Professional Documents
Culture Documents
Alfonso Novales
Universidad Complutense
Noviembre 2014
Preliminary version
No citar sin permiso del autor
@Copyright A.Novales 2014
Contents
1 Modelos VAR
1.1 Un modelo estructural . . . . . . . . . . . . . . . . . . . . . . . .
1.1.1 El modelo VAR(1) . . . . . . . . . . . . . . . . . . . . . .
1.2 Identicacin en un modelo VAR . . . . . . . . . . . . . . . . . .
1.2.1 Identicacin y respuestas del sistema: el enfoque Cholesky
1.3 VAR y modelos univariantes . . . . . . . . . . . . . . . . . . . . .
1.4 Estimacin de un modelo VAR . . . . . . . . . . . . . . . . . . .
1.5 Contrastacin de hiptesis . . . . . . . . . . . . . . . . . . . . . .
1.5.1 Contrastes de especicacin . . . . . . . . . . . . . . . . .
1.5.2 Contrastes de causalidad . . . . . . . . . . . . . . . . . . .
1.6 Representacin MA de un modelo VAR . . . . . . . . . . . . . .
1.6.1 La descomposicin de Cholesky en el caso general (Apndice)
1.7 Funciones de respuesta al impulso . . . . . . . . . . . . . . . . .
1.8 Descomposicin de la varianza . . . . . . . . . . . . . . . . . . .
1.9 Cointegracin . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.9.1 Contraste de cointegracin . . . . . . . . . . . . . . . . .
1.9.2 El contraste de cointegracin de Johansen . . . . . . . . .
1.9.3 El modelo de correccin de error . . . . . . . . . . . . . .
1.9.4 Caso de no cointegracin: Ejemplo . . . . . . . . . . . . .
1.9.5 Cointegracin por umbrales . . . . . . . . . . . . . . . . .
1.9.6 Aplicaciones . . . . . . . . . . . . . . . . . . . . . . . . . .
1.10 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.11 Tcnicas de cointegracin en el anlisis de Asset allocation . .
1.12 Apndice 1:Las innovaciones de un modelo estructural deben estar incorrelacionadas entre s. . . . . . . . . . . . . . . . . . . . .
1.13 Errata en Enders, pgina 299, . . . . . . . . . . . . . . . . . . . .
2
2
4
6
9
13
14
14
14
16
17
20
20
23
24
25
29
34
36
36
37
39
39
41
41
Modelos VAR
1.1
Un modelo estructural
=
=
+
20 +
10
11 y2t
+
21 y1t +
12 y1t 1
+
1+
13 y2t 1
+ "1t
1 + "2t
22 y1t
23 y2t
(1)
donde y1t ; y2t son variables estacionarias, y "1t ; "2t son innovaciones, procesos ruido blanco con esperanza cero y varianzas 2"1 ; 2"2 : Este es un modelo
1 Se dice que la variable z es predeterminada respecto de una ecuacin si E(z
t s "t ) =
0; 8s 0; siendo "t el trmino de error de dicha ecuacin. La variable sera exgena respecto
de dicha ecuacin si: E(zt s "t ) = 0; 8s 0: Ntese que la exogeneidad no es una propiedad
que una variable tenga con carcter absoluto, como parte de su naturaleza. De hecho, una
variable z puede ser exgena con respecto a una ecuacin y no serlo respecto a otra ecuacin
diferente. Tambin puede decirse que una variable z que satisfaga las condiciones anteriores,
es predeterminada o previa con respecto a la variable que queda explicada por dicha ecuacin.
Con esta interpretacin, la variable z podra ser exgena respecto de una variable y, y no ser
exgena con respecto a otras variables.
=
=
+
20 +
10
11 y2t
+
21 y1t +
12 y1t 1
+
1+
13 y2t 1
+
1+
22 y1t
23 y2t
1 zt
+ "1t
2 zt + "2t
1 yt 1
+ "t
con,
B=
11
21
10
20
12
13
22
23
+B
1 yt 1
+B
3
"t = A0 + A1 yt
+ ut
11 21
6= 1;
(2)
ut
A1
A0
=
=
=
u1t
u2t
11
12
21
22
10
20
1.1.1
=B
"1t
"2t
1
1
1
+
22 +
+
20 +
10
1
1
12
11 21
11 21
11
21
11 21
"t = B
"1t +
"2t +
11 21
11 22
21 12
+
23 +
13
11 "2t
21 "1t
11 23
(3)
;
(4)
13 21
11 20
(5)
21 10
El modelo VAR(1)
En el caso ms simple, con slo dos variables y un retardo, el modelo VAR2 (1)
es,
y1t
y2t
=
=
+
20 +
10
11 y1t 1
12 y2t 1
21 y1t
+
1+
+ u1t
1 + u2t
22 y2t
11
12
21
22
(6)
o, en forma matricial,
y1t
y2t
10
20
y1t
y2t
1
1
u1t
u2t
(7)
(8)
(9)
En notacin matricial:
yt = A0 + A1 yt + ut
(10)
En este modelo VAR, valores negativos de 12 y 21 tienden a inducir correlacin negativa entre y1t e y2t ; si bien no la garantizan, y valores positivos
tienden a generar correlacin positiva. Un shock inesperado en y2t ; en la forma
de un valor no nulo de la innovacin u2t ; adems de afectar a y2t ; inuye sobre
y1 en perodos futuros, debido a la presencia del retardo y2t 1 como variable
explicativa en la ecuacin de y1t :
Por tanto, dada la igualdad entre (10) y (2) el modelo VAR puede interpretarse como la forma reducida de un modelo estructural dinmico como el
modelo del que partimos.
