Macrost4p PDF

MacroEconometra Avanzada
Ignacio Lobato (ITAM)
Lobato (ITAM) ()
Eco Ava
1 / 63
Modelos de Volatilidad
Hasta ahora hemos considerado modelos lineales

En estos modelos la dependencia aparece reejada en la FAC
Si el P.E. es Gaussiano toda la dependencia aparece reejada en la
FAC
Las series nancieras no son Gaussianas
Necesidad de modelos no lineales
Lobato (ITAM) (Institute)
Eco Ava
2 / 63
Modelos no-lineales
Hay una gran variedad

Por ejemplo
Modelos no-lineales autorregresivos
NLAR(1)
yt = f (yt
1 ) + t
donde t puede ser iid, mds o RB

NLAR(p)
yt = f (yt
1 , ..., yt p ) + t
Eco Ava
3 / 63
Modelos no-lineales
Ej Modelos TAR (Threshold AR)

yt =
a1 yt
a2 yt
+ t
1 + t
1
si
si
yt
yt
2
2
0
<0
podemos hacerlo tan complicado como queramos

Ej Modelos STAR (smooth transition AR)
yt = a(yt
2 )yt 1
+ t
el coeciente de yt 1 no es ni una constante, ni una funcin escaln,

ahora es una funcin continua de yt 2 , por ejemplo.
Eco Ava
4 / 63
Modelos no-lineales
Ej Modelos EAR (Exponential AR)
yt = a1 yt
+ ... + ap yt
+ t
donde
aj = j + j exp( yt2 1 )
permite tener ciclos en el lmite
Tambin medias mviles no lineales, ej NLMA(1)
yt = t + b2t
o en general NLMA(q)
yt = g (t , t
Eco Ava
1 , ..., t q )
5 / 63
Modelos no-lineales
Modelos bilineales
yt = t + bt
1 yt 2
o
yt = ayt
+ t + bt
2 yt 2
o modelos con parmetros cambiantes, ej VPAR(1)

yt
t
= t yt 1 + t
= m + t 1 + t
que se estima con el Filtro de Kalman ( es una variable latente)

el caso = 0 es el modelo con coecientes aleatorios
Eco Ava
6 / 63
Modelos no-lineales
En general es til considerar modelos de la forma

yt = g (zt
1 ) + h (zt 1 ) t
donde t es MDS
en este caso
g (zt
1)
= E (yt j zt
h2 (zt
1)
= V (yt j zt
1)
Eco Ava
1)
7 / 63
Modelos no-lineales
La expansin equivalente a Wold es:

expansin de Volterra
yt = + bi ,j i ,t
i ,j
+ bi ,j ,kl i ,t j k ,t
+ ...
i ,j k ,l
Eco Ava
8 / 63
Modelos no-lineales
El resumen es que hay muchos modelos no-lineales y que merece la

pena examinar primero las caractersticas principales de los datos que
quieres modelar
A continuacin grcos de rendimientos nancieros (tipos de cambio)
diarios y semanales y estadsticos bsicos
Eco Ava
9 / 63
P ound
E uro
2
-1
-1
-2
-2
-3
0 4 -J a n -2 0 0 4
2 0 -M a r -2 0 0 5
0 4 -J u n -2 0 0 6
1 9 -A u g -2 0 0 7
-3
0 4 -J a n -2 0 0 4
2 0 -M a r -2 0 0 5
0 4 -J u n -2 0 0 6
1 9 -A u g -2 0 0 7
Y en
C an
2
1
1
0
-1
-1
-2
-2
0 4 -J a n -2 0 0 4
2 0 -M a r -2 0 0 5
0 4 -J u n -2 0 0 6
1 9 -A u g -2 0 0 7
-3
0 4 -J a n -2 0 0 4
2 0 -M a r -2 0 0 5
0 4 -J u n -2 0 0 6
1 9 -A u g -2 0 0 7
Rendimientos diarios del Euro, Dlar Canadiense, Libra esterlina y Yen

