FT

SERIES DE TIEMPO UNIVARIADOS

MODELOS ARCH, GARCH, TGARCH, EGARCH y VaR.

RA Franco A. Mansilla Ibañez

MF-WK PANAMÁ

October 16, 2018

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 16, 2018 1 / 29

Información

FT
Información Personal

Ingeniero Civil Industrial de la Universidad Andrés Bello, actualmente me encuentro

cursando el Magister en Finanzas (MSc.) en la Universidad de Chile y paralelamente
como instructor de Finanzas, Econometrı́a y Estadı́stica para Software−Shop (Bo-
gota, Colombia).
Me he dedicado como ayudante de investigación Económica y Financiera para Direc-
RA
tivos de la Universidad y para el Banco Central de Chile (BCCh), además dictando
múltiples ayudantı́as de cátedras como Probabilidad y Estadı́stica, Econometrı́a,
Formulación y Evaluación de proyectos y también en ramas de ingenierı́a, como
Investigación de Operaciones y Taller de Ingenierı́a Civil Industrial.

Correo: fmansilla@fen.uchile.cl

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 16, 2018 2 / 29

Información

FT
Objetivos de la Ayudantia

 La ayudantia se guiara para COMPLEMENTAR lo aprendido del profesor.

 Principalmente, cubriremos detalles y conceptos que quedaron dando vuelta y
que fueron relevantes a la hora de la evaluacion.
 Por ultimo, aterrizaremos los conceptos y como se aplica la teoria a un software
RA
Econometrico como lo es EViews.
NOTA REITERATIVA: NO OLVIDAR LO APRENDIDO CON EL PRO-
FESOR, RECORDAR QUE ES UN COMPLEMENTO PARA FORT-
ALECER LOS APRENDIDO!.

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 16, 2018 3 / 29

Introduccón

FT
Qué debemos responder con los modelos?

 Existe alguna relación entre el nivel de tasa de interés y el ı́ndice de la bolsa?

 Cómo afectan las uniones y fusiones de empresas los retornos (rendimientos) de
los inversionistas?
 Debo invertir en tı́tulos de Gobierno de largo plazo o tı́tulos Privados de corto
plazo?
RA
 Probar si el Modelo CAPM representa un modelo adecuado para la determinación
de los retornos de un activo.
 Medir y pronosticar la volatilidad de retornos de bonos.
En general todas estas preguntas cuantitativas son:
i. Complicadas de responder, y
ii. Usualmente, se requiere de una respuesta para la toma de decisiones.

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 16, 2018 4 / 29

Introduccón

FT
Pronósticos Financieros

RA
Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 16, 2018 5 / 29
Introduccón

FT
Clasificación de Modelos Econometricos

 Tipo de Efecto: Lineales vs no Lineales.

 Caracter: Estático y Dinámico.
 Dimensionalidad: Uniecuacional vs Multiecuacional.
 Tipo de Observaciones: Series de Tiempo, Corte Transversal y Datos de Panel.
RA
 Variables a Explicar: Cuantitativa (continua) vs Cualitativa (discreta).
 Escuela de Estadı́stica: Frecuentista (clasica) vs Bayesiana.
 Supuesto del Modelo: Paramétrica (Supuesto de forma funcional y distribución
del término de error) Vs Semi-paramétrica (Supuesto de forma funcional o dis-
tribución del término de error) Vs No paramétrica (Ninguna de las dos)

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 16, 2018 6 / 29

Series de Tiempo

FT
Descripción de una Serie de Tiempo.

 Proceso estocástico es un conjunto de variables aleatorias asociadas a distintos

instantes de tiempo.
 Serie temporal es un conjunto de observaciones o medidas realizadas secuen-
cialmente en intervalos predeterminados y de igual, o aproximadamente igual,
duración.
 Es una realización del proceso estadı́stico, es decir, es una observación de T
variables aleatorias ordenadas en el tiempo.
RA
 La relación entre una serie temporal y el proceso estocástico que la genera es la
misma que hay entre una muestra y la variable aleatoria de la que procede.
 Las peculiaridades de una serie temporal (frente a una muestra) y de un proceso
estocástico (frente a una variable aleatoria) son: 1) Las series temporales y los
procesos estocásticos están referidos a instantes de tiempos concretos y 2) los
datos están ordenados.
 El objetivo del análisis de series temporales es inferir la forma del proceso es-
tocástico a partir de las series temporales que genera.

