activo. Para
una encuesta (ms bien tcnica) general de varias aplicaciones de alquitrn en finanzas, ver Yadav,
Papa y Paudyal (1994).
9.11 Un modelo SETAR del tipo de cambio marca de francos Alemn Francs
Durante la dcada de 1990, los pases europeos que formaban parte del Mecanismo de Tipos de
Cambio (MTC) del Sistema Monetario Europeo (SME), fueron obligados a limitar sus monedas para
permanecer dentro de las bandas prescritas en relacin con otras monedas del MTC. Esto pareca
presentar ningn problema a principios del nuevo milenio ya la Unin Monetaria Europea (UME) ya
estaba tasas inminentes y la conversin de las monedas nacionales a euros ya eran conocidas. Sin
embargo, a principios de 1990, el requisito de que las monedas se mantienen dentro de una cierta
banda en torno a su paridad central obligaron a los bancos centrales a intervenir en los mercados para
efectuar ya sea una apreciacin o una depreciacin de su moneda. Un estudio realizado por Chappell et
al. ( 1996) consider el efecto que tales intervenciones pueden tener sobre la dinmica y las propiedades
de series de tiempo del franco francs - marca alemana (en lo sucesivo FRF - tipo de cambio DEM). Se
permiti DEM para moverse hacia arriba a - 'ncleo pares de divisas', tales como la FRF 2,25% uno y
otro lado de su paridad central dentro del MTC. El estudio utiliz datos diarios del 1 de mayo de 1990
hasta el 30 de marzo de 1992. La primera 450 observaciones se utilizan para la estimacin del modelo,
con el 50 restante se retiene para la prediccin fuera de muestra.
Se emple un modelo de auto-emocionante umbral autorregresivo (SETAR) para permitir

diferentes tipos de comportamiento en funcin de si el tipo de cambio est cerca de la frontera
ERM. El argumento es que, cerca de la frontera, se requerir que los respectivos bancos
centrales a intervenir en direcciones opuestas con el fin de conducir el tipo de cambio de vuelta
hacia su paridad central. Tal intervencin se puede espera que afecte a la dinmica del mercado
habituales que garantizan una rpida reaccin a las noticias y la ausencia de oportunidades de
arbitraje.
Tabla 9.5 modelo SETAR para FRF-DEM
Nmero de
Modelo para el rgimen observaciones
mi t = 0,0222 + 0,9962 mi t - 1
mi mi t - 1 < 5.8306 344
(0,0458) (0,0079)
mi t = 0.3486 + 0.4394 mi t - 1 + 0.3057 mi t - 2 + 0.1951 mi t - 3 mi t - 1 5.8306 103

(0,2391) (0,0889) (0,1098) (0,0866)
Fuente: Chappell et al. ( 1996). Reproducido con permiso de John Wiley and Sons.
Dejar mi t denotar el registro de la FRF - tipo de cambio en el tiempo de DEM t. Chappell
et al. ( 1996) estiman dos modelos: uno con dos umbrales y una con un umbral. El primero se
prev que sea ms apropiada para los datos en la mano ya que es probable que sea afectada por
la intervencin del comportamiento del tipo de cambio si el tipo de cambio se acerca a cualquiera
el techo o el piso de la banda. Sin embargo, durante el perodo de muestra empleada, la marca
nunca fue una moneda dbil, y por lo tanto la FRF - tipo de cambio DEM era o bien en la parte
superior de la banda o en el centro, no cerca de la parte inferior. Por lo tanto, un modelo con un
umbral es ms apropiada, ya que cualquier segundo umbral estimado se consider probable que
sea espuria.
Los autores muestran, usando DF y tests ADF, que la serie de tipo de cambio no es
estacionaria. Por lo tanto, un modelo de umbral en los niveles no es estrictamente vlida para el
anlisis. Sin embargo, argumentan que un modelo economtrico vlido en la diferencia de
primera perdera su interpretacin intuitiva, ya que es el valor del tipo de cambio que est dirigido
por las autoridades monetarias, no su cambio. Adems, si las bandas de moneda estn
funcionando eficazmente, el tipo de cambio se ve limitada a estar dentro de ellos, y por lo tanto en
algunos sentidos de la palabra, debe ser estacionario, ya que no puede vagar sin lmite en
cualquier direccin. Las rdenes de modelo para cada rgimen se determinan utilizando AIC, y el
modelo estimado se da en la tabla 9.5.
Como puede verse, los dos regmenes comprenden un paseo aleatorio con deriva en condiciones
normales de mercado, donde la tasa de cambio est por debajo de un cierto umbral, y un AR (3) modelo
correspondiente al ajuste del mercado mucho ms lento cuando la tasa de cambio se encuentra en o
por encima el umbral. El (logaritmo natural de) la paridad central del tipo de cambio durante el perodo
fue de
5,8153, mientras que el (logaritmo del) el techo de la banda fue 5,8376. El umbral estimado de 5,8306 es de
aproximadamente 1,55% por encima de la paridad central, mientras que el techo es de 2.25% por encima de
la paridad central. Por lo tanto, el umbral estimado es de alguna manera por debajo del techo, que est de
acuerdo con los autores
Tabla 9.6 precisiones previsin FRF-DEM
pasos por delante
1 2 3 5 10
Panel A: cuadrado medio del error de pronstico