contra el US dlar de 4-Enero-2004 al 17-Agosto-2007.
Eco Ava
10 / 63
4
E uro
P ound
-2
-2
-4
1 4 -J a n -2 0 0 0
2 6 -J u l-2 0 0 2
0 4 -F e b -2 0 0 5
1 7 -A u g -2 0 0 7
-4
1 4 -J a n -2 0 0 0
2 6 -J u l-2 0 0 2
0 4 -F e b -2 0 0 5
1 7 -A u g -2 0 0 7
4
C an
Y en
2
2
1
-1
-2
-2
-3
1 4 -J a n -2 0 0 0
2 6 -J u l-2 0 0 2
0 4 -F e b -2 0 0 5
1 7 -A u g -2 0 0 7
-4
1 4 -J a n -2 0 0 0
2 6 -J u l-2 0 0 2
0 4 -F e b -2 0 0 5
1 7 -A u g -2 0 0 7
Rendimientos semanales del Euro, Dlar Canadiense, Libra esterlina y Yen

contra el US dlar de 14-Enero-2000 17-Agosto-2007.
Eco Ava
11 / 63
n
Media
Mediana
SD
Skewness
Kurtosis
Mximo
Mnimo
Euro
382
0.0738
0.0781
1.3539
0.0540
3.0555
4.4680
-3.1636
Semanal
382
0.0552
0.0763
1.1407
0.0545
2.9649
3.4830
-3.2307
Eco Ava
Can
382
-0.0832
-0.0864
0.9410
0.0846
2.8875
2.8128
-2.7067
U
382
0.0352
0.0141
1.2525
-0.2945
3.0895
3.1835
-4.3058
12 / 63
n
Media
Mediana
SD
Skewness
Kurtosis
Mximo
Mnimo
Euro
908
0.0076
0.0000
0.5423
-0.1263
3.7602
1.9358
-2.0355
Diario
908
0.0113
0.0221
0.5332
-0.0976
3.4927
2.0930
-2.1707
Eco Ava
Can
908
-0.0213
-0.0080
0.5036
-0.0196
3.1345
1.5129
-1.7491
U
908
0.0068
0.0279
0.5670
-0.3763
5.0746
2.4519
-2.7859
13 / 63
Nota que en la siguiente tabla reportamos la versin robusta del

estadstico de Box-Ljung
Reportar Box-Pierce o Box-Ljung no es muy importante porque
tpicamente las series nancieras son muy largas
Lo que es crucial es reportar la versin robusta de estos estadsticos
porque tpicamente las series nancieras presentan heterocedasticidad
AQn representa una versin de este estadstico en donde el nmero de
autocorrelaciones consideradas se ha elegido automticamente
Eco Ava
14 / 63
Semanal
Euro
b
1
0.018
0.046
b
2
-0.002
-0.008
b
3
0.049
-0.031
b
4
0.024
-0.043
b
5
0.036
-0.024
LB5
1.795
2.191
LB15 9.139
7.451
LB25 18.746
32.584
LB50 42.559
59.107
AQn
0.151
0.827
Nota: y : signicativos al 5% y
Eco Ava
Can
U
-0.023 0.054
0.031 -0.024
0.011
0.010
0.015 -0.041
0.052 -0.095
1.781
4.900
10.266 18.861
21.786 24.519
41.140 58.756
0.208
1.105
al 10%, respectivamente.
15 / 63
Diario
Euro
b
1
-0.047
0.001
b
2
0.003
0.007
b
3
-0.046
-0.055
b
4
-0.002
0.028
b
5
-0.002
0.003
LB5
4.071
3.586
LB15 15.516
13.256
LB25 28.552
26.568
LB50 61.922 64.803
AQn
1.889
0.021
Nota: y : signicativos al 5% y
Eco Ava
Can
U
-0.016 -0.020
-0.028 -0.015
-0.001 -0.016
-0.060 0.013
-0.063 0.039
8.045
2.452
15.181 6.670
19.756 13.155
49.887 37.428
0.253
0.380
al 10%, respectivamente.
16 / 63
Rendimientos de divisas se comportan "mejor" (o sea mas parecido a

