Professional Documents
Culture Documents
2004
Julio Angel Afonso Rodrguez / Nstor Amadeo Bruno Prez / J. Giner Rubio
UN ANLISIS UNIVARIANTE Y MULTIVARIANTE DE LA DIVERSIFICACIN DE
CARTERAS BAJO HETEROCEDASTICIDAD CONDICIONADA
Estudios de Economa Aplicada, agosto, ao/vol. 22, nmero 002
Asociacin de Economa Aplicada, (ASEPELT)
Madrid, Espaa
pp. 1-25
S T U D I O S
D E
C O N O M A
P L I C A D A
V O L . 22 - 2, 2 0 0 4. P G S . 1- 25
RESUMEN
El objetivo de este trabajo es estudiar cmo la diversificacin de carteras construidas en base a
principios naive (ingenuos) afecta al riesgo especfico de las mismas en el marco del modelo de mercado
de un solo ndice cuando los trminos de perturbacin del modelo son condicionalmente heterocedsticos.
En base al estudio de la versin univariante de este modelo construiremos una medida del riesgo especfico asociada al grado de diversificacin de la cartera a partir de la estimacin de la varianza condicional heterocedstica, volatilidad. En el marco multivariante, una generalizacin de esta medida permitir
analizar por un lado el efecto de la evolucin temporal de la varianza condicional, y por otro lado la
relacin temporal contempornea, co-volatilidad, existente entre los ttulos de cada cartera particular
considerada en cada etapa del anlisis.
Palabras Clave: Diversificacin, Carteras, Riesgo especfico, Heterocedasticidad Condicional, Correlacin Condicional
-22212.
1. INTRODUCCION
La teora de cartera, que iniciaran autores como Markowitz (1952 y 1959), Tobin
(1958), Sharpe (1963, 1964) Lintner (1965), Treynor, (1965) y Mossin (1966), lleva
consigo una serie de principios que se han convertidos en pilares en la economa
financiera, y que se han extendido ms all del mbito investigador al del comn
conocimiento de todos los que nos interesamos por las finanzas.
Uno de los aspectos que ms aceptacin ha recibido se refiere a la existencia de
una relacin inversa entre el riesgo derivado de la inversin en una cartera de n > 0
ttulos y el nmero de ttulos. Dicha relacin se ha comprobado que existe an cuando la estrategia consiste nicamente en incrementar el nmero de ttulos de la cartera
sin fijarse en las caractersticas particulares de rendimiento y riesgo de los mismos.
Desde el punto de vista estadstico la justificacin es bastante simple: la varianza
(como medida del riesgo) de una combinacin lineal de variables aleatorias independientes igualmente ponderadas es inversamente proporcional a la combinacin lineal
de las varianzas de cada variable considerada, en un factor de n-2.
Esta circunstancia es aceptada, tanto para la hiptesis de homocedasticidad en la
perturbacin aleatoria del modelo de mercado como para la hiptesis de independencia o no entre tales trminos de perturbacin cuando el modelo de mercado pretende
explicar el rendimiento generado por una cartera formada por un conjunto particular
de ttulos. Y es aqu donde se nos plantean los dos interrogantes que dan origen a
nuestro trabajo:
a) se observa tal disminucin del riesgo especfico de una cartera naive (ingenua) si
estamos en el caso de heterocedasticidad condicional no constante en las perturbaciones del modelo de mercado al incrementar la diversificacin de la misma?
b) cuando se postula que tales trminos de perturbacin presentan adems relaciones
contemporneas (en el mismo instante del tiempo) que pueden considerarse variables en el tiempo (correlacin contempornea condicional variable), se observa
tambin tal reduccin en el riesgo especfico y en las mismas proporciones que en
el caso anterior?
As, las respuestas a ambas preguntas sern el objetivo que nos planteamos resolver a lo largo de nuestra investigacin. El trabajo se estructura as en cinco apartados.
