Desviación Estandar

⃝
c R EVISTA DE M ATEMÁTICA : T EORÍA Y A PLICACIONES 2019 26(1) : 45–81

CIMPA – UCR ISSN : 1409-2433 (P RINT ), 2215-3373 (O NLINE )
DOI : https://doi.org/10.15517/rmta.v26i1.35518
ESTIMACIÓN DE MODELOS DE VOLATILIDAD

ESTOCÁSTICA VÍA FILTRO AUXILIAR DE
PARTÍCULAS
ESTIMATION OF STOCHASTIC VOLATILITY

MODELS VIA AUXILIARY PARTICLES FILTER
Y ENIREE T ROSEL∗ A RACELIS H ERNÁNDEZ†

S ABA I NFANTE‡
Received: 24/Jan/2018; Revised: 20/Sep/2018;

Accepted: 24/Sep/2018
∗
Departamento de Matemáticas, Facultad de Ciencia y Tecnología, Universidad de Carabobo,
Valencia, Venezuela. E-Mail: [email protected]
†
Escuela de Ciencias Matemáticas y Computacionales, Universidad de Investigación de Tec-
nología Experimental Yachay Tech, Ecuador, & misma dirección que/same address as: Y. Trosel
in Venezuela. E-Mail: [email protected]; [email protected]
‡
Misma dirección que/Same address as: A. Hernández. E-Mail: [email protected];
[email protected]
45
46 Y. TROSSEL — A. HERNÁNDEZ — S. INFANTE
Resumen
El creciente interés en el estudio de la volatilidad para series de instru-

mentos financieros nos lleva a plantear una metodología basada en la ver-
satilidad de los métodos Monte Carlo Secuencial (MCS) para la estimación
de los estados del modelo de volatilidad estocástica general (MVEG). En
este trabajo se propone una metodología basada en la estructura espacio
estado aplicando técnicas de filtrado como es el caso del filtro auxiliar de
partículas para la estimación de la volatilidad subyacente del sistema. Adi-
cionalmente, se propone utilizar un algoritmo Monte Carlo por cadenas de
Markov (MCMC), como es el muestreador de Gibbs para la estimación
de los parámetros. La metodología es ilustrada usando una serie de re-
tornos de datos simulados, y la serie de retornos correspondiente al índice
de precio Standard and Poor’s 500 (S&P 500) para el periodo 1995−2003.
Los resultados evidencian que la metodología propuesta permite explicar
adecuadamente la dinámica de la volatilidad cuando existe una respuesta
asimétrica de esta ante un shock de diferente signo, concluyendo que los
cambios bruscos en los retornos corresponden a valores altos en la volati-
lidad.
Palabras clave: modelos de volatilidad estocástica; modelos espacio estado;

filtro auxiliar de partículas.
Abstract
The growing interest in the study of volatility for series of financial

instruments leads us to propose a methodology based on the versatility of
the Sequential Monte Carlo (SMC) methods for the estimation of the states
of the general stochastic volatility model (GSVM). In this paper, we pro-
posed a methodology based on the state space structure applying filtering
techniques such as the auxiliary particles filter for estimating the underly-
ing volatility of the system. Additionally, we proposed to use a Markov
chain Monte Carlo (MCMC ) algorithm, such as is the Gibbs sampler for
the estimation of the parameters. The methodology is illustrated through
a series of returns of simulated data, and the series of returns correspond-
ing to the Standard and Poor’s 500 price index (S&P 500) for the period
1995 − 2003. The results show that the proposed methodology allows to
adequately explain the dynamics of volatility when there is an asymmet-
ric response of this to a shock of a different sign, concluding that abrupt
changes in returns correspond to high values in volatility.
Keywords: stochastic volatility models; space state models; auxiliary particles