Caminata aleatoria 1.84E-07 3.49E-07 4.33E-07 8.03E-07 1.83E-06
AR (2) 3.96E-07 1.19E-06 2.33E-06 6.15E-06 2.19E-05
Un umbral SETAR 1.80E-07 2.96E-07 3.63E-07 5.41E-07 5.34E-07 dos umbral SETAR 1.80E-07
2.96E-07 3.63E-07 5.74E-07 5.61E-07
Panel B: La mediana de error de prediccin al cuadrado
Caminata aleatoria 7.80E-08 1.04E-07 2.21E-07 2.49E-07 1,00E-06

AR (2) 2.29E-07 9.00E-07 1.77E-06 5.34E-06 1.37e-05
Un umbral SETAR 9.33E-08 1.22E-07 1.57E-07 2.42E-07 2.34E-07-Dos umbral SETAR 1.02E-07
1.22E-07 1.87E-07 2.57E-07 2.45E-07
Fuente: Chappell et al. ( 1996). Reproducido con permiso de John Wiley and Sons.
expectativas ya que los bancos centrales son propensos a intervenir antes de que el tipo de cambio
realmente golpea el techo.
Las previsiones se producen entonces para los ltimos 50 observaciones utilizando el modelo de
umbral estimado anteriormente, el modelo SETAR con dos umbrales, un paseo aleatorio y un AR (2) (en el
que el orden del modelo fue elegido por minimizacin insample de AIC). Los resultados se presentan a
continuacin en la tabla 9.6.
Para el FRF - tipo de cambio DEM, se encuentra el modelo SETAR un umbral para dar media
inferior al cuadrado errores que los otros tres modelos de uno, dos, tres, fi ve- y horizontes de
previsin de diez pasos de la ventaja. Segn la medida del error de prediccin cuadrtico medio, el
paseo aleatorio es ligeramente superior a la SETAR un umbral de uno y dos pasos por delante, al
tiempo que ha recuperado su protagonismo por tres pasos por delante.
Sin embargo, en una nota al pie, los autores tambin argumentan que el modelo se estim SETAR y
probado para el 9 de otras series del tipo de cambio MTC, pero en cada uno de estos otros casos, los
modelos SETAR produjo previsiones menos preciso que un modelo de paseo aleatorio. Una posible
explicacin de este fenmeno se da en la seccin 9.13.
Brooks (2001) extiende el trabajo de Chappell et al. para permitir la varianza condicional de la serie
de tipo de cambio que puede extraerse de un proceso GARCH que a su vez contiene un umbral, por
encima del cual el comportamiento de la volatilidad es diferente a la de abajo. Se fi NDS que la
dinmica de la varianza condicional son muy diferentes de un rgimen a otro, y que los modelos que
permiten diferentes regmenes puede proporcionar previsiones de volatilidad superiores en
comparacin con aquellas que no lo hacen.
9.12 modelos de umbral y la dinmica de los mercados FTSE 100 Index y el