En primer apartado tratamos histricamente el planteamiento del modelo de mercado
(modelo diagonal de Treynor (1965)), que servir de base para la generalizacin de
los resultados relativos a la medicin del grado de diversificacin de una cartera,
mencionados anteriormente. Esta generalizacin se plantea en el segundo epgrafe
bajo la denominacin de el Modelo de Mercado con Heterocedasticidad Condicional
Dinmica (HCD) y que en el tercer apartado nos permite formular las herramientas
particulares que desarrollamos en este trabajo para tal fin. El apartado cuarto consiste
en una aplicacin de las versiones univariante y multivariante del modelo de mercaEstudios de Economa Aplicada, 2004: 1-25 Vol. 22-2
2. DIVERSIFICACIN DE CARTERAS
Sharpe (1963) para facilitar la aplicacin prctica del modelo de Markowitz (1952,
1959) supone la dependencia estadstica entre la rentabilidad de un ttulo y un ndice
o un grupo de ndices. Esta circunstancia da origen al denominado modelo diagonal,
que Treynor (1965) modifica al tomar como ndice la rentabilidad de la cartera de
mercado Rm,t, con lo que aparece el modelo de mercado, que se expresa de la siguiente forma:
Ri ,t
(1)
siendo Ri,t el rendimiento del ttulo i-simo, Rm,t el ndice representativo de la situacin del mercado, i,t la perturbacin aleatoria que se supone de media nula e
incorrelacionada, i es el parmetro que indica la sensibilidad del ttulo con respecto
a la evolucin del mercado, y i parmetro que ndica la parte de rentabilidad del
ttulo que es independiente de Rm,t.
La representacin lineal de la nube de puntos de la rentabilidad de los ttulos con
respecto a la rentabilidad del mercado se denomina lnea caracterstica de un ttulo,
que tendr como pendiente la sensibilidad de la rentabilidad del ttulo respecto al
mercado. (Grfico 1)
Grfico 1
Ri
*
Rm
(2)
= Var(Rm,t). En caso de que nos encontrsemos ante el caso de una cartera formada por n N ttulos, la relacin entre riesgo sistemtico y volatilidad es la misma. As
2
tendramos 2 ,s = 2 m . El riesgo no sistemtico se definir, por tanto, como la
n
n
i2
= Var(Ri,t).
Si queremos extender el calculo del riesgo para el modelo de mercado, y si suponemos que los trminos i,t son serialmente independientes
E(i,tj,t-k) = 0 para todo i, j = 1, ..., n, k > 0
(3)
i =1
i =1
i =1
i =1
(4)
Tenemos as que
E( Rn,t
~
Rn,t
) = n + n E( Rm,t ) + E( n ,t ) = n + n Rm
~
Var ( Rn,t
2
2
) = E( Rn,t ) = n2E( Rm,t ) + E( n2,t ) + 2 n E( n ,t Rm,t )
donde por la estacionariedad del proceso generador de datos del trmino de perturbacin y la ortogonalidad entre ste y Rm,t, se tiene entonces que el riesgo total asociado
a la cartera n-sima viene dado por
2
2 = n2 2 + n,0
n
m
(5.1)
donde
n
n2 = x i x j i j (riesgo sistemtico)
n
i =1 j =1
n n
2
n ,0 = x i x jCov ( i ,t j ,t ) = x i x j ij ,0 (riesgo especfico)
i =1 j =1
i =1 j =1
(5.2)
(5.3)
o bien
n
2
n ,0 = x i2 i2,0
(5.4)
i =1
n 1 n
ij ,0 1 n i2,0
ij ,0
+2
=
n ( n > 1) (5.3)
n
n
i =1
j =1
i =1 j = i +1
n2,0 = 1
i =1
i2,0
(5.4)
n i =1 n
Por lo tanto, en el caso de una diversificacin por partes iguales, el riesgo especfico representa la n-sima parte del valor medio de las n(n+2) covarianzas distintas,
(5.3), de las perturbaciones aleatorias de los ttulos que componen la cartera. De esta
manera para una cartera compuesta por un nmero infinito de ttulos su incertidumn
n2,0 = 1
2
2
bre se limitar al riesgo sistemtico, que vendr dado por n ,s = n2 m , como aparece en el Grfico 2.