un P.E. Gaussiano) que los rendimientos burstiles
De igual forma rendimientos mensuales se comportan mejor que
semanales
y estos a su vez mejor que los diarios
etc
Eco Ava
17 / 63
Las principales caractersticas de las series nancieras que queremos

modelar son:
1. La distribucin marginal no es normal. Exhibe kurtosis.
(rendimientos burstiles adems asimetra)
2. la distribucin conjunta presenta dos caractersticas principales
2a. Las series son impredecibles, o sea se comportan como RB
(impredecibles linealmente) o como MDS(impredecibles lineal y
no-linealmente)
pero no se comportan como IID
2b. Las series presentan volatilidad
Eco Ava
18 / 63
Por volatilidad entendemos que la varianza condicional (dada la

informacin pasada) no es constante
O sea, heterocedasticidad
En los grcos de los rendimientos la volatilidad se reeja en que hay
periodos mas tranquilos (menos uctuaciones) que alternan con
periodos mas violentos (con grandes uctuaciones)
la volatilidad se reeja en que la FAC de algunas transformaciones de
los rendimientos exhiben persistencia
ejemplos de estas transformaciones: los cuadrados o los valores
absolutos
Eco Ava
19 / 63
Vamos a exigir a los modelos que estudiemos a continuacin que

cumplan estas tres propiedades
1 que la serie yt se comporte como MDS
2. que la distribucin marginal de yt exhiba kurtosis
3 que yt2 exhiba autocorrelacin
Eco Ava
20 / 63
Repaso
Ley de esperanzas iteradas
Una esperanza incondicional se puede calcular iterativamente como
una sucesin de esperanzas condicionales
Llama
Et
J h (yt )
= E (h(yt ) j zt
J)
Piensa que
Et
J h (yt )
= Et
J ...Et 2 Et 1 h (yt )
y al hacer que J !
Eh(yt ) = ...Et
Eco Ava
2 Et 1 h (yt )
21 / 63
Modelo ARCH(1)
El modelo se compone de dos ecuaciones: la primera garantiza que yt
es MDS y la segunda propone un modelo para la varianza condicional
yt
2t
= t t
= + yt2
donde t es MDS(0,1), y y son constantes positivas.

al P.E. 2t se conoce como volatilidad
Por tanto
E (yt
V (yt
j zt
j zt
1)
=0
2
2
1 ) = t = + yt
o sea yt es MDS y su varianza condicional es mayor cuando jyt

mayor
Eco Ava
1j
es
22 / 63
Modelo ARCH(1)
la idea es capturar la volatilidad observada en los rendimientos

nancieros
si ayer el rendimiento fue muy grande en valor absoluto (jyt 1 j fue
grande), entonces el rendimiento hoy se genera de una poblacin con
varianza grande, o sea es muy probable que jyt j sea grande tambin
si ayer el rendimiento fue muy pequeo en valor absoluto (jyt 1 j fue
pequeo), entonces el rendimiento hoy se genera de una poblacin
con varianza pequea, o sea es muy probable que jyt j sea pequeo
tambin
Eco Ava
23 / 63
Modelo ARCH(1)
piensa que t sea N(0,1) entonces
yt j zt
N (0, + yt2 1 )
grcamente
y 0.8
0.6
0.4
0.2
-5
-4
-3
-2
-1
la lnea azul es la densidad de yt si jyt 1 j fue grande, la lnea roja es