Como puede verse, si los trminos de error del modelo estructural eran ruido
blanco, tambin los trminos de error del modelo VAR tandrn estructura de
ruido blanco. Sin embargo, las innovaciones del modelo VAR estarn correlacionadas entre s, a pesar de que las innovaciones del modelo estructural no lo
estuvieran, puesto que,
V ar
u1t
u2t
2
"1
1
(1
11 21 )
2
2
11 "2
2
21 "1
2
21 "1
2
21 "1
2
11 "2
+
+
2
11 "2
2
"2
de modo que, incluso si los trminos de error del modelo estructural estn
incorrelacionados, "1 "2 = 0; las perturbaciones del modelo VAR tendrn correlacin no nula u1 u2 6= 0. La nica excepcin requerira 11 = 21 = 0; el
caso en que no hay efectos contemporneos de ninguna variable sobre la otra.
Es importante examinar las relaciones entre los parmetros de ambos modelos, que son, en el caso del modelo VAR(1), las 6 relaciones entre los parmetros
y los parmetros que aparecen en (4) y (5), ms las 3 relaciones entre los
elementos de las respectivas matrices de covarianzas,
2
u1
2
u2
u 1 u2
1
(1
2
11 21 )
1
(1
2
11 21 )
1
(1
2
"1
2
2
11 "2
2
"2
2
2
21 "1
2
21 "1
2
11 21 )
2
11 "2
n
X
As Yt
+ GZt + ut
(11)
s=1
explicar el movimiento conjunto de 2 variables. En el modelo VAR3 (1), que explica el comportamiento temporal de 3 variables, habra 3 variables explicativas
retardadas y dos contemporneas, ms una constante, en cada ecuacin, para
un total de 18 coecientes a estimar, 6 en cada ecuacin, ms los 6 elementos
de la matriz de covarianzas de las innovaciones (24 parmetros en total). Si el
modelo fuera de segundo orden en dos variables, VAR3 (2), habra 9 coecientes
a estimar en cada una de las 3 ecuaciones que componen el modelo VAR, con
un total de 27 coecientes, ms los 6 elementos de la matriz de covarianzas de
las innovaciones (33 parmetros en total).
Algunas consideraciones sobre la estimacin de un modelo VAR:
Como puede verse, en un modelo VAR todas las variables son tratadas
simtricamente, siendo explicadas por el pasado de todas ellas. El modelo tiene tantas ecuaciones como variables, y los valores retardados de
todas las ecuaciones aparecen como variables explicativas en todas las
ecuaciones.
Una vez estimado el modelo, puede procederse a excluir algunas variables
explicativas, en funcin de su signicacin estadstica, pero hay razones
para no hacerlo. Por un lado, si se mantiene el mismo conjunto de variables
explicativas en todas las ecuaciones, entonces la estimacin por mnimos
cuadrados ordinarios ecuacin por ecuacin es eciente, por lo que el proceso de estimacin del modelo es verdaderamente sencillo. Por otro, la
presencia de bloques de retardos como variables explicativas hace que la
colinealidad entre variables explicativas sea importante, lo que hace perder
precisin en la estimacin del modelo y reduce los valores numricos de los
estadsticos tipo t de Student. Por tanto, no es buena estrategia proceder
en varias etapas, excluyendo del modelo las variables cuyos coecientes
resultan estadsticamente no signicativos, por cuanto que esto puede ser
consecuenciad de la colinealidad inherente al modelo.
En el modelo VAR pueden estimarse con bastante precisin los elementos
globales del modelo, como el R2; la desviacin tpica residual, y los mismos
residuos, o el efecto global de una variable sobre otra, lo que se resume en
los contrastes de causalidad que veremos ms adelante. Sin embargo, no
cabe hacer interpretaciones de coecientes individuales en distintos retardos, ni llevar a cabo contrastes de hiptesis sobre coecientes individuales.
1.2
La estimacin de un modelo VAR2 (1) bivariante (6) proporciona valores numricos para 9 parmetros: las dos constantes ms los cuatro coecientes en las
variables retardadas, ms los 3 parmetros de la matriz de covarianzas (9) del
vector ut : Sin embargo, el modelo estructural consta de 11 parmetros: las dos
constantes, los 6 coecientes, y los 2 parmetros de la matriz de covarianzas del
vector "t (sus varianzas), por lo que no es posible recuperar valores numricos
para todos los parmetros del modelo estructural a partir de la estimacin de
6
=
=
+
+
20
11 y2t
10
22 y1t
12 y1t 1
1+
23 y2t
13 y2t
+
"2t
1
+ "1t
(12)
est exactamente identicado, es decir, que sus parmetros pueden recuperarse de forma nica a partir de las estimaciones del modelo VAR asociado. Este
es un modelo interesante, en el que se consigue identicar todos los parmetros
del modelo estructural a partir de las estimaciones de la forma reducida (modelo
VAR), introduciendo la hiptesis de que la variable y1t afecta a la variable y2t
nicamente con un retardo, mientras que la direccin de inuencia de y2t hacia
y1t se maniesta ya dentro del mismo perodo.
Se tiene:
11
21
2
u1
=
=
=
+
22 ;
2
"1 +
11 22 ;
12
12
13
11 23 ;
23 ;
10 = 10 + 11 20 ;
20 =
2
2
2
2
11 "2 ;
u1 u2 = 11 "2 ;
u2 = "2 ;
22
20 ;
22
23 ;
que puede resolverse, con solucin nica, para encontrar los coecientes
junto con 2"1 y 2"2 :
En este modelo no slo se pueden recuperar estimaciones de todos los parmetros que aparecen en el modelo estructural. Tambin las series temporales de
los residuos del modelo estructural pueden recuperarse a partir de los residuos
obtenidos en la estimacin del modelo VAR, mediante,
^"2t = u
^2t ; ^"1t +
"2t
11 ^
=u
^1t
Un modelo ms restringido,
y1t
y2t
=
=
+
20 +
10
11 y2t
23 y2t 1
12 y1t 1
13 y2t 1
+ "1t
+ "2t
implicara que la variable y1t no afecta ni de forma contempornea, ni retardada, a la variable y2t ; por lo que sta puede considerarse exgena2 respecto
de y1t : Las dos restricciones que hemos impuesto, 21 = 22 = 0 hacen que en
el modelo VAR, 21 = 0; restriccin que podra contrastarse empriamente sin
ninguna dicultad utilizando el estadstico tipo t habitual de dicho coeciente.