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 16, 2018 7 / 29

Series de Tiempo

FT
Descripción de una Serie de Tiempo (cont.)

Ejemplo de proceso estocástico y serie de tiempo: 35 realizaciones de paseos

aleatorios de tamaño 1000.

RA
Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 16, 2018 8 / 29
Modelos para la Medición de Volatilidad

FT
Introduccion

 La volatilidad es una caracterı́stica inherente a las series de tiempo financieras.

En general, no es constante y en consecuencia los modelos de series de tiempo
tradicionales se suponen varianza homocedástica, no son adecuados para modelar
series de tiempo financieras.
 Se define la volatilidad como la varianza condicional de la serie subyacente. En el
caso de las series de tiempo financieras, se modela la volatilidad de los retornos.
Es de anotar que, aunque la serie sea estacionaria y tenga por tanto varianza
RA
constante, puede presentar oscilaciones a corto plazo que es lo que recoge la
varianza condicional para el estudio de la volatilidad cuyo conocimiento es de
interés, en particular para hacer predicciones a corto plazo
 La volatilidad no es observable directamente, para un dı́a, por ejemplo, se tiene
una única observación. En la series financieras se presenta periodos largos de alta
volatilidad seguidos por periodos de baja volatilidad, lo que indica la presencia de
heterocedasticidad. Son mas interesantes las medias y las varianzas condicionales
a la información pasada (pronósticos a corto plazo) que las medias y las varianzas
no condicionales (pronósticos a largo plazo.)

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 16, 2018 9 / 29

Modelos para la Medición de Volatilidad

FT
Introduccion (cont.)

Existen ciertas caracteristicas de las series de tiempos en cual tratan de capturas

volatilidades, y a veces estas series presentan ciertas comportamientos que se
repiten en otras series, la cual son denominados Hechos Estilizados.
 Aglomeración de Volatilidad: Efectivamente, al observar gráficas de se-
ries financieras, a menudo se observa que la volatilidad no solo cambian en el
transcurso del tiempo sino que, además, tiende agruparse en clusters. Es decir,
que grandes cambios en las variables tienden a ser seguidos por grandes cambios
RA
de cualquier signo, mientras que pequeños cambios en las variables tienden a ser
seguidos de pequeños cambios de cualquier signo. Este comportamiento sugiere
que la volatilidad de los rendimientos de los activos financieros existe un proceso
de correlación serial que es además hererocedástico.
 Volatilidad Asimétrica: La volatilidad se comporta diferente frente a inno-
vaciones positivas y negativas. No reacciona de la misma manera frente a una
gran alza en el precio de un activo que frente a una caı́da en su precio.

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 16, 2018 10 / 29

Modelos para la Medición de Volatilidad

FT
Introduccion (cont.)

 Reversión a la Media: La aglomeración de la volatilidad implica que a un

periodo de alta volatilidad, eventualmente, seguirá otro de volatilidad normal, y
a un periodo de baja volatilidad seguirá uno de volatilidad mas alta. La volatil-
idad tiende a revertirse a la media, en otros términos, existe un nivel normal de
volatilidad al cual esta retorna eventualmente. Los pronósticos a largo
RA
plazo convergerán todos al nivel normal de la volatilidad, sin
importar cuando fueron hechos.
 Excesos de curtosis (Colas anchas): Los retornos de los activos fi-
nancieros tienden a ser leptocurticos; ya que presentan una gran cantidad de
valores extremos y, por tanto, la distribución de los rendimientos es de colas mas
pesadas (o anchas) que las de una distribución normal.