la densidad de yt si jyt 1 j fue pequeo
Eco Ava
24 / 63
Si jyt 1 j fue grande entonces es muy probable que jyt j sea tambin
grande (lnea azul)
Si jyt 1 j fue pequeo entonces es muy probable que jyt j sea tambin
pequeo (lnea roja)
Esta volatilidad se reeja en series en las que se observan periodos
muy inestables seguidos por periodos muy tranquilos
Eco Ava
25 / 63
Modelo ARCH(1)
Momentos incondicionales
Eyt = ...Et
Vyt = Eyt2 = ...Et
= ...Et
2
2
3 Et 2 t Et 1 t
= ...Et
4 Et 3 (
= ...Et
+ Et
4 Et 3 (
2 Et 1 yt
2
2 Et 1 yt
= ...Et
2
2 yt 1 )
+ 2t 1 Et
= ...Et
2
3 Et 2 t
= ...Et
2
2 t 1 )
Eco Ava
=0
2 2
3 Et 2 E t 1 t t
= ...Et
4 Et 3 (
= ..Et
3 Et 2 (
+ Et
4 Et 3 (
+ yt2 1 )
2
2
2 t 1 t 1 )
+ 2t 1 )
26 / 63
= ...Et
= ...Et
4 Et 3 (
+ 2t 1 Et
4 Et 3 ( +
= ...Et
= ...Et
+ yt2
2
2 t 1 )
= ..Et
) = ...Et
4 (
+ + Et
4 ( + + Et
4 Et 3 (
4 ( +
+ Et
2
2
3 t 2 t 2 )
2
3 ( + yt 3 )
= + + 2 + 3 + ... =
+ 2t 1 )
2
3 yt 2
asumiendo que < 1
Eco Ava
27 / 63
Modelo ARCH(1)
Asumiendo las condiciones necesarias de estacionariedad (que luego

se deducirn), podemos obtener mas fcilmente la Var (yt )
Eyt2 = E 2t ( + yt2 1 ) = + Eyt2
Eyt2 =
1
o sea tiene que cumplir 0 < < 1.
Eco Ava
28 / 63
Modelo ARCH(1)
Momentos incondicionales
Kurtosis: (ver tarea) s hay, de hecho
=
3(1 2 )
>3
(1 32 )
nota que hace falta suponer que 2 < 1/3
Eco Ava
29 / 63
Modelo ARCH(1)
Distribucin condicional
yt es MDS
yt2 = 2t + (yt2
2t ) = 2t + vt
con vt = yt2
2t
Nota que
E (vt j zt
1)
= 2t
2t = 0
por tanto vt es MDS,

entonces
yt2 = + yt2
+ vt
o sea yt2 sigue un AR(1)

Eco Ava
30 / 63
Modelo ARCH(1)
Como yt es MDS su predictor ptimo es 0
llama al predictor ptimo de yT +l en el momento T :
por tanto
yeT +l jT = E (yT +l j zT )
yeT +l jT = 0
aparte de la prediccin puntual, tambin nos interesa proporcionar

una medida de la precisin de esta prediccin
ECM (yeT +l jT ) = ET (yT +l
yeT +l jT )2 = ET (yT2 +l )
= (1 + + 2 + ... + l
a medida que l !
ECM (yeT +l jT ) !
) + l yT2
la varianza incondicional
Eco Ava
31 / 63
Modelo ARCH(p)
El modelo ARCH(1) tiene muy poca memoria, la varianza condicional