ndice de futuros
Uno de los ejemplos dados en el captulo 7 discuten las implicaciones para el funcionamiento eficaz
de los mercados de contado y de futuros de una ventaja de - R relacin entre las dos series. Si los
dos mercados funcionan de manera eficaz, sino que tambin se demostr que se esperara una
relacin de cointegracin entre ellos.
Si los mercados de valores e ndices burstiles de futuros estn funcionando adecuadamente, los
movimientos de precios en estos mercados deben ser mejor descrito por una orden modelo de vector de
correccin de errores primera (MCE), siendo el trmino de correccin de error de la diferencia de precio entre los
dos mercados (la base). El VECM podra expresarse como
[ Ft ] = [ 11 ] ]
[ F t - 1 - s t - 1] + [ u 1 t (9,27)
st 21 u2t
dnde F t y s t son los cambios en el registro de los futuros y los precios al contado, respectivamente, 11 y 21
son coe fi cientes que describen cmo se producen los cambios en los precios al contado y de futuros como
resultado de la base. Escribiendo estas dos ecuaciones a cabo en su totalidad, la siguiente resultara
F t - F t - 1 = 11 [ F t - 1 - s t - 1] + u 1 t (9,28)
s t - s t - 1 = 21 [ F t - 1 - s t - 1] + u 2 t (9,29)
Restando (9,29) a partir de (9.28) dara la siguiente expresin
( F t - F t - 1) - ( s t - s t - 1) = ( 11 - 21) [ F t - 1 - s t - 1] + ( u 1 t - u 2 t) (9,30)
que tambin se puede escribir como
( F t - s t) - ( F t - 1 - s t - 1) = ( 11 - 21) [ F t - 1 - s t - 1] + ( u 1 t - u 2 t) (9,31)
o, usando el resultado de que segundo t = F t - s t
segundo t - segundo t - 1 = ( 11 - 21) segundo t - 1 + t (9,32)
dnde t = u 1 t - u 2 t. Tomando segundo t - 1 de ambos lados
segundo t = ( 11 - 21 - 1) segundo t - 1 + t (9,33)
Si el VECM primer orden es el caso, entonces no es posible identificar ecuaciones estructurales para
las devoluciones en los mercados de valores e ndices burstiles de futuros con las implicaciones
obvias para la previsibilidad y los dos mercados son de hecho e fi ciente. Por lo tanto, para los
mercados e fi cientes y hay arbitraje, slo debe haber un proceso autorregresivo de primer orden que
describe la base
y no hay ms patrones. La evidencia reciente sugiere, sin embargo, que hay ms dinmica actual
que debe estar en mercados que funcionen con eficacia. En particular, se ha sugerido que la base
hasta tres das de cotizacin anteriores lleva el poder predictivo de la evolucin del ndice FTSE
100 de caja, lo que sugiere la posible existencia de oportunidades de arbitraje sin explotar. El
artculo de Brooks y Garrett (2002) analiza si tales dinmicas pueden explicarse como el resultado
de diferentes regmenes dentro de la cual no se activa el arbitraje y fuera de la cual se producir el
arbitraje. La justificacin de la existencia de diferentes regmenes en este contexto es que la base
(ajustado por los costos de mantenimiento si es necesario), lo cual es muy importante en el proceso
de arbitraje, puede fluctuar dentro de los lmites determinados por los costos de transaccin sin
llegar a desencadenar el arbitraje. Por lo tanto, una relacin autorregresivo entre los valores
actuales y anteriores de la base podra surgir y persistir en el tiempo dentro de los lmites de umbral
ya que no es pro fi mesa para que los comerciantes aprovechan esta oportunidad de arbitraje
aparente. Por lo tanto no habr lmites dentro de los cuales no habr actividad de arbitraje, pero
una vez que estos umbrales se cruzan, el arbitraje debe manejar la base de vuelta dentro de los
lmites de costos de transaccin. Si los mercados funcionan de manera eficaz a continuacin,
independientemente de la dinmica de la base dentro de los umbrales, una vez que los umbrales se
han cruzado las dinmicas adicionales deben desaparecer.
Los datos utilizados por Brooks y Garrett (2002) son los precios de cierre diarios para el FTSE
100 de contrato de ndices y futuros de ndices de acciones para el perodo enero 1985 - octubre de
1992. El Octubre de 1987 desplome de la bolsa se produce justo en el medio de este periodo , y por
lo tanto Brooks y Garrett llevan a cabo su anlisis en un 'pre-crash' y una muestra de
'post-accidente', as como a toda la muestra. Esto es necesario ya que se ha observado que la
relacin normal / precio al contado de futuros se rompi alrededor del momento del accidente (ver
Antoniou y Garrett, 1993). Tabla 9.7 muestra las estimaciones coeficiente para un AR lineal (3)
modelo de la base.
Los resultados para el conjunto de la muestra sugieren que todos los primeros tres rezagos de la
base son significativos en el modelado de la base actual. Este resultado se confirma (aunque con menos
fuerza) para el pre-choque y submuestras despus del choque. Por lo tanto, una especificacin lineal
parece sugerir que la base es, hasta cierto punto predecible, lo que indica posibles oportunidades de
arbitraje.
En ausencia de costos de transaccin, las desviaciones de la base de distancia de cero en
cualquier direccin activarn el arbitraje. La existencia de costos de transaccin, sin embargo,
significa que la base puede ser diferente de cero sin llegar a desencadenar el arbitraje. Por lo
tanto, suponiendo que no hay costos de transaccin diferenciales, habr lmites superior e inferior
dentro de los cuales la base puede fluctuar sin desencadenar el arbitraje. Brooks y Garrett
Tabla 9.7 Linear AR (3) modelo de la base
segundo t = 0 + 1 segundo t - 1 + 2 segundo t - 2 + 3 segundo t - 3 + t
Parmetro la muestra entera muestra de pre-colisin muestra tras el accidente
1 0.7051 ** 0.7174 ** 0.6791 **