2 Una variable y es exgena en la ecuacin de otra variable y , con innovacin u ;
2
1t
1t
si E(y2t u1s ) = 08t; s: La variable y2 es predeterminada en la ecuacin de la variable y1t ,
E(y2t u1s ) = 08t s:
Al haber introducido una restriccin ms, el modelo estructural est ahora sobreidenticado, es decir, hay ms de una manera de recuperar valores numricos
para los parmetros de dicho modelo, a partir de las estimaciones numricas del
modelo VAR.
Ms dicultades plantea el modelo,
y1t
y2t
=
=
+
20 +
10
11 y2t
+
y
21 1t +
12 y1t 1
23 y2t
+ "1t
1 + "2t
= "1t
= c21 "1t + "2t
= c31 "1t + c32 "2t + "3t
u1t
u2t
u3t
1
0
"1t
1
1
@ "2t A =
@
c21
1 + c21 c13 c32
"3t
c21 c32
10
1
c13
u1t
c13 c21 A @ u2t A
1
u3t
c13 c32
1
c32
11
21
ut =
1
21
ut
Una posibilidad diferente consistira en identicar el modelo estructural imponiendo restricciones sobre la matriz de covarianzas, ya sea imponiendo un
valor numrico para la varianza de "1t ; la varianza de "2t ; o la relacin entre
ambas. Este tipo de restricciones conduce generalmente a soluciones mltiples,
aunque en nmero nito, por lo que el modelo estructural est en tal caso,
sobreidenticado.
Por ltimo, puede conseguirse la identicacin imponiendo restricciones razonables entre los valores numricos de los parmetros estructurales. Por ejemplo, puede imponerse una condicin de simetra, 11 = 21 , o cualquier otra
que resulte adecuada en la aplicacin que se analiza. En el caso del modelo de 2
variables est condicin de simetra de efectos conduce asimismo a la condicin
de igualdad de varianzas para las innovaciones estructurales, lo que no ocurre
en modelos con ms de 2 variables.
1.2.1
Otra manera de entender los problemas de identicacin es la siguiente: supongamos que, sin considerar el posible modelo estructural, hemos estimado un modelo VAR(1) bivariante, (7) ; en el que queremos calcular cmo reacciona cada
variable ante una innovacin en una de ellas, lo que denominamos como funcin
de respuesta al impulso. Pero sera poco adecuado, sin embargo, calcular las
respuestas a un impulso en una de las innovaciones, u1 ; por ejemplo, sin que
u2 experimente ningn impulso, pues ambas innovaciones estn correlacionadas
entre s. Por tanto, hemos de transformar primero el modelo estimado en otro
modelo en que las innovaciones del modelo estn incorrelacionadas entre s.
Para ello, nos basamos en la descomposicin de Cholesky de una matriz
simtrica, denida positiva. Dada una matriz simtrica, denida positiva, como
9
ut u0t C
ut ;
1 0
) = E(C
1 0
)=D
por lo que, a diferencia de los componentes del vector u; los elementos del
vector v estn incorrelacionados entre s, ya que su matriz de covarianzas es
diagonal. Invirtiendo la transformacin, tenemos,
1
10
0
0
1
v1t
1
0
0
::: 0
u1t
B
C
B c12 1
B u2t C
0
::: 0 C
C B v2t C
B
B
C
B
C
B
B
C
::: 0 C B v3t C
ut = B u3t C = Cvt = B c13 c23 1
C
@ ::: ::: ::: ::: ::: A @ ::: A
@ ::: A
vkt
c1k c2k c3k ::: 1
ukt
por lo que,
u1t
u2t
u3t
= v1t ;
= v2t + c12 v1t ;
= v3t + c13 v1t + c23 v2t ; :::
::
es decir,
v1t
v2t
v3t
vkt
= u1t ;
= u2t c12 v1t ;
= u3t c13 v1t c23 v2t ; :::
:::
= ukt c1k v1t c2k v2t :::
ck
1;k vk 1;t
(13)
u1t
u2t
u3t
ukt
= v1t ;
= v2t c^12 v1t ;
= v3t c^13 v1t c^23 v2t ; :::
:::
= vkt c^1k v1t c^2k v2t :::
c^k
1;k vk 1;t
12
2
2
1 0
c 1
m 0
0 n
1
0
c
1
^"1t
^"2t
1 0
c 1
u1t
u2t
Utilizamos ahora la notacin v1t = ^"1t para resaltar que las variables v1t son
perturbaciones estructurales, como vamos a ver.
Premultiplicando el modelo VAR2 (1):
y1t
y2t
por la matriz
y1t
y2t
10
20
0
c^ 1
11
12
21
22
y1t
y2t
u1t
u2t
(14)
; tendramos,
=
"1t
10 + 11 y1t 1 + 12 y2t 1 + ^
= ( 20 c^ 10 ) + c^y1t + ( 21 c^ 11 )y1t
+(
22
c^
12 )y2t 1
+ ^"2t
12
el caso de contar el modelo VAR con k ecuaciones. En este modelo, tiene sentido preguntarse por las respuestas de ambas variables a una perturbacin en
^"1t o en ^"2t ; puesto que ambas estn incorrelacionadas, por construccin. En
respuesta a un impulso en ^"1t , ambas variables, y1t y y2t ; reaccionarn en el
mismo instante, y tambin en perodos siguientes, hasta que dichas respuestas
decaigan a cero. En cambio, en respuesta a una perturbacin en ^"2t , y2 responder en el mismo perodo y perodos siguientes, mientras que y1 slo responder
en perodos siguientes al de la perturbacin. Si utilizamos esta transformacin,
los shocks observados en ^"2 son atribuidos a u2 : Si el modelo VAR contase con 3
variables endgenas entonces, en respuesta a un impulso en ^"3t , tanto y1 como
y2 reaccionarn solo a partir del perodo siguiente.
