Professional Documents
Culture Documents
+
(
(
|
|
.
|
\
|
+ =
=
+ =
t t
E
Los resultados obtenidos son:
Modelling DLGBP by EGARCH(1,1) The estimation sample is: 3 to 822
7
Coefficient Std.Error robust-SE t-value t-prob
Constant X 0.0001261 0.00018 0.00020 0.615 0.539
alpha_0 H -0.0748645 0.08022 0.1293 -0.579 0.563
eps[-1] H -0.0080029 0.01863 0.02611 -0.306 0.759
|eps[-1]| H 0.0660413 0.03060 0.05339 1.24 0.216
beta_1 H 0.992836 0.007688 0.01241 80.0 0.000
log-likelihood 3135.47039 HMSE 2.69319
mean(h_t) 2.96858e-05 var(h_t) 1.39178e-10
no. of observations 820 no. of parameters 5
AIC -7.63529364
mean(DLGBP) 0.000154527 var(DLGBP) 3.02569e-05
En este caso, el parmetro que mide el efecto laverage no es significativo (t-Student es
igual a 0.306) sin embargo, como era de esperar, es negativo, ya que as el impacto que
generaran las malas noticias sobre la volatilidad es mayor que el que generaran las buenas
noticias.
En el grfico 3, se puede apreciar que los valores estimados de los cuadrados de la
variacin del tipo de cambio de la funcin de autocorrelacin simple y parcial no son
estadsticamente significativos, lo que implica que a travs del modelo estimado se ha
conseguido captar la inercia de la volatilidad.
150 300 450 600 750
0.00
0.02
DLGBP Fitted
150 300 450 600 750
-2.5
0.0
2.5
5.0
r:DLGBP (scaled)
150 300 450 600 750
0.004
0.006
0.008
CondSD
-4 -2 0 2 4
0.2
0.4
Density
r:DLGBP N(s=1. 01)
0 5 10 15 20 25 30
0
1
ACF-r:DLGBP PACF-r:DLGBP
0 5 10 15 20 25 30
0
1
ACF-r^2DLGBP
Grfico 3: Resultados de la estimacin de un modelo EGARCH(1,1) para el tipo de cambio cruzado
de la libra esterlina.
8
Para estimar la asimetra que se produce en la volatilidad (ya que sta se ve afectada de
diferente forma por las variaciones positivas y negativas) se ha propuesto un modelo
AGARCH
5
(1,1) cuya expresin es la siguiente:
<
=
+ + + =
=
+ =
casos los de resto 0
0 si 1
d : donde
d
i.i.d(0,1) a a
lny
t
1 t
2
1 t 1 1 t
2
1 t
2
1 t 1 0
2
t
t t t t
t t
>0 y
1
,
1
0
La variable d
t
es una variable ficticia a travs de la cual se trata de captar este
comportamiento asimtrico en las innovaciones positivas y negativas.
Los resultados de la estimacin de este modelo para el tipo de cambio cruzado del yen son
los siguientes:
Modelling DLJPY by restricted AGARCH(1,1) The estimation sample is: 2 to 837
Coefficient Std.Error robust-SE t-value t-prob
Constant X 0.000422829 0.000227 0.000228 1.85 0.064
alpha_0 H 9.67975e-17
alpha_1 H 0.0296237 0.009660 0.01552 1.91 0.057
beta_1 H 0.967778 0.009526 0.01519 63.7 0.000
asymmetry H -0.00182009 0.000838 0.001029 -1.77 0.077
log-likelihood 2947.60461 HMSE 3.293
mean(h_t) 5.85817e-05 var(h_t) 1.0519e-09
no. of observations 836 no. of parameters 5
AIC.T -5885.20922 AIC -7.03972395
mean(DLJPY) 0.000282 var(DLJPY) 5.93343e-05
alpha(1)+beta(1) 0.997402 alpha_i+beta_i>=0, alpha(1)+beta(1)<1
Segn los valores estimados, se comprueba que la distribucin es asimtrica ya que el valor
estimado del parmetro se puede considerar significativo. Adems, por ser negativo indica
que es asimtrica hacia la izquierda.
9
4. CONCLUSIONES
Dependiendo del comportamiento de la volatilidad a lo largo del tiempo es necesario
plantear el modelo que mejor lo estime y recoja la mayor informacin posible para que las
predicciones sean lo ms adecuadas posible.
Para saber cual es el comportamiento futuro de la volatilidad, los datos ms recientes
pueden aportar ms informacin que los datos contenidos en series histricas largas.
Los modelos de valoracin conjunta que tienen en cuenta simultneamente diferentes
elementos tales como la asimetra, clustering, etc, son los ms utilizados ya que reflejan
mejor la situacin del mercado (se buscan modelos que renan todas las caractersticas del
mercado, por esta razn a lo largo del tiempo la familia de modelos ARCH y GARCH ha
sido muy prolifera, en el intento de obtener las mejores predicciones de la volatilidad
futura). Hay muchos modelos de este tipo, pero aqu solo se han estimado una mnima parte
de ellos que tratan de recoger la evolucin de los tipos de cambio cruzados de la forma ms
fiable posible.
5. BIBLIOGRAFA
Andersen, T.G, et al. (2001) The Distribution of Realized exchange Rate Volatility, Journal
of the American Statistical Association, 96, pp 42-55.
Bollerslev, T (1986). Generalised autoregresive conditional heteroscedasticiy. Jorunal of
Econometrics 51, pp 307-327.
Engle, R.F (1982). Autorregressive conditional heteroscedasticity, with estimates of the
varinance of United Kingdom inflation. Econometrica 50, pp 987-1007.
http://www.5dias.com/mercados/divisas/historico.html?select=EUR
Ruiz, E. (1993). Modelos para series temporales heterocedsticas. Cuadernos Econmicos
ICE, 56, pp73-108
1
Los modelos ARCH fueron la primera aproximacin que se hizo a la varianza condicional y fueron
propuestos por Engle en 1982.
2
GARCH: Modelo de heterocedasticidad autorregresiva condicionada generalizado propuesto por Bollerslev
en 1986, como generalizacin de los modelos ARCH propuestos por Engle, permiten depender la varianza de
la series de un trmino constante (
0
) del rendimiento al cuadrado de la serie en el periodo anterior (
2
t-1
) y de
la varianza de la serie en el periodo anterior (h
2
t-1
).
3
Los modelos GARCH-M fueron propuestos por Bollerslev en 1986.
4
Los modelos EGARCH fueron propuestos por Nelson en 1991 para solventar algunos de los inconvenientes
que se derivan de la estimacin de modelos GARCH. Entre estos inconvenientes se puede citar: no siempre es
10
fcil conseguir la restricciones de no negatividad de los parmetros; no permiten estimar de forma adecuada el
efecto apalancamiento financiero que se produce en la realidad; la suma de los parmetros es un valor
prximo a uno, lo que da lugar a los modelos GARCH integrados (IGARCH) que tienen una raz unitaria en
la varianza, lo que implica que no son estacionarios y por lo tanto no tienen una varianza marginal definida.
5
Los modelos AGARCH fueron propuestos por Zkion (1990) y Glosten(1993) con el fin de captar como en el
mercado los movimientos a la baja son ms voltiles que los movimientos al alza.