Grfico 2
Riesgo total de
la cartera ( 2 )
n
Riesgo diversificable
( 2 ,0 )
2
n
lim ( n ,0 ) = 0
n
2
2
Riesgo debido al ndice de mercado n ,s = n2 m
Estas aportaciones tericas se ha venido ratificando en la prctica. As en un estudio realizado por Evans (1968), que utiliz 470 ttulos del ndice Standard and Poors
500, para el periodo 1958 a 1967, sobre la base de la formacin de carteras de tamao
creciente, es decir, ni = ni-1 + 1 (n0 = 0) (i = 1, ..., 60), se observa que, a medida que la
diversificacin aumenta, la desviacin tpica del tipo de rentabilidad desciende hasta
alcanzar un nivel que interpreta como la desviacin tpica de la cartera de mercado.
Adems, llega a la conclusin de que con un nmero razonablemente pequeo de
ttulos, se puede alcanzar una diversificacin adecuada. Por ejemplo con 20 ttulos
alcanza una diversificacin de slo un 3 % ms de riesgo que el mnimo.
Por otra parte, un estudio realizado por King (1966) proporciona mayor claridad
sobre la relacin entre las fluctuaciones del mercado y el riesgo de un ttulo. Sobre 63
acciones ordinarias con tipos de rentabilidades mensuales que van desde junio de
1927 a diciembre de 1960, tomando como cartera mercantil la media de los 63 ttulos, obtuvo unos resultados que indican que las fluctuaciones del mercado explicaron
el 52 % de la varianza, mientras que con un grupo de ndices industriales slo alcanz
un 11 %.
Wagner y Lau (1971) demostraron los efectos de la diversificacin trabajando con
una muestra de 200 acciones de NYSE que dividieron en 6 subgrupos con calidades
semejantes segn las evaluaciones de Standandar and Poors del mes de junio de
1960. Posteriormente, construyeron carteras a partir de cada uno de los subgrupos,
empleando de 1 a 20 valores aleatoriamente seleccionados, y mediante la atribucin
de pesos iguales a cada valor.
A medida que aument el nmero de valores dentro de la cartera, la desviacin
estndar de los rendimientos de la misma disminuy, pero a una tasa decreciente, ya
Estudios de Economa Aplicada, 2004: 1-25 Vol. 22-2
hi ,t
Sim,t = Var(Rim,t|Wim,t-1) = Vart-1(Rim,t) = h
mi ,t
him,t
hm,t
Haciendo uso entonces del resultado conocido de que bajo normalidad multivariante
condicionada, cada componente del vector aleatorio Rim,t se distribuye condicionalmente normal univariante
Ri,t|im,t-1 ~ N(i,t, hi,t)
y que la distribucin de una de las componentes del vector aleatorio condicionalmente Gaussiano condicionada a las observaciones de cualquier otra de las componentes
tambin es condicionalmente normal, tenemos entonces que
hi ,t
2
,hi ,t (1 im,t )
(Ri,t\Rm,t = rm,t)|im,t-1 ~ N i ,t + (rm,t m,t ) im,t
hm,t
es decir,
2 hm,t
(Ri,t\Rm,t = rm,t)|im,t-1 ~ N i ,t + i ,t Rm,t , hi ,t 1 i ,t
hi ,t
lo que nos permite especificar la siguiente versin modificada del Modelo de Mercado Condicional,
Ri,t = i,t + i,tRm,t + i,t
(6)
(7)
donde
Si mantenemos el supuesto de exogeneidad entre el trmino de perturbacin, i,t,
y Rm,t, entonces podemos realizar el siguiente supuesto simplificador
i,t|im,t-1 ~ N(0, hi,t)
(8.1)
(8.2)
se identifica habitualmente con el trmino volatilidad, pero que en el presente contexto denominaremos ms genricamente funcin de Heterocedasticidad Condicional Dinmica (HCD). El trabajar con un modelo de regresin como (6) donde la
perturbacin presenta una variabilidad no constante en sus momentos de segundo
orden no plantea ninguna restriccin seria para nuestro principal objetivo, que proporcionar una medida del riesgo especfico, si consideramos la aplicacin de la Ley
de Expectativas Iteradas, de forma que la varianza de la distribucin incondicional
2
del trmino de perturbacin del modelo i-simo viene dada por hi,0 = E[Et-1( i,t )] =
(6)
hi ,t
(9)
qi
u =1
hi ,t
v =1
= i ,0 + i ,u i2,t u + i ,v hi ,t v
(10)
o, alternativamente, como
qi
pi
1
v
i ,v L hi ,t = i ,0 + i ,u Lu i2,t u qi (L)hi ,t = i ,0 + pi (L ) i2,t
