1

Estimacin de modelos de volatilidad estocstica

Garca Centeno, M Carmen; Ibar Alonso, Raquel
Departamento Mtodos Cuantitativos para la Economa
Facultad de Ciencias Econmicas y Empresariales
Universidad San Pablo-CEU

Direccin postal: Julin Romea, 23 28003 Madrid
Tf: 91 4566300 ext (456)

E-mail: garcen@ceu.es; ribar@ceu.es;

RESUMEN:

La volatilidad es uno de los principales elementos que influyen en la evolucin de los
mercados financieros, puesto que a travs de ella se puede estimar y medir la cuanta de
los cambios que no se pueden predecir y que se producen en la rentabilidad de un activo
financiero y tambin, se puede determinar cul es el riesgo financiero del mercado o el
valor de compra o venta de opciones.

La volatilidad puede ser de dos tipos: determinista y estocstica. En este artculo se van a
estimar distintos modelos de volatilidad estocstica, los cuales se van a diferenciar entre s,
segn cual sea la forma de dependencia de la volatilidad de su propio pasado o segn los
factores que en ella pueden influir.

Palabras claves: Volatilidad estocstica, Mxima verosimilitud, ARCH, GARCH, GARCH-
M, EGARCH, AGARCH.

ABSTRACT:

The volatility is one of the principal elements which has influenced in the evolution of
financial market, since through them we can estimate and weigh up the quantity of the
changes they cannot been forecasted and they exist in the financial assets yield and through
them, also we can determine which is financial market risk and the put and call options.

There are two types of volatility: deterministic and stochastic volatility. In this paper, we
estimate different stochastic models, the differences between the models are relationship
between volatility and the past volatility and the other factors which influence it.


Keywords: Stochastic volatility, Maximum Likelihood, ARCH, GARCH, GARCH-M,
EGARCH, AGARCH, TGARCH.
2
1. INTRODUCCIN.

Al analizar el comportamiento de los mercados (o en este caso concreto del tipo de cambio
cruzado del euro frente al yen-JPY- y el tipo de cambio cruzado del euro frente a la libra
esterlina-GBP-) se comprueba que han existido periodos en los que la dispersin es mayor
y otros en los que la dispersin es menor. Por esta razn, es importante determinar cual es
el comportamiento de la varianza a lo largo del tiempo.

De forma genrica, se puede decir que la volatilidad es una estimacin de los cambios que
se producen en las rentabilidades de los diferentes activos, divisas, ndices del mercado, etc.
As, los agentes financieros tratan de obtener la mejor estimacin de sta, para poder
gestionar y cubrirse del riesgo del mercado o determinar cual es el valor de una opcin.

La volatilidad, bsicamente puede ser de dos tipos: determinista o estocstica. La primera
no cambia a lo largo del tiempo o si lo hace es de forma conocida y cierta; la segunda
cambia a lo largo del tiempo de forma desconocida o incierta.

Para estimar el comportamiento estadstico de estos tipos de volatilidad se procede de
forma diferente, en el primer caso se utiliza como estimacin de la volatilidad la desviacin
tpica de la serie de rentabilidades y en el segundo caso entre otros, se utilizan los modelos
de heterocedasticidad condicional autorregresiva (modelos ARCH
1
), la generalizacin de
estos (modelos GARCH) o alguna de sus variantes.

En este trabajo se han estimado modelos GARCH, EGARCH, AGARCH, M-GARCH para
estimar la volatilidad del tipo de cambio cruzado diario del euro frente a la libra esterlina y
frente al yen, durante el perodo comprendido entre enero de 2000 y abril de 2003. Los
datos para realizar estas estimaciones se han obtenido de la pgina web de cinco das con
datos histricos de los mercados financieros y de divisas.

La finalidad que se persigue con la formulacin y estimacin de estos diferentes modelos es
conseguir el ms adecuado (dependiendo de la forma de dependencia de la varianza de su
pasado o de otras variables que en ella puedan influir) para lograr la mayor capacidad
predictiva o la valoracin de opciones (el objeto de este trabajo no va a ser realizar
predicciones futuras de la volatilidad, ni valorar opciones).