Este es un modelo estructural exactamente identicado puesto que, como
acabamos de ver en el caso bivariante, el modelo estructural al que llegamos
mediante esta transformacin es un modelo recursivo. Ms adelante analizaremos nuevamente, de manera detallada y ms general, esta estrategia de identicacin basada en la transformacin del modelo mediante la descomposicin de
Cholesky de la matriz de covarianzas de las innovaciones del modelo VAR.
1.3
Es til asimismo pensar en trminos de cules son los modelos univariantes que
se deducen de una representacin VAR, en lnea con el trabajo de Zellner y
Palm (19xx). En este sentido, si partimos de un VAR2 (1), como (7), escrito en
funcin del operador de retardos,
y1t
y2t
=
=
+
20 +
10
11 Ly1t
+
21 Ly1t +
12 Ly2t
+ u1t
22 Ly2t + u2t
+
1
+ u2t
tenemos,
y2t =
20
21 Ly1t
22 L
con lo que,
(1
11 L) y1t
22 L)
2
12 21 L
10
12 L
20
+
1
21 Ly1t
+ u2t
22 L
+ u1t
y, nalmente,
(1
11 L) (1
y1t = [(1
22 )
10
12 20 ]+[(1
22 L) u1t
13
12 u2t 1 ]
1.4
Tk
(1 + ln 2 )
2
T
ln j ^ j
2
1.5
1.5.1
Contrastacin de hiptesis
Contrastes de especicacin
14
ecuaciones, ms 10 parmetros en la matriz de varianzas-covarianzas de las innovaciones. El nmero de parmetros a estimar crece muy rpidamente con el
nmero de retardos. Si pasamos de 3 a 4 retardos, tendramos 68 coecientes
ms los 10 parmetros de la matriz de covarianzas. Una estrategia razonable
consiste en incluir en cada ecuacin del modelo el menor nmero de retardos
que permita eliminar la autocorrelacin del trmino de error de todas ellas.
Existe un contraste formal de signicacin de un conjunto de retardos, que
utiliza un estadstico de razn de verosimilitudes,
= (T
k)(ln j
ln j
SR
donde j R j; j SR j denotan los determinantes de las matrices de covarianzas de los modelos restringido y sin restringir, respectivamente. Si queremos
contrastar si un cuarto retardo es signicativo, deberamos estimar el modelo
con 3 y con 4 retardos, y construir el estadstico anterior, que tiene una distribucin chi-cuadrado con un nmero de grados de libertad igual al nmero de
restricciones que se contrastan. Al pasar del modelo con 3 retardos al modelo con
4 retardos, hay que aadir un retardo ms de cada variable en cada ecuacin,
por lo que el nmero de restricciones es igual al incremento en el nmero de
retardos, multiplicado por el nmero de variables, elevado al cuadrado.
Sin embargo, no puede olvidarse que la eleccin del nmero de retardos debe
tener muy en cuenta la eliminacin de autocorrelacin en los residuos. Los estadsticos anteriores no examinan este importante aspecto y, por tanto, no deben
utilizarse por s slos. En consecuencia, una buena estrategia es comenzar de un
nmero reducido de retardos, y examinar las funciones de autocorrelacin de los
residuos, junto con estadsticos del tipo Ljung-Box o Box-Pierce para contrastar
la posible existencia de autocorrelacin, lo que requerira aumentar el nmero de
retardos y con ello, el nmero de parmetros a estimar. Lamentablemente, sin
embargo, es muy poco probable que pueda eliminarse la autocorrelacin residual
con menos de 4 retardos cuando se trabaja con datos trimestrales, o con menos
de 12 retardos, cuando se trabaja con datos mensuales.
Una estrategia distinta para encontrar el orden del modelo VAR consiste
en examinar los denominados criterios de Informacin, que son determinadas
correcciones sobre el valor muestral de la funcin logaritmo de Verosimilitud.
Los ms conocidos son los de Akaike (AIC) y Schwartz (SBC o BIC),
Hannan
AIC
SBC
Quinn =
n
l
+2
T
T
l
ln(T )
2 +n
T
T
l
k ln(ln(T ))
2 +2
T
T
2
= T: ln (j j) + 2n
= T: ln (j j) + n ln(T )
ln (j j)
k ln(ln(T ))
Hannan Quinn = 2
+2
T
T
siendo N el nmero de parmetros que se estima, y la matriz de covarianzas
de los residuos. Estos estadsticos se calculan para una sucesin de modelos con
distinto nmero de retardos y se comparan, seleccionando aqul modelo que
produce un menor valor del estadstico. Pero no cabe esperar que los tres
criterios conduzcan a la misma conclusin.
Un estadstico de razn de verosimilitudes como el antes descrito puede utilizarse para contrastar cualquier tipo de hiptesis, y no slo la signicacin de
grupos de variables, siempre que el modelo restringido est anidado dentro del
modelo sin restringir.
1.5.2
Contrastes de causalidad
1 ; yt 2; :::;
zt
1 ; zt 2 ; :::)
= E(yt = yt
1 ; yt 2; :::)
1.6
1
X
Bs ut
s=0
a la que se llega tras sucesivas sustituciones de Yt s en (11) : La representacin MA puede obtenerse asimismo en funcin de las innovaciones estructurales. Esta representacin permite resumir las propiedades de las relaciones
cruzadas entre las variables que componen el vector Yt ; que queda representado como una combinacin lineal de valores actuales y pasados del vector de
innovaciones. La simultaneidad vuelve a quedar palpable en el sentido de que
cualquier innovacin uit afecta a todas las variables Yj;t+s .