(volatilidad) solo depende de yt 1
el ARCH(p) propone aumentar esta dependencia a rezagos anteriores
yt
2t
= t t
= + 1 yt2
+ 2 yt2
+ ... + p yt2
donde y las 0 s son constantes positivas
Eco Ava
32 / 63
el ARCH (p) tiene las mismas propiedades que el ARCH(1)

ahora yt2 sigue un AR(p)
si p es grande es un modelo sobreparametrizado
una alternativa es darle estructura a los coecientes, ej.
i =
(9 i )
, para i = 1, ..., 8.
36
otra posibilidad es usar modelos GARCH
Eco Ava
33 / 63
Modelos GARCH
Modelos GARCH
yt
2t
= t t
= + 1 yt2
+ ... + p yt2
+ 1 2t
+ ... + q 2t
donde y las 0 s y las 0 s son constantes positivas

la volatilidad es funcin de los p rezagos de yt2 y adems de las q
volatilidades pasadas
el caso mas importante es el GARCH(1,1), de hecho este es el modelo
mas popular de toda la familia de modelos del tipo ARCH
Eco Ava
34 / 63
Modelo GARCH(1,1)
yt
2t
= t t
= + 1 yt2
+ 1 2t
es MDS
yt2 = 2t + (yt2
2t ) = 2t + vt
con vt = yt2
2t
Nota que
E (vt j zt
1)
= 2t
2t = 0
por tanto vt es MDS,

entonces
yt2 = + 1 yt2
yt2
+ 1 2t
+ vt
sigue un ARMA(1,1)
Eco Ava
35 / 63
Modelo GARCH(1,1)
Su varianza incondicional usando la LEI
Vyt = Eyt2 = ...Et
= ...Et
...Et
= ...Et
= ...Et
2
2 Et 1 yt
2 2
3 Et 2 E t 1 t t
2
2
3 Et 2 t Et 1 t
= ...Et 3 Et 2 2t =
2
2
3 Et 2 ( + 1 yt 1 + 1 t 1 )
4 Et 3 (
+ 1 Et
4 Et 3 ( + 1 E t
= ...Et
= ...Et
4 Et 3 (
2
2
2 yt 1 + 1 Et 2 t 1 )
2
2
2
2 t 1 t 1 + 1 Et 2 t 1 )
+ ( 1 + 1 ) Et
2
2 t 1 )
igual que el anlisis de ARCH(1), en donde pona ahora aparece

( 1 + 1 )
Eco Ava
36 / 63
Modelo GARCH(1,1)
Vyt
= + (1 + 1 ) + (1 + 1 )2 + (1 + 1 )3 + ...
=
1 ( 1 + 1 )
asumiendo que (1 + 1 ) < 1
Eco Ava
37 / 63
Modelo GARCH(p,q)
el modelo GARCH(p,q) es igual
yt
2t
= t t
= + 1 yt2
+ ... + p yt2
+ 1 2t
+ ... + q 2t
el equivalente de la condicin (1 + 1 ) < 1 es

p
j +
j =1
j < 1
j =1
nota que ahora

yt2 = 2t + (yt2
2t ) = 2t + vt
con vt = yt2
2t
vt es MDS, y
yt2 = + 1 yt2
+ ... + p yt2
Eco Ava
+ 1 2t
+ ... + q 2t
+ vt
38 / 63
Modelo GARCH(p,q)
nota que 2t no es observable, por lo que vamos a sumar y restar
j yt2 j :
j yt2
j yt2
j =1
j yt2 j +
j 2t
+ vt
+ j yt2 j + j (2t
j =1
yt2 = +
j =1
j =1
j =1
yt2 = +
yt2 = +
j yt2 j +
j =1
yt2 j ) + vt
j =1
j vt
+ vt
j =1
en donde i = i + i y p = max(p, q )
por tanto, yt2 sigue un ARMA(p , q)
Eco Ava
39 / 63
Modelo IGARCH
Al estimar un GARCH (1, 1) se observa que 1 + 1
Si en el modelo GARCH(1,1) imponemos 1 + 1 = 1, llegamos al