(0,0225) (0,0377) (0,0315)
2 0.1268 ** 0,0946 * 0.1650 **

(0,0274) (0,0463) (0,0378)
3 0.0872 ** 0.1106 ** 0,0421

(0,0225) (0,0377) (0,0315)
notas: Las cifras entre parntesis son los errores estndar heteroscedasticidad-robusto; * y **
denotar significacin en el 5% y 1% niveles, respectivamente.
Fuente: Brooks y Garrett (2002).
(2002) estiman un modelo SETAR de la base, con dos umbrales (tres regmenes), ya que stos
deben corresponder a los lmites superior e inferior en el que la base puede fluctuar sin causar
arbitraje. Bajo los mercados e fi ciente, pro fi oportunidades mesa de arbitraje no estarn presentes
cuando r 0 segundo t - 1 < r 1 dnde r 0 y r 1 son los umbrales de determinar qu rgimen es la base. Si
estos umbrales se interpretan como los costos de transaccin lmites, cuando la base cae por
debajo del umbral inferior ( r 0), la transaccin de arbitraje adecuado es comprar futuros y acciones
de corto. Esto se aplica a la inversa cuando la base se eleva por encima r 1. Cuando la base se
encuentra dentro de los umbrales, no debe haber operaciones de arbitraje. Tres rezagos de la
base entran en cada ecuacin y los umbrales se calculan utilizando un procedimiento de bsqueda
de rejilla. El de un periodo de retardo de la base se elige como la variable determinante de estado.
El modelo estimado para cada perodo de la muestra se da en la tabla 9.8.
Los resultados muestran que, en cierta medida, la dependencia en la base se reduce cuando
se permite que se desprende de uno de los tres regmenes ms bien que un solo modelo lineal.
Para la muestra posterior al accidente, y en cierta medida para toda la muestra y la muestra
previa al choque, se puede ver que hay un ajuste considerablemente ms lento, lo demuestra el
significante trminos cativos segundo y tercer orden autorregresivos, entre los umbrales que fuera
de ellos . Todava parece que hay cierta evidencia de ajuste lento por debajo del umbral inferior,
donde la estrategia comercial adecuada sera la de ir de largo los futuros y corta la accin. Brooks
y Garrett (2002) atribuyen esto en parte a las restricciones y los costos de corto venta de las
acciones que impiden el ajuste se llevara a cabo con mayor rapidez. Venta a corto plazo de los
contratos de futuros es ms fcil y menos costoso,
Tabla 9.8 Un modelo de dos SETAR umbral para la base

01 + 3 yo1 segundo t - i + t Si
1 segundo t - 1 < r 0
i=1

segundo t = 02 + 3 yo2 segundo t - i + t Si
2 r 0 segundo t - 1 < r 1
i=1

03 + 3 yo3 segundo t - i + t Si
3 segundo t - 1 r 1
i=1
segundo t - 1 < r 0 r 0 segundo t - 1 < r 1 segundo t - 1 r 1
Panel A: muestra toda
1 0.5743 ** - 0.6395 0.8380 **

(0,0415) (0,7549) (0,0512)
2 0.2088 ** - 0,0594 0,0439
(0,0401) (0,0846) (0,0462)
3 0,1330 ** 0.2267 ** 0,0415
(0,0355) (0,0811) (0,0344)
r 0 0,0138
r 1 0,0158
Panel B: muestra de pre-choque
1 0.4745 ** 0.4482 * 0.8536 **