Si resolvemos recursivamente el modelo VARk (1) tenemos,
Yt
= A0 + A1 Yt 1 + ut = A0 + A1 (A0 + A1 Yt 2 + ut
= (Ik + A1 )A0 + A21 Yt 2 + (A1 ut 1 + ut ) =
=
)A0 +
n
X1
Ai1 ut
1)
+ ut =
+ An1 Yt
i=0
Como puede verse, para la estabilidad del sistema es preciso que las sucesivas
potencias de la matriz A1 decaigan hacia cero, pues de lo contrario, el futuro
lejano tendra efectos sobre el presente, en contra de la rpida amortiguacin
temporal de efectos inherente a todo proceso estacionario. Esto requiere que
las races del polinomio caracterstico de dicha matriz j Ik A1 j= 0; caigan
fuera del crculo unidad, condicin anloga a la que se tiene para un proceso
autoregresivo univariante.
Cuando se cumplen las condiciones de estabilidad, tomando lmites en la
expresin anterior, tenemos,
Yt =
1
X
i=0
17
Ai1 ut
(15)
donde
por,3
= (Ik
A1 )
A0
V ar(Yt ) = E (Yt
=E
"
1
X
Ai1 ut i
i=0
#2
1
X
i=0
1
X
Ai1
i=0
En el caso bivariante,
y1t
y2t
10
20
11
12
21
22
1
X
y1t
y2t
s
s=0
11
12
21
22
u1t
u2t
u1t
u2t
s
s
tenemos:
1
= I2
siendo
11
21
= (1
V ar(Yt ) =
11 )(1
1
X
i=0
10
12
22
20 (1
20
22 )
12 21 ,
10 (1
22 )
+
)
+
11
12 20
21 10
y
i0
11
12
2
u1
21
22
u1 u 2
u1 u2
2
u2
11
12
21
22
= A1 Yt 1 + ::: + Ap Yt p + ut ) (Ik A1 L
) Yt = (Ik A1 L A2 L ::: Ap Lp ) 1 ut
A2 L
:::
Ap Lp )Yt = ut )
1L
2
2L
+ :::)ut
de modo que,
3 Ntese
18
Ai1
Yt = (
2
0 + 1 L+ 2 L +:::)ut
2
0 + 1 L+ 2 L +:::)(Ik
=(
A1 L A2 L ::: Ap Lp )Yt
+
+
(
0
0
1L
1
+ 2 L2 + :::)(Ik A1 L A2 L ::: Ap Lp ) =
A1 0 )L + ( 2 A1 1 A2 0 )L2 + :::
que conduce a,
0
1
2
= Ik
= A1
= A1
:::
= A1
+ A2
s 1
+ A2
s 2
+ ::: + Ap
s p
que pueden utilizarse para calcular recursivamente las matrices de coecientes de la representacin de medias mviles, i ; obteniendo la representacin
MA:
Yt = ut +
1 ut 1
2 ut 2
3 ut 3
+ ::::
2
1
1
X
1
1
s
11
21
11 21 s=0
1
X
s=0
11 (s)
12 (s)
21 (s)
22 (s)
12
22
"1t
"2t
"1t
"2t
11
21
1
X
(s)"t
s=0
donde,
(s) =
11 (s)
12 (s)
21 (s)
22 (s)
1
1
11 21
11
12
21
22
11
21
(17)
En el caso particular de que utilicemos la transformacin de Cholesky para
identicar el modelo, tendremos perturbaciones estructurales:
^"1t
^"2t
1 0
c 1
u1t
u2t
)
19
u1t
u2t
1 0
c 1
^"1t
^"2t
s
s
(16)
=
por lo que:
Yt = ut + ~ 1 ut
+ ~ 2 ut
+ ~ 3 ut
+ ::::
con:
~=
1.6.1
1 0
c 1
1
X
s=0
As ut
1
X
(As G) G
ut
s=0
1
X
s=0
es et
A
es = As G; et s = G 1 ut s ; V ar (et s ) = G 1 V ar(ut s )G 10 = I:
con A
El efecto de eit sobre Yj;t+s viene medido por el elemento (j; i) de la matriz
A~s : La sucesin de dichos elementos, para 1 s 1 proporciona la respuesta
dinmica de la variable Yj a una innovacin en la variable Yi : esto se conoce
como funcin de respuesta de Yj a un impulso sorpresa en Yi :
Como eit es el error de prediccin un perodo hacia adelante en Yit , la representacin MA ortogonalizada nos permite computar el error de prediccin de
Yit ; m-perodos hacia
en el instante t m + 1, a travs del elemento iPmadelante,
1 e
simo en el vector s=0 A
e
s t s : Su varianza, el elemento i-simo en la diagonal
PK Pm 1
Pm 1 e e0
de s=0 As As ; puede escribirse, j=1 s=0 e
as (i; j) e
as (j; i) ; siendo e
as (i; j) el
elemento (i; j) genrico de la matriz element A~s : Al aumentar m; a partir de
m = 1, esta descomposicin de la varianza del error de prediccin de Yit+m
entre las k variables del vector Yt se conoce como descomposicin de la varianza
de Yit : Proporciona una estimacin de la relevancia de cada variable del sistema
para explicar los errores de prediccin de las uctuaciones futuras en Yit :
1.7
21
21
21
= 0; entonces efectivamente:
y supongamos que antes del instante t0 las innovaciones toman un valor igual
a cero en todos los perodos, las variables estn en sus niveles de equilibrio,
yi = yi = 0; i = 1; 2; 3. En dicho instante, la innovacin u1t0 toma un valor
unitario, u1t0 = 1; y vuelve a ser cero en los perodos siguientes. Cul es la
respuesta del sistema?