v =1
u =1
donde i,0 > 0, i,u 0 (u = 1, ..., pi - 1) i,pi > 0, i,v 0 (v = 1, ..., qi 0) son
condiciones necesarias para asegurar la positividad de la funcin de varianza condi-
cional, y 0 < 1 +
pi
i ,0 1
hi,0 = Var[i,t] =
i ,u
u =1
Mi
i ,u + i ,u 1 u mi = min( pi ,q i )
i ,u
m i = q i < u pi
donde i ,u =
i ,u
mi = pi < u qi
0
u > M i = max ( pi , qi )
10
Muchas otras parametrizaciones son posibles, entre otras aqullas que incorporan
la posibilidad de respuestas asimtricas de la funcin de varianza condicional al signo de las perturbaciones y no nicamente al tamao (como por ejemplo el modelo
GARCH Exponencial EGARCH - de Nelson (1991), o el modelo ARCH Threshold
TARCH de Glosten et.al (1993) y Rabemananjara y Zakoian (1993)). Para una
revisin ms extensa de la especificacin, propiedades, estimacin y aplicaciones de
modelos de HCD tipo ARCH pueden consultarse los trabajos de Bollerslev, et al
(1992) y Diebold y Lopez (1995).
Sin embargo, este modelo permite capturar dos de los aspectos empricos ms
relevantes de las series temporales econmicas observadas en frecuencias elevadas,
que son el exceso de curtosis incondicional
i =
E ( 4,t )
i
[E ( )]
2
i ,t
= 3 + 3
Var ( hi ,t )
3
hi ,0
bajo el supuesto de normalidad condicional dado en (9), y el fenmeno de la agrupacin de volatilidad, es decir, el hecho de que perodos de alta (baja) volatilidad
suelen ser seguidos igualmente por perodos de alta (baja) volatilidad. As, tenemos que, en el modelo GARCH(pi,qi)
pi
(hi,t - hi,0) =
u =1
i ,u
qi
2
i ,t u
hi ,0 ) + i ,v ( hi ,t v hi ,0 )
v =1
11
i,t
i ,t
cin del modelo de mercado (6). Un resumen de los resultados de los contrastes
aplicados y su descripcin puede verse en el Anexo 1. De forma genrica, podemos
afirmar que existen suficientes evidencias muestrales como para aceptar la validez de
tal propuesta. En particular, hemos aplicado alguno de los procedimientos de contraste ms habituales para detectar perturbaciones con efectos HCD. El primero de
los contrastes, por su grado de generalidad, es el test de significacin individual nula
de los coeficientes de bicorrelaciones de Hsieh (1989) de orden J, K = 1, ..., 10, B(J,
K) = E(tt-Jt-K), que equivale a contrastar la hiptesis nula de dependencia no lineal multiplicativa (HCD) frente a la alternativa de dependencia no lineal aditiva
(bilinealidad, MA no lineal, ...). Como puede comprobarse en la Tabla 2 de dicho
anexo, para la gran mayora de ttulos el nmero de coeficientes significativos para
una combinacin dada de retardos (J, K) resulta ser inferior a 10 de los 100 considerados para cada serie, indicando bastante claramente la existencia de errores condicionalmente heterocedsticos. En segundo lugar (Tabla 1 del anexo 1), se aplica el
contraste no paramtrico basado en el principio de la Razn de Verosimilitudes de
Gregory (1989) a partir de una cadena de Markov de orden r = 1 y s = 2 estados para
detectar errores ARCH(1). Para el total de ttulos considerados se rechaza la hiptesis
nula de ausencia de efectos ARCH cuando se consideran dos estados de alta y baja
volatilidad. Finalmente, aplicamos el test LM para detectar errores ARCH(p) de Engle
(1982) considerando p = 1, ..., 10. Para la casi totalidad de series de rentabilidades
consideradas se rechaza la hiptesis nula que establece nuevamente la ausencia de
errores ARCH para cada uno de los retardos considerados. Los casos donde se acepta
la hiptesis nula podran deberse a la existencia de algunas observaciones anmalas
o bien a que el mecanismo HCD es ms general que el considerado puesto que dicho
contraste no permite distinguir entre una alternativa ARCH(p) o GARCH(p,q). As,
en general, podemos concluir que existe evidencia muestral suficiente como para
considerar que las series seleccionadas para el anlisis emprico presentan
heterocedasticidad condicional.