(0,0808) (0,1821) (0,0720)
2 0.2164 ** 0.2608 ** - 0,0388
(0,0781) (0,0950) (0,0710)
3 0.1142 0.2309 ** 0,0770
(0,0706) (0,0834) (0,0531)
r 0 0,0052
r 1 0,0117
Panel C: muestra de post-accidente
1 0.5019 ** 0.7474 ** 0.8397 **

(0,1230) (0,1201) (0,0533)
2 0.2011 * 0.2984 ** 0,0689
(0,0874) (0,0691) (0,0514)
3 0,0434 0.1412 0,0461
(0,0748) (0,0763) (0,0400)
r 0 0,0080
r 1 0,0140
notas: Las cifras entre parntesis son los errores estndar heteroscedasticidad-robusto, * y ** denotar
significacin en el 5% y al 1% niveles, respectivamente.
Fuente: Brooks y Garrett (2002).

Tal hallazgo es totalmente de acuerdo con las expectativas, y sugiere que, una vez que se toma
en cuenta los costos de transaccin razonables, la base puede fluctuar con cierto grado de
flexibilidad en el arbitraje no es rentable. Una vez que las bases se mueve fuera del rango
determinado por los costos de transaccin, el ajuste se produce dentro de un perodo como la
teora predice.
9.13 Una nota sobre los modelos de conmutacin rgimen y precisin de las previsiones
Varios estudios han sealado la incapacidad de los modelos de umbral o el rgimen de conmutacin para
generar mayor precisin en la prediccin fuera de muestra que los modelos lineales o un paseo aleatorio a
pesar de su aparente capacidad para encajar los datos mejor en la muestra. Una posible reconciliacin es
ofrecido por Dacco y Satchell (1999), que sugieren que los modelos de conmutacin de rgimen puede
pronosticar mal debido a la dificultad de predecir el rgimen que la serie ser en. Por lo tanto, las ganancias
obtenidas de una buena fi cio del modelo dentro de la rgimen se perder si el modelo pronostica que el
rgimen errneamente. Tal argumento podra aplicarse tanto a la conmutacin de Markov y clases de
alquitrn de los modelos.
Conceptos clave
Los trminos clave para poder de definir y explicar de este captulo son
estacionalidad variable ficticia de intercepcin
pendiente variable ficticia trampa variable ficticia
conmutacin de rgimen umbral de autorregresin (TAR)
TAR auto-emocionante parmetro de retardo
proceso de Markov probabilidad de transicin
Preguntas de revisin
1. Un investigador est tratando de formar un modelo economtrico para explicar los movimientos diarios de
rendimiento de las acciones. Un colega sugiere que ella puede ser que desee para ver si sus datos estn
influidos por la estacionalidad diaria. (A) Cmo podra ella ir haciendo esto?
(B) El investigador estima un modelo con la variable dependiente como

los rendimientos diarios en una proporcin dada negocian en la bolsa de valores de Londres, y
diversas variables macroeconmicas y los ratios contables como variables independientes. Se
trata de estimar este modelo, junto con cinco variables de diarios ficticios (uno para cada da de
la semana), y un trmino constante, usando EViews. EViews Luego le dice que no puede
estimar los parmetros del modelo. Explicar lo que probablemente ha sucedido, y cmo se
puede fi jar la misma.
(C) Un colega estima lugar el siguiente modelo para rendimientos de los activos,
r t es como sigue (con errores estndar entre parntesis)
r t = 0,0034 - 0,0183 re 1 t + 0,0155 re 2 t - 0.0007 re 3 t

(0,0146) (0,0068) (0,0231) (0,0179)
- 0,0272 re 4 t + otras variables
(0,0193) (9,34)
El modelo se estima utilizando 500 observaciones. Hay evidencia signi fi no puede de ningn
'efectos da-of-the-semana despus de permitir los efectos de las otras variables?
(D) Distinguir entre variables ficticias y maniqu pendiente

variables, dando un ejemplo de cada uno.
(E) Un investigador financiero sugiere que muchos inversores reequilibrar sus
carteras de cierre de cada ejercicio econmico se den cuenta de prdidas y en consecuencia reducir sus
obligaciones fiscales. Desarrollar un procedimiento para probar si este comportamiento podra tener un efecto
sobre la rentabilidad de las acciones.
2. (a) Qu es un modelo de conmutacin? Describir brevemente y distinguir entre los modelos

autorregresivos umbral de conmutacin y modelos de Markov. Cmo se decide cul de las
dos clases del modelo es ms apropiado para una aplicacin en particular?
(B) Describir los siguientes trminos como se utilizan en el contexto de