En el instante t0 ;
1 0 1
1 0
0
1
u1t0
y1t0
@ y2t0 A = @ u2t0 A = @ 0 A
u3t0
0
y3t0
1
0
y1t0 +1
0; 5 0
@ y2t0 +1 A = @ 0; 1 0; 1
y3t0 +1
0
0; 2
0
0; 5 0
= @ 0; 1 0; 1
0
0; 2
10
0
0; 3 A @
0; 3
10
0
0; 3 A @
0; 3
22
1 0
1
y1t0
u1t0 +1
y2t0 A + @ u2t0 +1 A =
y3t0
u3t0 +1
1 0 1 0
1
y1 + 1
0
0; 5
A + @ 0 A = @ 0; 1 A
y2
y3
0
0
1
0
y1t0 +2
0; 5 0
@ y2t0 +2 A = @ 0; 1 0; 1
y3t0 +2
0
0; 2
0
0; 5 0
= @ 0; 1 0; 1
0
0; 2
10
0
0; 3 A @
0; 3
10
0
0; 3 A @
0; 3
1 0
y1t0 +1
y2t0 +1 A + @
y3t0 +1
1 0
0; 5
0
0; 1 A + @ 0
0
0
1
u1t0 +2
u2t0 +2 A =
u3t0 +2
1 0
1
0; 25
A = @ 0; 06 A
0; 02
1
X
1
1
s
11
12
21
11 21 s=0
1
21
22
v1t
v2t
11
s
s
1.8
Descomposicin de la varianza
1
X
(s)"t+m
s=0
y1t+m
y2t+m
1
X
(s)"t+m
s=m
et (m)
= yt+m
Et yt+m =
1
X
s=0
(
(
11 (0)"1t+m
21 (0)"1t+m
+ ::: +
+ ::: +
11 (m
21 (m
(s)"t+m
1)"1t+1 ) + (
1)"1t+1 ) + (
Et
1
X
(s)"t+m
s=m
12 (0)"2t+m
22 (0)"2t+m
+ ::: +
+ ::: +
12 (m
22 (m
m
X1
(s)"t+m
s=0
1)"2t+1 )
1)"2t+1 )
V ar
Pm 1
Ps=0
m 1
2
e1t (m)
e2t (m)
s=0
2
11 (s)
2
21 (s)
+
+
Pm 1
Ps=0
m 1
2
2
2
s=0
2
12 (s)
2
22 (s)
Pm
1
s=0
2
11 (s)
V ar (e1t (m))
2
v2
Pm
1
s=0
2
12 (s)
V ar (e1t (m))
2
v1
Pm
1
s=0
2
21 (s)
V ar (e2t (m))
2
v2
Pm
1
s=0
2
22 (s)
V ar (e2t (m))
1.9
Cointegracin
24
1.9.1
Contraste de cointegracin
1 xt
+ vt ; t = 1; 2; :::; T
(18)
=
x + x wt + "xt
=
y + y wt + "yt
= wt 1 + "t
yt
xt =
y
y
+ " yt
"xt
y= x
se denomina vector
xt ; que es estacionaria,
de cointegracin, y la combinacin lineal t = yt
x
es la cuanta en la que se incumple la relacin de equilibrio a largo plazo en el
perodo t.
Ejemplo 2: En Example II.5.11 (C. Alexander) se proporcionan datos diarios
de los ndices CAC y DAX, desde el inicio de 1996 a mitad de julio de 2007.
El grco presenta dichos datos, cuando estos se representan como ndices, con
base 100 en el primer dato.
400
DAX 30
350
CAC 40
300
250
200
150
100
50
Jan-07
Jan-06
Jan-05
Jan-04
Jan-03
Jan-02
Jan-01
Jan-00
Jan-99
Jan-98
Jan-97
Jan-96
xt + vt ; t = 1; 2; :::; T
28
+ A1 yt
+ A2 yt
+ ::: + Ap yt
+ Bxt +
29
yt =
t + yt
p 1
X
yt
+ Bxt +
i=1
con
=
p
X
Ai
Ik =
(1);
i=1
p
X
Aj
j=i+1
= Ik +
=
i
1 ; i = 2; :::; p; con
= 0kxk
(1)
yt
yt
+ ::: +
p 1
yt
p+1
1. Rango( ) = k: Esto implica que j (1)j 6= 0 e yt no contiene races unitarias, es decir, yt es I(0): El modelo ECM no es informativo, y analizamos
directamente un modelo V AR en yt :
yt =
1 yt 1
2 yt 2
+ ::: +
p yt p
0
1. 0 < Rango( ) = m < k: Entonces, podemos escribir como:
=
;
donde y son matrices kxm con Rango( ) = Rango( ) = m: El modelo
ECM se convierte en:
yt =
yt
yt
yt
+ ::: +
p 1
yt
p+1
(T
p)
k
X
ln(1
^i)
i=m+1
siendo ^ i los autovalores generalizados estimados para una determinada matriz que surge en el proceso de estimacin por Mxima Verosimilitud [el lector
interesado puede consultar detalles en Hamilton (1994) Time Serie Analysis,
capitulo 19]. Si Rango( ) = m; entonces los ^ i sern pequeos para i > m y
por tanto, el estadstico de contraste ser pequeo. Este es el contraste de la
traza, aunque en realidad, es una secuencia de contrastes.
El primer contraste se efecta para m = 0 : H0: El vector yt no tiene
ninguna relacin de cointegracin, frente a la hiptesis alternativa: H1 : El vector yt tiene al menos 1 relacin de cointegracin. Si rechazamos H0; contrastariamos
con m = 1 : H0: El vector yt tiene como mximo una relacin de cointegracin,
frente a la hiptesis alternativa: H1 : El vector yt tiene al menos 2 relaciones
de cointegracin, y as sucesivamente.