12
Rni ,t =
ni1
ni
j ,t
j =1
del ttulo j-simo de la muestra satisface la especificacin dada por las ecuaciones
(6), (9) y (10), tenemos entonces que el rendimiento de la cartera ni-sima puede
explicarse a partir de
Rni ,t
1
=
ni
ni
+ j Rm,t + j ,t ) = n
+ ni Rm,t
+ n ,t
i
(11)
j =1
donde realizamos dos supuestos distintos acerca del comportamiento del trmino de
perturbacin de (11). El primero consiste en considerar que la agregacin contempornea de ni trminos, cada uno de los cuales satisface un proceso GARCH(pi, qi) dado
n ,t
i
2
ni ,t
+ n ,t
i
n ,t n2 ,t
i
= ni ,0 +
(1 ni N; t = 1,...,T )
n ,t
i
~ i.i.d.N(0, 1)
qn
pn
i
n ,u
i
u =1
2
n i , t u
n i ,v
2
n ,t v
i
(12.1)
(12.2)
(12.3)
v =1
donde los ordenes (pni, qni) y los coeficientes de la ecuacin para la varianza condicional (12.3) vendrn determinados implcitamente por las caractersticas
distribucionales de los microtrminos agregados2. Adems, tenemos que a partir de
(12.3), la varianza incondicional (indicador del riesgo especfico de la cartera nisima) vendra dada por
n2 ,0
i
max(pni ,qni )
2
ni ,u
= E ( ni ,t ) = ni ,0 1
u =1
(13)
13
Frente a esta modelizacin proponemos obtener una medida generalizada del riesgo especfico de la cartera que tenga en cuenta las caractersticas particulares de los
procesos generadores de las perturbaciones en (11). Para ello generalizamos en primer lugar el supuesto dado en (3), permitiendo la existencia de covariaciones condicionales contemporneas entre tales trminos
Et-1(j,tk,t-r) = hjk,t para todo j, k = 1, ..., ni r = 0
= 0 para todo j, k = 1, ..., ni, r > 0
(14)
de forma que para una cartera formada por ni ttulos, construmos el vector aleatorio
Eni,t = (1,t, ..., ni,t) Mni1 (t = 1, ..., T) de forma que
(15)
n ,t en (11), como
i
Vni ,0
1
= Var ( ni ,t ) = 2
ni
ni
E(h
jk ,t
)=
j ,k =1
1
1
i E(H ni ,t )i ni = 2 i ni H ni ,0 i ni
2 ni
ni
ni
(16)
(17)
14
(18)
LT -
ln | Dn ,t |
i
t =1
1
2
(ln | C
T
t =1
n i ,t
| + Z ni ,t Cn 1,t Z ni ,t
i
q jk
u =1
v =1
jk ,t = jk ,0 + jk ,u (Z j ,t u Zk ,t u ) + jk ,v jk ,t v
(19)
j
Estudios de Economa Aplicada, 2004: 1-25 Vol. 22-2
15
formada por los ni vectores aleatorios T,j = (T,j - j)/Sj, de forma que bajo el supuesto
T
Sea entonces Wni,ni la matriz de autovectores wni,j (j = 1, ..., ni) de la matriz cuadrada
( X T ,ni X T ,ni ) = 1 t , j t ,k
M n i n i
T
T t =1
j ,k =1,...,n
de forma que T 1( X T ,ni X T ,ni )W ni ,ni = W ni ,ni ni ,ni , donde ni,ni es la matriz diagonal
p(j) =
w
k =1
k ,(j)
T , j MT 1
(j = 1, ..., ni)
(20)
donde wk,(j) es el elemento k-simo del j-simo autovector ordenado, o bien, en notacin matricial, p(j) = XT,niwni(j). As, cada componente principal es una serie temporal
de combinaciones lineales de las variables en XT,ni. Si stos se disponen como las
columnas de una matriz PT(ni) de componentes principales, se tiene que PT(ni) =
XT,niW(ni,ni), donde puede comprobarse que este procedimiento produce componentes incorrelacionadas (ortogonales) dado que
PT ( ni )PT ( ni ) = W(ni ,ni )( X T,ni X T,ni )W( ni ,ni ) = TW(ni ,ni )W(ni ,ni ) ( ni ,ni )W(ni ,ni )W( ni ,ni )
= TW(ni ,ni )W( ni ,ni ) ( ni ,ni ) = T ( ni ,ni )
que es una matriz diagonal, de forma que las columnas de PT(ni) estn incorrelacionada.