modelo IGARCH
Eco Ava
40 / 63
Modelo IGARCH
por ejemplo, llama =
1 =
1 + 1 entonces
2t = + (1 + )yt2
o sea
2t =
2t
+ (1 + )yt2
(1 + L)
por tanto
yt2 = 2t + vt =
+ (1 + )yt2
(1 + L)
+ vt
o sea
(1 + L)yt2 = + (1 + )yt2
yt2 = + vt + vt
+ (1 + L)vt
1
con < 0
Eco Ava
41 / 63
Modelo IGARCH
Nota una diferencia importante con los modelos anteriores a la hora
de calcular el ECM del mejor predictor
yeT +l jT = E (yT +l j zT ) = 0
ECM (yeT +l jT ) = ET (yT +l
=
=
=
=
=
yeT +l jT )2 = ET (yT2 +l )
2
1 (yT +l )
ET ET +1 ...ET +l 1 (yT2 +l 1 + + vT +l + vT +l 1 )
ET ET +1 ...ET +l 2 (yT2 +l 1 + + vT +l 1 ) = ...
ET (yT2 +1 + (l 1) + vT +1 )
yT2 + (1 )2T + (l 1)
ET ET +1 ...ET +l
que se va a innito a medida que l !

Eco Ava
42 / 63
Estimacin de modelos ARCH
ej ARCH(1)
se pueden estimar y por MCO en la ecuacin
yt2 = + yt2
+ vt
pero tambin es muy fcil bajo el supuesto de normalidad

si t es N(0,1) entonces
yt j zt
N (0, + yt2 1 )
Eco Ava
43 / 63
Estimacin de modelos ARCH
y podemos escribir la funcin de verosimilitud usando que

f (yT , yT
= f (yT j yT
1 , ..., y2 , y1 )
1 , ..., y1 )
f (yT
j yT
2 , ..., y2 , y1 )
...f (y2 j y1 ) f (y1 )
entonces
log L =
T
log 2
2
1 T
log( + yt2 1 )
2 t
=2
yt2
1 T
2
2 t
=2 + yt
+ log f (y1 )
1
podemos ignorar el ltimo trmino y maximizar log L
Eco Ava
44 / 63
Extensiones modelos ARCH
Una forma sencilla de contrastar si hay efecto ARCH es mirar la FAC

de yT2
ej., para un ARCH(1), yT2 sigue un AR(1)
Eco Ava
45 / 63
En vez de suponer que la distribucin es normal, se puede suponer

que es Student t o cualquier otra que exhiba mas kurtosis que la
Normal
O alguna distribucin asimtrica
Eco Ava
46 / 63
Si tienes un modelo de regresin con errores ARCH

yt
Var (t
= xt + t
j zt 1 ) = + 2t
date cuenta de que como t tienen media cero, varianza incondicional

constante y no tienen autocorrelacin, entonces, por Gauss-Markov, el
mejor estimador lineal de es MCO (pero puedes construir
estimadores no lineales con menor varianza)
Eco Ava
47 / 63
Modelo ARCH-M, es cuando la volatilidad tambin entra en la

ecuacin de la media condicional
yt = xt + t + t
nota que t est dada en el momento t, o sea es una variable
predeterminada, lo que justica el uso de MCO
Eco Ava
48 / 63
Modelos SV
SV de volatilidad estocstica o varianza estocstica
Es una alternativa a los ARCH
modelo ms sencillo
yt = t t
2t = exp(ht )
ht = + ht
+ t
donde
t
IIDN (0, 1)
IIDN (0, 2 )
con t independiente de s para todo t, s

Eco Ava
49 / 63
Modelos SV
la primera ecuacin
yt = t t
garantiza que yt es MDS
la segunda ecuacin propone un modelo para la varianza condicional
2t = exp(ht )
en donde
ht = + ht
+ t
la funcin exponencial garantiza que la varianza condicional es

positiva
la estructura autorregresiva de ht garantiza la persistencia en la
volatilidad
Eco Ava
50 / 63
Modelos SV
Nota que en estos modelos la volatilidad no es observable