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 16, 2018 11 / 29

Modelos para la Medición de Volatilidad

FT
Introducción (cont.)

Modelos Univariados de Series de Tiempo con Varianza

 Existen varios modelos que consideran que la volatilidad no es constante en el
tiempo (Heteroscedasticidad).
 Por ejemplo, el comportamiento de los rendimientos de los activos normalmente
RA
presentan una volatilidad no constante.
 Estos modelos se emplean cuando al realizar una transformación de los datos, el
problema de la heteroscedasticiad no se soluciona.
 Entre esos modelos de encuentran: ARCH(q) y GARCH(p,q)

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 16, 2018 12 / 29

Modelos para la Medición de Volatilidad

FT
Modelos ARCH(q)

Engle (1982) introduce una nueva clase de procesos estocásticos llamados

modelos ARCH (Heterocedasticidad Condicional Auto-Regresiva), en los cuales la
varianza condicionada a la información pasada no es constante, y dependen del
cuadrado de las innovaciones pasadas.

Yt = β0 + et

Donde et ∼ N(0; σ22 )

RA σt2 =α0 + α1 et−1
2 2
+ α2 et−2 2
+ ... + αq et−q
q
X
2
=α0 + αi et−i
i=1

Por lo tanto:

ARCH(1) → σt2 = α0 + α1 et−1

2
(1)

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 16, 2018 13 / 29

Modelos para la Medición de Volatilidad

FT
Modelos ARCH(q) (cont.)

 El primer parámetro indica la mı́nima varianza condicional.

 El segundo parámetro mide la PERSISTENCIA DE LA VOLATILIDAD,
si es cercano a uno indica una ALTA PERSISTENCIA DE LOS SHOCKS
DE VOLATILIDAD
 El modelo asume que las noticias positivas y negativas TIENEN EL MISMO
RA
EFECTO sobre la volatilidad, ya que depende de las perturbaciones al cuadrado
rezagadas (q) periodos. Es decir, el precio de un activo financiero responde
indistintamente a noticias positivas y negativas.
 Los modelos ARCH probablemente sobrepredicen la volatilidad ya que ellos re-
sponden lentamente a valores extremos de la serie de retornos.

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 16, 2018 14 / 29

Modelos para la Medición de Volatilidad

FT
Modelos ARCH(q) (cont.)

Para la construcción del modelo ARCH es necesario seguir los siguientes pasos:
i. Construir un modelo ARMA para la serie dada, con el fin de eliminar alguna
dependencia lineal en la media y usar los residuales del modelo para determinar
si existe efecto ARCH.
RA H0 = Los residuos al cuadrado son ruido blanco.
H1 = Los residuos al cuadrado NO son ruido blanco.

Los que se busca en la prueba es no rechazar la hipótesis nula, si al menos una

probabilidad es menor al nivel de significancia se rechaza la hipótesis nula.
ii. Especificar el orden del ARCH(q).
iii. Validar el ajuste del ARCH.

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 16, 2018 15 / 29

Modelos para la Medición de Volatilidad

FT
Modelos GARCH(p, q)
Bollerslev (1986) generaliza los modelos ARCH al proponer GARCH en los cuales
la varianza condicional depende no solo de los cuadrados de las perturbaciones,
como Engle, sino además, de las varianzas condicionales de periodos anteriores.

σt2 =α0 + α1 et−1

2 2
+ α2 et−2 2
+ ... + αq et−q 2
+ β1 σt−1 2
+ ... + βt−p σt−p
q
X p
X
2 2
=α0 + αi et−i + βt−i σt−i
i=1 i=1

 et−1
RA
 α0 Existe homocedasticidad, es decir, no existe efecto ARCH ni GARCH
2
Volatilidad de ayer. La varianza de hoy es mayor si ayer se obtuvo grandes
perturbaciones. Mide la amplitud con la cual los efectos de las volatilidades
pasadas alimentan volatilidades presentes.
2
 σt−1 Varianza de la predicción de ayer. El efecto persiste por mucho tiempo.
 La sumatoria de los errores rezagados y la volatilidad condicional rezagada mide
la tasa a la cual estos efectos van disminuyendo en el tiempo. Si esta persistencia
es mayor o igual que uno es llamado un proceso Integrado GARCH, persistencia
explosiva.
Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 16, 2018 16 / 29
Modelos para la Medición de Volatilidad