2. ANLISIS DE DATOS.

Un anlisis grfico de la evolucin diaria del tipo de euro frente a la libra esterlina (GBP) y
el yen (JPY) a lo largo del periodo considerado indica que estos no son estacionarios, ya
que en los primeros aos las variaciones son mucho mayores que al final del periodo, as,
para realizar un anlisis de la volatilidad que se ha producido en estas variables se va a
trabajar con la primera diferencia regular del logaritmo neperiano de los tipos de cambio.


3
0 200 400 600 800
0.00
0.02
DLGBP
0 200 400 600 800
0.0002
0.0004
dl gbp^2
0 20 40 60
0
1
ACF-DLGBP
0 20 40 60
0.5
1.0
ACF-dlgbp^2
0 20 40 60
0
1
PACF-DLGBP
0 20 40 60
0
1
P ACF-dlgbp^2

0 200 400 600 800
-0.025
0.000
0.025
0.050
DLJPY
0 200 400 600 800
0.0005
0.0010
0.0015
dljpy^2
0 10 20 30
0
1
ACF-DLJPY
0 10 20 30
0
1
PACF-DLJPY
0 10 20 30
0
1
ACF-dljpy^2
0 10 20 30
0
1
PACF-dljpy^2

En los grficos 1 y 2, donde respectivamente est representada la primera diferencia del
logaritmo del tipo de cambio de la libra esterlina y el yen, as como sus funciones de
autocorrelacin simple (acf) y parcial (pacf), se puede apreciar que:

Grfico 1: ln GBP y su cuadrado junto con sus respectivas funciones de
autocorrelacin simple y parcial
Grfico 2: ln JPY y su cuadrado junto con sus respectivas funciones de autocorrelacin
simple y parcial

4
1. Se producen clustering o concentracin de volatilidades, es decir, en ciertos
momentos del tiempo se producen altas dispersiones y en otros la dispersin es
menor.

2. No existe autocorrelacin entre las observaciones del ruido en los diferentes
desfases del tiempo, por lo tanto no se puede establecer ninguna relacin lineal
entre
t
y
t-i
(ya que todos los valores de sus funciones de autocorrelacin
simple y parcial no son estadsticamente significativos). Esto no implica que
sean independientes, ya que puede existir dependencia exponencial, cuadrtica o
de cualquier otro tipo.

3. Si nos fijamos en las funciones de autocorrelacin simple y parcial de sus
cuadrados, si que existen valores significativos, lo que implica una dependencia
en la varianza.


3. ESTIMACIN DE MODELOS DE HETEROCEDASTICIDAD
AUTORREGRESIVA

Dado el comportamiento de las funciones de autocorrelacin simple y parcial de los
cuadrados de los tipos de cambio vamos a proponer para ambos tipos de cambios cruzados
un modelo GARCH(1,1)
2
de la forma:

2
1 t 1
2
1 t 1 0
2
t
t t t t
t t

i.i.d(0,1) a a
lny

+ + =
=
+ =

donde >0 y
1
,
1
0
Los resultados de la estimacin (utilizando mxima verosimilitud con el PcGive) para la el
yen (JPY) son los siguientes:

Modelling DLJPY by restricted GARCH(1,1) The estimation sample is: 2 to 808

Coefficient Std.Error robust-SE t-value t-prob
Constant X 0.000292548 0.0002341 0.0002345 1.25 0.212
alpha_0 H 3.27352e-07 2.218e-07 2.865e-007 1.14 0.254
alpha_1 H 0.0394229 0.01112 0.01539 2.56 0.011
beta_1 H 0.954075 0.01249 0.01609 59.3 0.000
log-likelihood 2830.78979 HMSE 3.25658
mean(h_t) 6.03305e-05 var(h_t) 1.11209e-09
no. of observations 807 no. of parameters 4
AIC -7.00567482
mean(DLJPY) 0.000260455 var(DLJPY) 6.08983e-05
alpha(1)+beta(1) 0.993497 alpha_i+beta_i>=0, alpha(1)+beta(1)<1
5
0 150 300 450 600 750
-0.025
0.000
0.025
0.050
DLJPY Fitted
0 150 300 450 600 750
-2.5
0.0
2.5
5.0
r:DLJ PY (s caled)
0 150 300 450 600 750
0.0050
0.0075
0.0100
0.0125
CondSD
-4 -2 0 2 4
0.2
0.4
Density
r:DLJPY N(s =0.997)
0 5 10 15 20 25 30
0
1
ACF-r:DLJPY PACF-r:DLJPY
0 5 10 15 20 25 30
0
1
ACF-r^2DLJPY