1
Adems, puesto que W(ni ,ni ) = W( ni ,ni ) tenemos que
ni
p
j =1
(j)w n i (j)
(21)
16
ni
de forma que
k =1
T , j , es una combinacin
(22)
(23)
5. APLICACIN
Para implementar los procedimientos de estimacin propuestos del riesgo especfico asociado a una cartera ingenua en presencia de perturbaciones condicionalmente
heterocedsticas en el modelo de mercado, disponemos de dos conjuntos de ttulos
de tamao Nc (c=1, 2) ttulos (90 y 35 respectivamente) seleccionados aleatoriamente
para el mercado burstil espaol durante el perodo 2.01.95 a 31.05.00, con un total
de 1357 observaciones para el rendimiento diario del ttulo j-simo, calculado como
Rj,t = (Pj,t - Pj,t-1)/Pj,t-1, as como para la proxy que hemos elegido para la cartera
representativa de la evolucin del mercado, Rm,t (IGBM). Dado que la validez de los
resultados asociados a cada procedimiento propuesto depende bsicamente de la correcta especificacin de la ecuacin para la varianza condicional y como hemos indicado anteriormente (y puede verse en el Anexo 1) no es posible contrastar directamente la hiptesis de efectos GARCH(p, q) en dicha ecuacin, hemos aplicado una
modificacin del contraste que propone Bollerslev (1986) para contrastar la hiptesis nula de perturbaciones condicionalmente ARCH(p) frente a la alternativa de efectos GARCH(r, q) donde r > 0 y p q, justificando la utilizacin de dicha modelizacin.
Estudios de Economa Aplicada, 2004: 1-25 Vol. 22-2
17
(
donde i Nni ) = (1, 1, ..., 1, 0, ..., 0) MN1 es un vector columna de unos hasta la
posicin ni-sima y ceros en el resto de posiciones. Alternativamente, podra calcularse una versin restringida de esta varianza generalizada, es decir, sin tener en cuenta
las correlaciones contemporneas incondicionales, incluyendo nicamente los ele-
ni2
j =1,ni
(
i Nj ) = (0, 0, ..., 1, 0, ..., 0) MN1 es un
vector columna de ceros, salvo el que ocupa la posicin j-sima que es igual a uno.
Los resultados cada una de estas estrategias se recoge de forma resumida en los
grficos 3-5, donde se representa el perfil del riesgo especfico estimado.
18
0.00035
0.0003
0.00025
0.0002
0.00015
0.0001
0.00005
0
1
13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 73 77 81 85 89
( [
ni ,0 = ni ,0 1 ni ,1 + ni ,1
])
2
S ni ,T = T 1
2
n i ,t
31
33
t =1
11
13
15
17
Vn*i ,0 ( m )
19
Vni ,0 ( m )
21
23
25
27
29
35
( V ni ,0 (m) - Vn*i ,0 ( m ) ) (m = 1)
19
Vni ,0 ( m )
11
13
15
Vn*i ,0 ( m )
17
19
21
23
25
27
29
31
33
35
( V ni ,0 (m) - Vn*i ,0 ( m ) ) (m = 1)
6. CONCLUSIONES
La principal conclusin de este trabajo puede sintetizarse en el hecho de que, a
partir de la propuesta univariante GARCH(1, 1), es posible observar que la consideracin de esta extensin del modelo de mercado produce los efectos esperados sobre
el grado de diversificacin de una cartera ingenua medida por la varianza incondicional de dicho proceso. Por otro lado, la inclusin de la magnitud de la correlacin
contempornea entre los ttulos de la cartera ingenua en el clculo de una medida
representativa del grado de diversificacin de la misma genera un perfil para el riesgo sistemtico decreciente en funcin del nmero de ttulos considerado. Sin embargo, este perfil es distinto segn el mtodo de factorizacin de la matriz de covarianzas
condicionales, Hni,t, y del mtodo de estimacin de los parmetros que la caracterizan. En el caso del modelo multivariante DCCGARCH, el nivel asinttico de la
diversificacin (510-5) es aproximadamente el doble del nivel que se alcanza con el
modelo OGARCH, tanto si se incluyen o no los elementos fuera de la diagonal de la
matriz de covarianzas incondicionales.