(en un ARCH s es observable, ej ARCH(1) 2t = + yt2 1 )
la volatilidad es una variable latente
propiedades de yt ?
Eco Ava
51 / 63
momentos condicionales
E (yt j zt
1)
= E (t j zt
= E (t j zt
1)
1 )E ( t
j zt
1)
0=0
usando que
E (t j zt
1)
Eco Ava
= E ( t ) = 0
52 / 63
momentos condicionales
V (yt
usando que
j zt 1 ) = E (yt2 j zt 1 )
= E (2t j zt 1 )E (2t j zt
E (2t j zt
E (2t
y como
= E (2t j zt
V (yt j zt
1)
1)
= E (exp( t )) = exp(
= exp( +
Eco Ava
1)
= E (2t ) = 1
j zt 1 ) = E (exp( + ht 1 + t ) j zt
= exp( + ht 1 )E (exp( t ) j zt 1 )
E (exp( t ) j zt
1)
1)
2
2
+ ht
2
2
1)
1)
53 / 63
Modelos SV
momentos incondicionales
E (yt ) = E (t )E (t ) = 0
E (yt2 ) = E (2t )E (2t ) = E exp(ht )
nota que
ht
N(
,
1
2
2
o sea 2t sigue una log-normal

cuyos momentos se derivan usan la funcin generadora de momentos
(FGM) de la normal
recuerda si x N (, 2 ) entonces
E (e tx ) = e t +0.5t
Eco Ava
2 2
54 / 63
Modelos SV
Por tanto
E 2t = E exp(ht )
ponemos t = 1 en la frmula anterior y obtenemos
E (yt2 ) = E 2t = E exp(ht ) = exp(
2
1
)
2 1 2
ponemos t = 2 en la frmula anterior y obtenemos
E (yt4 ) = E (4t )E 4t = 3E exp(2ht ) = 3 exp(
Eco Ava
2
1
22
1
55 / 63
Modelos SV
Por tanto la kurtosis es (nota que yt tiene media cero)
E (yt4 )
2
(E (yt2 ))
3 exp( 12 +
exp( 12 +
22
(1
2 )
(1
2 )
)
= 3 exp(
2
1
recuerda denicin de kurtosis es con momentos centrados

=
E (yt
Eyt )4
(E (yt
Eyt )2 )
Eco Ava
56 / 63
Modelos SV
usando que t es independiente de s para todo t, s, es fcil obtener

la FAC de yt o yt2
piensa que
cov (yt , yt
s)
= E (yt yt s ) = E (t t t s t
= E ( t t s )E ( t t s ) = 0
s)
yt es RB (como ya sabamos)
Eco Ava
57 / 63
cov (yt2 , yt2 s ) = E (yt2 yt2 s )
=?
exp(
2
1
E (yt2 )2
2
1
ahora
E (yt2 yt2 s ) = E (2t 2t 2t s 2t s ) = E (2t 2t s )E (2t 2t s )
= E (2t )E (2t s )E (2t 2t s ) = E (2t 2t s ) = E exp(ht + ht
Eco Ava
s)
58 / 63
y usando que
N(
ht
nota que
ht + ht
,
1
22
2
+ 2cov (ht , ht
s)
y como ht sigue un AR(1)

cov (ht , ht
s)
= s var (ht ) = s
2
2
entonces
ht + ht
2
1
,
1
22
2
+ 2s
2
2
por tanto
E (2t 2t s ) = E exp(ht + ht
s)
= exp(
Eco Ava
2
1
2
1
+ s
2
1
59 / 63
Modelos SV
Por tanto
E (yt2 yt2 s )
= E exp(ht + ht
s)
= exp(
2
1
2
2
y
cov (yt2 , yt2 s ) = E (yt2 yt2 s )
= exp(
2
1
exp(
2
1
2
1
2
1
Eco Ava
E (yt2 )2
exp(
exp(s
2
1
2
1
!
60 / 63
Modelos SV
nota que
exp(s
1>0
y que
lim exp(s
s !
2
1
1=0
por tanto la FACV de yt2 decae hacia cero a medida que s aumenta
Eco Ava
61 / 63
Modelos SV
Nota que
log yt2 = ht + log 2t
nota que si t es IID entonces log 2t es tambin IID, adems
E log 2t = c
Eco Ava
1.27
62 / 63
Modelos SV
V log 2t = v
4.93
por tanto
log yt2 = c + ht + t
con t iid ( 0, v )
llamando zt = log yt2 y usando
ht = + ht
tenemos
zt = c +
+ t
+ t
+ t
1 L
o sea
zt = c + zt
o sea
log yt2
+ + t + t
sigue un ARMA(1,1)
Eco Ava
63 / 63