En esta estimacin del modelo GARCH(1,1), se puede apreciar que excepto la constante
los parmetros son significativos, lo que implica que la variacin de los tipos de cambio
est influenciada por el comportamiento de la volatilidad en el perodo anterior y de
adems, se ha recogido con esta estimacin de forma adecuada la dependencia de los
cuadrados en las funciones de autocorrelacin simple y parcial, (ya que todos los valores
estn prcticamente en torno a cero), lo que implica que los clustering de la volatilidad ya
no estn tan acentuados como anteriormente. Si nos fijamos en el histograma de frecuencia
se aprecia que la distribucin es asimtrica, para estimar esta asimetra al final del trabajo
se va utilizar un modelo AGARCH(1,1).

Para comprobar si la tasa de variacin del tipo de cambio cruzado depende o no de la
varianza heterocedstica (
2
t
), es necesario incluirla en la ecuacin de la media como
variable explicativa y comprobar si su parmetro es estadsticamente significativo o no.
Estos modelos se conocen como GARCH en media o GARCH-M
3
y la ecuacin que se
necesita estimar es:
2
1 t 1
2
1 t 1 0
2
t
t t t t
t
2
t

i.i.d(0,1) a a
lny

+ + =
=
+ + =
t


donde >0 y
1
,
1
0
6
Si se estima el modelo GARCH-M (1,1) para el tipo de cambio de la libra esterlina, los
resultados obtenidos son:

Modelling DLGBP by restricted GARCH-M(1,1) The estimation sample is: 3 to 822

Coefficient Std.Error robust-SE t-value t-prob
Constant X 0.000160158 0.0005213 0.0007248 0.221 0.825
alpha_0 H 2.29385e-07 2.267e-07 3.925e-07 0.584 0.559
alpha_1 H 0.0341740 0.01577 0.02903 1.18 0.239
beta_1 H 0.957451 0.02175 0.04159 23.0 0.000
h_t X 0.0268784 19.34 27.30 0.000984 0.999

log-likelihood 3135.56811 HMSE 2.6734
mean(h_t) 2.98225e-05 var(h_t) 1.49827e-10
no. of observations 820 no. of parameters 5
AIC -7.63553199
mean(DLGBP) 0.000154527 var(DLGBP) 3.02569e-05
alpha(1)+beta(1) 0.991625 alpha_i+beta_i>=0, alpha(1)+beta(1)<1

Estos resultados nos indican que la varianza (con parmetro estimado positivo e igual a
0,0268784) no es estadsticamente significativa (el estadstico t es igual a 0.000984) y por
lo tanto en media, la tasa de variacin del tipo de cambio cruzado no est influenciada por
la volatilidad.

Una de las variantes del modelo de heterocedasticidad condicional autorregresiva ms
utilizada en los mercados financieros, para garantizar que la volatilidad es siempre positiva
y as, no plantear ninguna restriccin sobre el signo de los parmetros, es el modelo general
expresado en forma logartmica. Estos modelos se conocen como GARCH exponencial o
EGARCH
4
. En este modelo la varianza condicional es una funcin asimtrica de las
perturbaciones retardadas (
t-i
) para permitir captar cual es el efecto que las malas o buenas
noticias tienen en la volatilidad (efecto leverage).

El modelo que vamos a estimar para el tipo de cambio cruzado de la libra esterlina es un
EGARCH(1,1), donde la expresin para el logaritmo de la varianza condicional es:

2
1 t 1
1
2
1 t
1
2
1 t
1 0
2
t
t t t t
t
t
ln

ln
N(0,1) i.i.d a a
lny

+
(
(

|
|
.
|

\
|
+ =
=
+ =
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.