Markov modelos de conmutacin (i) La
propiedad de Markov (ii) una matriz de
transicin.
(C) Qu es un modelo SETAR? Discutir los temas involucrados en la estimacin

tal modelo.
(D) Qu problema (s) puede surgir si los criterios de informacin estndar
presentado en el captulo 5 se aplicaron a la determinacin de las rdenes de cada ecuacin en
un modelo TAR? Cmo criterios fi cados adecuadamente caciones superar este problema?
(E) Un investigador sugiere una razn que muchos estudios empricos que encontramos
PPP no se sostiene es la existencia de costos de transaccin y otras rigideces en los

mercados de bienes. Describir un procedimiento modelo de umbral que puede ser utilizado
para evaluar esta propuesta en el contexto de un solo bien.
(F) Un investigador estima un modelo SETAR con un umbral y tres

retrasos en ambos regmenes utilizando mxima verosimilitud. A continuacin, estima un modelo
AR lineal (3) por mxima verosimilitud y procede a utilizar una prueba de cociente de probabilidad
para determinar si el modelo de umbral no lineal es necesario. Explicar la aw fl en este enfoque.
(G) 'modelos de umbral son ms complejos que autorregresivo lineal

modelos. Por lo tanto, el primero debe generar predicciones ms precisas, ya que deben
capturar las caractersticas ms relevantes de los datos.' Discutir.
3. Un investigador sugiere que la dinmica de volatilidad de un conjunto de rentabilidad de las acciones diarias son
diferentes:
los lunes con respecto a otros das de la semana

Si la volatilidad del rendimiento del da anterior era ms grande que un 0,1% con respecto a cuando la volatilidad
del rendimiento del da anterior fue inferior al 0,1%. Describir los modelos que podran ser utilizados para capturar
estas caractersticas reportadas de los datos.
4. (a) Vuelva a abrir las series de rendimientos del tipo de cambio y prueba de ellos para efectos de
da-la-semana.
(B) Vuelva a abrir la serie de cambios en los precios casa y determinar si

hay alguna evidencia de estacionalidad.
10 Panel de datos
Los resultados del aprendizaje
En este captulo, aprender cmo

Describir las caractersticas clave de los datos de panel y esbozar las ventajas y
desventajas de trabajar con paneles en lugar de otras estructuras
Explicar la intuicin detrs de regresiones aparentemente no relacionadas y proponer

ejemplos en los que se pueden emplear tilmente
Contrasta el efecto fijo y efecto aleatorio se acerca a modelo de panel espec fi
cacin, la determinacin de que es la ms apropiada en casos particulares
Construir y estimar los modelos de paneles en EViews
10.1 Introduccin - Cules son las tcnicas de panel y por qu se usan?
La situacin se presenta a menudo en fi modelado financiera donde tenemos datos que comprenden tanto
las series de tiempo y los elementos transversales, y un conjunto de datos tal sera conocido como un panel
de datos o datos longitudinales. Un panel de datos incorporar informacin a travs de tiempo y espacio. Es
importante destacar que un panel mantiene las mismas personas u objetos (de ahora en adelante vamos a
llamar a estas entidades '') y mide cierta cantidad de ellos en el tiempo. 1 En este captulo se presentar y
discutir las caractersticas importantes de anlisis de panel, y se describirn las tcnicas utilizadas para
modelar dichos datos.
Econometrically, the setup we may have is as described in the following equation
y it = + X it + u eso (10.1)
1 Por lo tanto, estrictamente, si los datos no estn en las mismas entidades (por ejemplo, diferentes firmas o personas) medidos con el
tiempo, a continuacin, esto no sera datos de panel.
487

Lali en Es

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Lali en Es

Загружено:

Авторское право:

Доступные форматы

9 Cambio de modelos

Los resultados del aprendizaje

En este captulo, aprender cmo

Motivar el uso de modelos de conmutacin de rgimen en la econometra fi nancieros

Especificar y explicar la lgica detrs de los modelos de Markov de conmutacin

Describir la intuicin detrs de la estimacin de modelos de conmutacin de

Muestra grfica de series de tiempo

que ilustra un cambio de rgimen 20

ejemplo, dos modelos podran ser estimadas:

yt= 1+ 1 yt-1+ u1t antes de la observacin 500 (9,1)

yt= 2+ 2 yt-1+ u2t despus de la observacin 500 (9,2)