20
3. Como puede verse en Bollerslev (1986), no es posible derivar un contraste directo de la hiptesis nula de homocedasticidad condicional frente a la alternativa de HCD explicada por un proceso
GARCH(p, q). El contraste LM para efectos ARCH(p) es idntico al que resulta para contrastar
frente a GARCH(p, q).
Estudios de Economa Aplicada, 2004: 1-25 Vol. 22-2
21
n ,t
2
2
n ,t = n ,t
i
2
n ,t
i
2
n ,t
i
2
ni ,t
= ni ,0 +
qn
max(pn ,q n )
i
i
u =1
de forma que E(
2
ni ,t
) = n ,0 +
v =1
max(pn ,q n )
i
i
n ,v Qn ,t v
i
2
ni ,u ni ,t u
n i ,u E
2
( n ,t u ) , donde:
i
u =1
2
E( ni ,t u ) = E( Et 1( n2i ,t u
ni
)) = Vn ,0 = ni 2 h jk ,0 h
i
j ,k =1
jk,0
22
Tenemos as que
2
ni ,0
= ni ,0 + Vni ,0
max(pn ,q n )
i
i
n i ,u
2
ni ,0
Vni ,0 ) = ni ,0
u =1
max(pni ,qni )
+ Vni ,0
ni ,u 1
u =1
02
u =1,p
u t2u =
es decir, que el error cometido al tomar como medida del riesgo especfico E(ht) en
lugar de la verdadera varianza incondicional generada por el proceso ARCH(p) es
menor que el error cometido cuando se compara esta primera con la verdadera
varianza incondicional del trmino t. Para justificar la utilizacin del esquema de
HCD GARCH(1, 1) en las versiones univariante y multivariante del procedimiento
Estudios de Economa Aplicada, 2004: 1-25 Vol. 22-2
23
propuesto hemos aplicado una modificacin del contraste LM propuesto inicialmente por Bollerslev (1986)4, con los siguientes resultados.
Tabla 3. Nmero de veces que se rechaza la hiptesis nula(a)
ARCH(p=1,..., 5) frente a la alternativa GARCH(r,1)(r=1,...,5)
REFERENCIAS BIBLIOGRFICAS
ALEXANDER, C. (2000).- A Primer on the Orthogonal GARCH Model, Manuscript ISMA Centre,
University of Reading, UK.
BERA. A.K. y S. LEE (1993).- Information Matrix Test, Parameter Heterogeneity and ARCH: A
Synthesis, Review of Economic Studies. Vol. 60, pp.229-240.
BERA, A.K. y M. L. HIGGINS (1995).- On ARCH Models: Properties, Estimation and Testing, en
Oxley, L., George, D.A.R. George, C.J. Roberts y S. Sayer (eds.) Surveys in Econometrics.
Captulo 8 (pp.215-272). Basil Blackwell, Ltd.
4 La justificacin ms detallada y el planteamiento del procedimiento de contraste indicado puede solicitarse a los autores o consultarse en Afonso Rodrguez, J., N. Bruno P y J. Giner (2000)..
Una Modificacin del Contraste LM en el contraste ARCH(p) versus GARCH(r,q), Manuscrito sin
publicar.
Estudios de Economa Aplicada, 2004: 1-25 Vol. 22-2
24
25