El contraste del mximo autovalor especica:
H0 : Rango( ) = m versus H0 : Rango( ) = m + 1
y el estadstico de contraste es:
LKmax (m) =
(T
p) ln(1
^ m+1 )
Lamentablemente, la distribucin de probabilidad del estadstico de contraste de cointegracin depende del componente deternminista del vector yt ; al
igual que suceda con el contraste de raz unitaria en el caso univariante. Las
distintas especicaciones pueden considerar una constante y/o una tendencia
lineal en la relacin de cointegracin, como cuando decimos que yt
xt
es
estacionario, siendo yt y xt variables I(1); o que yt
xt
t
es estacionario.
Los distintos paquetes estadsticos solicitan del usuario que especique los componentes deterministas, para posteriormente proporcionarle los valores crticos
31
k
h
X
ln(1
^ )
i
i=m+1
ln(1
i
^i)
una relacin de cointegracin, ambos estadisticos toman el valor 6,2206, con pvalue de 0,0126. Dado que trabajamos con una muestra larga, tiene sentido ser
estrictos en el contraste y tomar como nivel de signicacin 99%, con lo cual no
rechazamos dicha hiptesis nula. Otra razn para no hacerlo es que de hacerlo,
concluiramos que existen dos relaciones de cointegracin, es decir, que ambas
variables: Ibex y Futuro sobre Ibex, son estacionarias, lo cual evidentemente no
es cierto.
La estimacin de mxima verosimilitud por el mtodo de Johansen conduce
a a una relacin de cointegracin:
log(Ibext ) = 0; 052 + 1; 0059: ln(F Ibext ) + ut
(19)
(0;0013)
33
1; 479r12;t + 0; 855r60;t
(0;072)
r3;t
= u2t
(0;105)
1; 438r12;t + 0; 753r60;t
(0;058)
= u2t
(0;085)
donde puede verse que la diferencia de ambas implica, muy aproximadamente, que r1;t r3;t es estacionario. La segunda relacin de cointegracin sera
una combinacin ms compleja entre los tipos de inters.
Los coecientes de respuesta a los dos trminos de correccin del error son
ambos signicativos en las ecuaciones de las ecuaciones de r1;t y r3;t y no son
signicativos en las ecuaciones de r12;t y r60;t ; indicando que son los tipos
a corto plazo los que se ajustan para corregir desviaciones respecto de las dos
relaciones de equilibrio a largo plazo. Son adems, numricamente ms elevados
en la ecuacin de r1;t que en la ecuacin de r3;t , sugiriendo que el tipo a 1
mes es quien soporta la mayor parte del ajuste.
1.9.3
yt
xt
=
=
+
+
m
X
i=1
p
X
y
1i
x
1i
xt
xt
+
+
i=1
n
X
i=1
q
X
y
2i
yt
y zt 1
+ " yt
x
2i
yt
x zt 1
+ "xt
(20)
i=1
entre precios de activos. As, se han analizado las posibles relaciones de cointegracin entre tipos de cambio, entre tipos de inters dentro de una misma
estructura temporal, entre mercados de contado y futuro, entre commodities,
valoracin de divisas. Tambin se ha utilizado este tipo de anlisis para discutir
el grado de integracin entre mercados de valores o de deuda, si bien parece
existir ms evidencia favorable en el primer tipo de mercados. Este anlisis
tiene asimismo implicaciones para la gestin nanciera: en principio, debera
ser posible encontrar una cesta reducida de valores cointegrada con el ndice, lo
que podra utilizarse en la gestin pasiva de carteras. Lo mismo debera ocurrir
con un pequeo conjunto de ndices sectoriales, etc..
1.9.4
36
ft;l
st = (rt;l
qt;l )(l
t) + zt
=
=
=
+
2t +
3t +
1t
1 rt 1
+
1 rt 1 +
1 rt 1 +
2 rt 2
+ ::: +
2 rt 2 + ::: +
2 rt 2 + ::: +
p rt p
+ 1 zt 1 + 1t ; si zt 1
1
r
+
z
+
;
si
<
z
p t p
2t
t 1
2 t 1
1
p rt p + 3 zt 1 + 3t ; si zt 1
2
por lo que tenemos un modelo con 3 regmenes. El arbitraje solo ser posible
si zt es sucientemente grande, es decir, en los regimenes 1 y 3, en cada uno de
ellos tomando una posicin opuesta a la del otro rgimen. El segundo rgimen
corresponde al funcionamiento normal del mercado, y esperaramos que 2 = 0;
pues las dos series de precios se comportaran como un camino aleatorio. [ver
ejemplo con datos en Seccion 8.7.2 en Tsay]
1.9.6
Aplicaciones
n
X
ln(Pit ) + "t
i=1
Si los residuos son estacionarios, habramos encontrado una cartera cointegrada con el indice It , combinando los n activos con ponderaciones:
=
n
X
i=1
1;
2 ; :::;
0
n)
Ntese que as resolvemos el problema de asset allocation, es decir, de distribucin del importe nominal entre los n activos, pero no el problema de seleccin de dichos activos. Generalmente, cabra probar con distintos conjuntos de
activos para encontrar una cartera que combine una evidencia clara de cointegracin con el ndice, a la vez que una menor varianza del error de ajuste.
Un procedimiento de gestin pasiva de la cartera del fondo que comparase
ambos procedimientos durante el epriodo muestral tomara una forma del siguiente tipo:
1. estimar el modelo con 5 aos de datos diarios para calcular los pesos de
la cartera en ambos mtodos
2. mantener la cartera durante 2 semanas; al trmino de ellas, anotar las
rentabilidades y desplazar la muestra dos semanas para volver a estimar
los pesos
3. repetir hasta agotar los datos.