9.2 estacionalidades en los mercados financieros: introduccin y revisin de la

En el contexto de los mercados financieros, y especialmente en el caso de las acciones, se han

9.3 Modelado de la estacionalidad en los datos fi nancieros

Como se discuti anteriormente, estacionalidades en varias frecuencias diferentes en series temporales

re 1 t = 1 en el trimestre 1 y cero en otro caso

Cuntas variables ficticias se puede colocar en un modelo de regresin? Si un trmino de

Recuadro 9.1 Cmo funcionan las variables ficticias?

muestra en la fi gura 9.2.

Considere la siguiente regresin

Durante cada perodo, se cambiar el intercepto. La interseccin ser:

1 + 2 en el segundo trimestre, ya re 2 = 1 y re 1 = re 3 = 0 para todas las observaciones 2 cuartos.

1 + 3 en el tercer trimestre, ya re 3 = 1 y re 1 = re 2 = 0 para todos los cuartos 3 observaciones

1 en el cuarto trimestre, ya re 1 = re 2 = re 3 = 0 para todos los cuartos 4 observaciones.

dnde r t es el retorno a la hora t para cada pas examinado por separado,

Tailandia Malasia Taiwn Corea del Sur Filipinas

lunes 0.49E-3 0.00322 0,00185 0.56E-3 0.00119

martes - 0.45E-3 - 0,00179 - 0,00175 0.00104 - 0.97E-4

mircoles - 0.37E-3 - 0.00160 0.31E-3 - 0.00264 - 0.49E-3

jueves 0.40E-3 0.00100 0.00159 - 0.00159 0.92E-3

viernes - 0.31E-3 0.52E-3 0.40E-4 0.43E-3 0,00151

La estimacin de la interseccin ser el lunes, + 21 el martes

9.3.1 Variables ficticias Pendiente

los Estados '). tal disposicin

observaciones hechas en la apertura y cierre de los mercados. Entonces re t

Un maniqu pendiente cambia la pendiente de la lnea de regresin, dejando la interseccin sin

X t en la regresin juntos, multicolinealidad perfecta de lo contrario dara lugar.

Tabla 9.2 efectos Day-of-the-semana con la inclusin de variables ficticias interactivos

Tailandia Malasia Taiwn

lunes 0.00322 0,00185 0.544E-3

martes - 0.00114 - 0.00122 0.00140

mircoles - 0,00164 0.25E-3 - 0.00263

jueves 0.00104 0,00157 - 0,00166

viernes 0.31E-4 - 0.3752 - 0.13E-3

Beta-Lunes 0.3573 0.5494 0.6330

Beta-Martes 1.0254 0.9822 0.6572

Beta-Mircoles 0.6040 0.5753 0.3444

Beta-Jueves 0.6662 0.8163 0.6055

Beta-Viernes 0.9124 0.8059 1.0906

9.3.2 Las variables ficticias para estacionalidad en EViews

Coeficiente Std. Error t-Statistic Prob.

do - 0.574717 1.334120 - 0.430783 0.6670

R cuadrado 0.368162 var dependiente Mean - 0.420803

9.4 Estimacin de funciones a trozos lineales simples

generalizado al caso en que y t se extrae de ms de dos regmenes o es generado por un modelo

9.5 modelos de conmutacin Markov

Aunque se han propuesto un gran nmero de modelos de umbral ms complejos, no lineales en

9.5.1 Fundamentos de modelos de conmutacin de Markov

PAG[ un <y t b | y 1, y 2, . . . , y t - 1] = PAG[ un <y t b | y t - 1] (9,10)

prob [ z t = 1 | z t - 1 = 1] = pag 11 (9,11)

prob [ z t = 2 | z t - 1 = 1] = 1 - pag 11 (9,12)

prob [ z t = 2 | z t - 1 = 2] = pag 22 (9,13)

prob [ z t = 1 | z t - 1 = 2] = 1 - pag 22 (9,14)

1 0.7051 0.7174 0.6791 **

3 0.0872 0.1106 0,0421

1 0.5743 - 0.6395 0.8380

1 0.5019 0.7474 0.8397 **