FT
Modelos T − GARCH(p, q)

Zakoian (1994) desarrollo los modelos Threshold ARCH, donde las noticias
positivas y negativas son tratadas ASIMÉTRICAMENTE, una aproximación
T-GARCH es:

σt2 = α0 + α1 et−1
2 2
+ γdt−1 et−1 2
+ β1 σt−1
α0 > 0, α1 β1 > 0, 0 < (α1 + β1 ) < 1

Donde:
RA dt =
1 si et < 0 (Malas Noticias)
0 si et > 0 (BuenasNoticias)

El parámetro γ mide el impacto de la asimetrı́a, es conocido como EFECTO DE

APALANCAMIENTO, si es = 0 es un modelo GARCH estándar, cuando hay
buenas noticias (Shock Positivos), el efecto en la volatilidad es α1 , pero si hay
noticias negativas el efecto es α1 + γ.

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 16, 2018 17 / 29

Modelos para la Medición de Volatilidad

FT
Modelos EGARCH(p, q)

 En 1991, Nelson presenta los modelos EGARCH, en los cuales formula para la
varianza condicional un modelo que no se comporta de manera simétrica para
perturbaciones positivas y negativas, como sucede en los modelos GARCH; ex-
presando otro rasgo de la volatilidad: su comportamiento asimétrico frente a las
alzas y bajas de los precios de un activo financiero.
 El modelo EGARCH(1, 1), propone la siguiente ecuación para estimar la volatili-
RA
dad condicional heteroscedástica.
et−1 et−1
lnσt2 = δ0 + δ1 | | +γ 2
+ θ1 lnσt−1
σt−1 σt−1

Donde:
 
et−1 et−1
σt2 = 2
(σt−1 )θ1 · exp δ0 + δ1 | | +γ
σt−1 σt−1

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 16, 2018 18 / 29

Modelos para la Medición de Volatilidad

FT
Modelos EGARCH(p, q)

 Si et−1 > 0 se tiene que la varianza condicional de los errores es:

et−1
lnσt2 = δ0 + (γ + δ1 ) 2
+ θ1 lnσt−1
σt−1

 Si et−1 < 0 se tiene que :

RA lnσt2 = δ0 + (γ + δ1 )
et−1
σt−1
2
+ θ1 lnσt−1

 Los coeficientes (γ + δ1 ) y (γ − δ1 ) muestran la asimetrı́a ante choques positivos

y negativos de et−1 . Observe que si γ < 0,existe efecto de apalancamiento.

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 16, 2018 19 / 29

Modelos para la Medición de Volatilidad

FT
Modelos EGARCH(p, q)

 La varianza incondicional (o de largo plazo) de los errores bajo una estructura

EGARCH (1,1) es,
 
2 δ0
σe = exp
RA 1 − θ1

 Finalmente comparando los modelos GARCH y EGARCH se puede decir que un

modelo GARCH tiene la limitación de que trata los efectos de modo simétrico, de-
bido que utiliza los cuadrados de las innovaciones. Otra importante limitación son
las restricciones que deben cumplir los parámetros, dichas restricciones eliminan
el comportamiento al azar-oscilatorio que pueda presentar la varianza condicional.
En un modelo EGARCH no hay restricciones en los parámetros.

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 16, 2018 20 / 29

Valor en Riesgo (VaR)

FT
Introducción

Si consideramos la desviación estándar, como medida de riesgo,

s
(Ri − R̄i )2
σi =
n−1

esto puede incurrir en que:

 Las distribuciones de los retornos de los activos financieros, no son simétricas, no
RA
tienen colas angostas y existe discontinuidad.
 Cuando se calcula la desviación estándar como medida de volatilidad, esta viene
tanto por las perdidas como ganancia, dado que lo eleva el cuadrado y esto
castiga las ganancias pero no necesariamente esta midiendo la parte que nos
interesa que son las perdidas
 En base a lo anterior, nos podemos preguntar si el:
Riesgo puede ser sinónimo de volatilidad?