Pairs trading [Case Study II.5 Pairs] Una estrategia que est popularizndose se basa en que si los precios de dos activos estn cointegrados, su spread
ser estacionario. Esto es lo que sucede con dos indices de volatilidad sobre contratos de futuros: VDAX y VSTOXX. Teniendo cuidado en utilizar el spread
en las mismas unidades que los ndices de volatilidad (por ejemplo, como porcentajes; en todo caso, el spread se calcula por diferencia de ambos ndices, por
loq ue generalmente no habr problemas). Tras comprobar la cointegracin de
ambos ndices de volatilidad, en el Case Study se estima un ECM que, posteriormente, se re-escribe en formato regresin, dejando un indice a la izquierda
de cada ecuacin, no sus primeras diferencias. Esta representacin nos permite
calcular las respuestas a shocks en ambos ndices de volatilidad, as como la
38
evolucin que seguira su spread en respuesta a ambos shocks. Siendo estacionario, el spread revierte a su media de largo plazo, que estimamos mediante
su media muestral 0,00649. Este anlisis permitira disear estrategias tomando
posiciones contrarias en ambos activos.
(ver "Pairs Trading: an empirical study", A. Fiz, tesina del Master en Banca
y Finanzas Cuantitativas, Julio 2014)
1.10
Ejercicios
Considere el modelo estructural recursivo,
y1t
y2t
=
=
+
20 +
10
11 y2t
22 y1t
12 y1t 1
1+
23 y2t
13 y2t
+
v2t
1
+ v1t
donde y1t afecta a y2t slo con cierto retraso. Note que este modelo permite
identicar el trmino de error v2t a partir de las observaciones de la variable
y2t : Pruebe que este modelo est exactamente identicado, en el sentido de que
todos sus coecientes, as como las varianzas de los dos trminos de error pueden
recuperarse a partir de la estimacin del modelo VAR(1) en estas dos variables.
10
20
2
u1
=
=
=
+
20 ;
2
v1 +
10
11 20 ;
+ 11 22 ;
21 = 22 ;
22 = 23 ;
2
2
2
2
u1 ;u2 =
11 v2 ;
u2 = v2 ;
11
12
12
13
11 23 ;
2
11 v2 ;
sistema que puede resolverse para obtener los 9 parmetros del modelo estructural recursivo.
Muestre que en este modelo, no slo se pueden recuperar estimaciones de
todos los parmetros que aparecen en el modelo estructural, sino tambin las
series temporales de los trminos de error v1t y v2t :
1.11
Las variables explicativas son los logs delos precios de los activos que pueden
incluirse en la cartera que sigue al ndice.
El problema tiene dos partes: a) seleccionar los activos, b) optimizar las
ponderaciones de la cartera. El primero es difcil. Opciones: fuerza bruta:
estimar muchos modelos con distintas combinaciones de activos y ver cul ajusta
mejor. Basarse en las preferencias de riesgo del inversor, o en las limitaciones de
inversin que se nos impongan. Segundo problema: Tcnicas de regresin, de
anlisis de series temporales multivariante, o de cointegracin. Si se construye
una cartera mediante regresin o cointegracin, as ponderaciones se normalizan
de modo que sumen 1, para ser ponderaciones de cartera.
En global asset management: primero, elegir los pases, y despus, comprar
o vender futuros sobre los ndices de los pases, o repetir el problema dentro de
cada pas, para obtener carteras de seguimiento de cada ndice.
En modelos de un slo pas: Primero, seleccionar los sectores; despus, seleccionar los activos dentro de cada sector.
Constrained allocations:
Ejemplos:
Seleccionar una cartera que invierte al menos un 50% en Espaa.
Fijar como rentabilidad benchmark la del SP100 ms un 5% anual
Construir un fondo corto-largo en 12 pases prejados, con un ndice
mundial como benchmark
Utilizar como variable dependiente, el ndice que se quiere replicar, menos
w-veces el precio del activo en el que se nos restringe a tomar una posicin del
w%. Si se nos exige una posicin en el activo no superior al w% el problema
es ms difcil. Primero, resolver el problema sin restringir, a ver si hay suerte:
satisface la solucin la restriccin?
Supongamos que no podemos tomar posiciones cortas. Si alguna ponderacin
es negativa, se ja en cero, y se vuelve a resolver, iterando de este modo. Conar
en alcanzar una solucin.
Seleccin de parmetros:
El modelo bsico de index tracking mediante cointegracin se dene en
funcin de ciertos parmetros:
Una rentabilidad alfa por encima de l ndice
El intervalo de datos diarios que se utiliza en la estimacin training
period
La relacin de activos en la cartera
Las posibles restricciones
Los parmetros se selecciona en base al resultado de pruebas dentro y fuera
de la muestra.
Dentro de la muestra:
Estadsticos ADF
Standard error of regresin
Turnover
Testing period:
Tracking error variance: varianza de los errors de rplica diarios RMSE
Dierencial de rentabilidades entre la cartera y el ndice
40
1.12
y1t
y2t
11
21
10
20
12
13
22
23
y1t
y2t
v1t
v2t
0
; lo que equivale a sustituir
^ 1
la segunda ecuacion por la diferencia entre sta y el resultado de multiplicar la
primera ecuacin por ^; tendramos,
y premultiplicamos por la matriz
(1 + ^
y1t
)y
11 2t
=
10 + 11 y2t + 12 y1t 1 + 13 y2t 1 + v1t
= ( 20 ^ 10 ) + (^ + 21 )y1t + ( 22 ^ 12 )y1t
1+(
23
13 )y2t
1.13
V ar(Yt ) = E (Yt
V ar(Yt ) = (I2
con M = 1
A21 )
=E
21 12
"
1
X
Ai1 ut i
i=0
1
M
2
11
#2
+
( 11 +
21 12
21 12
41
1
X
2
A2i
1 (V ar(ut i )) = (Ik A1 )
i=0
2
22
22 )
(
21
2
22
21
+
12 +
11
11
22 ) 12
2
11
2
22 )
12 21 :
(21)
+
a
^t
1