Macrost4p PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Macrost4p PDF

Uploaded by

Copyright:

Available Formats

MacroEconometra Avanzada

Ignacio Lobato (ITAM)

Hasta ahora hemos considerado modelos lineales

Lobato (ITAM) (Institute)

Hay una gran variedad

donde t puede ser iid, mds o RB

Lobato (ITAM) (Institute)

Ej Modelos TAR (Threshold AR)

podemos hacerlo tan complicado como queramos

el coeciente de yt 1 no es ni una constante, ni una funcin escaln,

Lobato (ITAM) (Institute)

Lobato (ITAM) (Institute)

o modelos con parmetros cambiantes, ej VPAR(1)

que se estima con el Filtro de Kalman ( es una variable latente)

Lobato (ITAM) (Institute)

En general es til considerar modelos de la forma

Lobato (ITAM) (Institute)

La expansin equivalente a Wold es:

Lobato (ITAM) (Institute)

El resumen es que hay muchos modelos no-lineales y que merece la

Lobato (ITAM) (Institute)

Rendimientos diarios del Euro, Dlar Canadiense, Libra esterlina y Yen

Rendimientos semanales del Euro, Dlar Canadiense, Libra esterlina y Yen

Lobato (ITAM) (Institute)

Lobato (ITAM) (Institute)

Nota que en la siguiente tabla reportamos la versin robusta del

Lobato (ITAM) (Institute)

Lobato (ITAM) (Institute)

Lobato (ITAM) (Institute)

Rendimientos de divisas se comportan "mejor" (o sea mas parecido a

Lobato (ITAM) (Institute)

Las principales caractersticas de las series nancieras que queremos

Lobato (ITAM) (Institute)

Por volatilidad entendemos que la varianza condicional (dada la

Lobato (ITAM) (Institute)

Vamos a exigir a los modelos que estudiemos a continuacin que

Lobato (ITAM) (Institute)

Lobato (ITAM) (Institute)

donde t es MDS(0,1), y y son constantes positivas.

o sea yt es MDS y su varianza condicional es mayor cuando jyt

la idea es capturar la volatilidad observada en los rendimientos

Lobato (ITAM) (Institute)

la lnea azul es la densidad de yt si jyt 1 j fue grande, la lnea roja es

Lobato (ITAM) (Institute)

Lobato (ITAM) (Institute)

asumiendo que < 1

Lobato (ITAM) (Institute)

Asumiendo las condiciones necesarias de estacionariedad (que luego

Eyt2 = E 2t ( + yt2 1 ) = + Eyt2

Lobato (ITAM) (Institute)

nota que hace falta suponer que 2 < 1/3

Lobato (ITAM) (Institute)

por tanto vt es MDS,

o sea yt2 sigue un AR(1)

aparte de la prediccin puntual, tambin nos interesa proporcionar

El modelo ARCH(1) tiene muy poca memoria, la varianza condicional

donde y las 0 s son constantes positivas

Lobato (ITAM) (Institute)

el ARCH (p) tiene las mismas propiedades que el ARCH(1)

otra posibilidad es usar modelos GARCH

Lobato (ITAM) (Institute)

donde y las 0 s y las 0 s son constantes positivas

Lobato (ITAM) (Institute)