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 16, 2018 21 / 29

Valor en Riesgo (VaR)

FT
Introducción (cont.)
Valor en Riesgo es una medida que me indica la máxima perdida esperada, dado
un horizonte de tiempo (diario, semanal, mensual o anual) y un nivel de confianza
dado (usualmente 95%). Utilizado por instituciones para medir su nivel riesgo e
incluso postulada por Acuerdo de Normativa de Basilea (BIS).
Si utilizamos las métricas de BIS, establecen de que tiene que ser un nivel de
confianza al 99% a un horizonte de diez dı́as. Pero en cambio si utilizamos las
métricas de RiskMetrics esta la define a un nivel de confianza al 95% a un horizonte
de un dia. Ahora bien, los calculos del VaR pueden ser tres:
RA
 Método Delta-Normal: Asume normalidad en la distribución de las variables
financieras.
 Método de Simulación: Genera números aleatorios a partir de una distribución
de probabilidad.
 Método de Simulación Histórica: Asume una distribución empı́rica o no para-
metrica. Y se calcula mediante un percentil.
√
VaR = M · F · σi · t
 M: es la Exposición t: Horizonte temporal y σ: Volatilidad del Activo.
 F: Valor que toma la distribución dado un nivel de confianza
Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 16, 2018 22 / 29
Valor en Riesgo (VaR)

FT
Introducción (cont.)

En base a lo anterior, se trato de modelar un indicador que se ubicaba para medir el

nivel de riesgo en la cola izquierda de la distribución. A lo largo del tiempo, fueron
surgiendo problemas con este indicador, por ejemplo:
 No capturar la intensidad de la cola izquierda, es decir, como se ubicaba, por
ejemplo, al 5%, no capturaba si existı́an posibles perdidas mayores que tenı́an
RA
una mayor probabilidad de ocurrir.
 Problemas de sub-aditividad: Cuando un administración tiene definida una
cartera y quiere formar un portafolio entre carteras para disminuir el riesgo, se
esperaba que el VaR fuese menor al VaR de una cartera individual, el cual no
ocurrı́a de esa forma y se presentaba con un mayor VaR. Lo que carece de lógica.
 Problemas de Convenxidad.

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 16, 2018 23 / 29

Valor en Riesgo (VaR)

FT
Problema 1

RA Fuente: Rivas-Llosa, Roddy

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 16, 2018 24 / 29

Valor en Riesgo (VaR)

FT
Problema 2

RA
Fuente: Rivas-Llosa, Roddy

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 16, 2018 25 / 29

Valor en Riesgo (VaR)

FT
Problema 3

RA
Fuente: Rivas-Llosa, Roddy

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 16, 2018 26 / 29

Condicional Valor en Riesgo (CVaR)

FT
Introducción

 Dado los problemas que surgieron de

Valor en Riesgo, se creo el CVaR
para corregir estos problemas, el cual
la interpretación de este indicador de
riesgo es: considera el promedio de las
RA
perdidas hasta la ubicación del VaR,
es decir, cuando en promedio voy a
perder ya estando en la perdida, por
eso se dice que esta condicionada al
VaR.

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 16, 2018 27 / 29

 FT
¡MUCHAS GRACIAS!
Franco A. Mansilla Ibañez
RA fmansilla@fen.uchile.cl

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 16, 2018 28 / 29

 FT
SERIES DE TIEMPO UNIVARIADOS
MODELOS ARCH, GARCH, TGARCH, EGARCH y VaR.

RA Franco A. Mansilla Ibañez

MF-WK PANAMÁ

October 16, 2018

Franco A. Mansilla Ibañez SERIES DE TIEMPO UNIVARIADOS October 16, 2018 29 / 29