filter.
Mathematics Subject Classification: 62LXX.
Rev.Mate.Teor.Aplic. (ISSN print: 1409-2433; online: 2215-3373) Vol. 26(1): 45–81, Jan–Jun 2019
ESTIMACIÓN DE MODELOS DE VOLATILIDAD ESTOCÁSTICA VÍA ... 47
1 Introducción
En finanzas, el término volatilidad se refiere a la desviación estándar de los re-
tornos continuos de un instrumento financiero, y representa el riesgo que involu-
cra dicho instrumento. El paradigma central en las finanzas consiste en asumir
ciertos riesgos para obtener beneficios, y por lo tanto se busca minimizar los
riesgos de las posibles pérdidas y al mismo tiempo maximizar los rendimientos
esperados.
La volatilidad de un período futuro representa una medida del riesgo a con-
siderar, por lo que es necesario no sólo una medida de la volatilidad actual, sino
también una predicción de la volatilidad a futuro. Como la volatilidad varía en
el tiempo, los modelos clásicos de series de tiempo no son adecuados porque
parten del hecho que la varianza es constante, y en las series financieras es ca-
racterístico encontrar períodos de alta volatilidad seguidos de períodos de baja
volatilidad.
En este sentido, ha habido un incremento en el modelaje de la evolución
dinámica de la volatilidad y una de estas tendencias lo constituyen los modelos
de volatidad estocástica (MVE) en donde la volatilidad se modela como una va-
riable latente no observada. El interés por estos modelos comienza con el trabajo
de Clark [4] quien propuso un modelo de mezcla para la distribución de los cam-
bios en el stock de precios. De acuerdo con [11], los MVE tienen sus raíces tanto
en las matemáticas financieras como en la econometría, y es así como los distin-
tos MVE se originan de temas muy diferentes. Así, en [1] se asume volatilidad
constante para las opciones de precio pero los estudios empíricos demostraron
que esta suposición no era realista. Esto motivó a Hull y White [15] a introducir
un modelo para las opciones de precio con volatilidad estocástica, lo que con-
tribuyó al desarrollo del concepto de volatilidad latente ya introducido por [19].
En [26, 10] notaron que un MVE con varianza condicional autocorrelacionada
que varía en el tiempo, era más apropiado para las series de cambios de precios.
La característica principal de los MVE es que la volatilidad se modela como
una variable latente no observada, este procedimiento permite capturar de una
manera más apropiada las principales propiedades empíricas observadas en las
series diarias de retornos financieros como son la aleatoriedad y la persisten-
cia [2, 25]. Sin embargo, la estimación de los MVE resulta complicada porque
no se puede construir de forma exacta la función de verosimilitud que depende
de integrales múltiples de alta dimensión [28]. En las últimas décadas, se han
desarrollado diferentes métodos para estimar los parámetros de los modelos de
volatilidad estocástica, entre los cuales se destacan el método de quasi máxima
verosimilitud [13], en donde una ecuación de obsevación no lineal se transforma
en un modelo lineal al considerar los cuadrados de las observaciones y luego
tomando el logaritmo de estos. En [13] se aproxima la distribución de los rui-

dos de las observaciones por una distribución normal y usa el filtro de Kalman
para calcular la quasi-verosimilitud. Además, [5, 6] aproximan la verosimili-
tud usando integración de Monte Carlo y proponen un método eficiente llamado
muestreador de importancia acelerado Gaussiano. La estimación Bayesiana vía
algoritmos de Monte Carlo por Cadenas de Markov (MCMC) ha sido amplia-
mente usada en los MVE desde los años noventa. En [17] se adoptó el esquema
del muestreador de Gibbs, y [24] emplearon el algoritmo de Metropolis-Hasting.
[18, 3, 22], reformularon los MVE aproximando la distribución log(χ2 ) con una
mezcla de distribuciones normales; mientras que [29] implementó la estimación
de los MVE usando el software WinBUGS.
Por otra parte, los métodos MCS también se han usado ampliamente para
la estimación de los parámetros en los modelos de volatilidad dinámicos. Los
métodos MCS son una familia de metodologías que se usan para la simulación
de Monte Carlo en sistemas dinámicos estocásticos, comprende técnicas simples
y flexibles que permiten la tarea de estimar y optimizar generando recursiva-
mente muestras de las variables estado o de alguna otra variable latente del sis-
tema [21, 8, 20, 7]. Estos métodos tienen la habilidad de adaptarse a diferentes
modelos dinámicos que pueden tener los estados no observados, como por ejem-
plo ser no lineales y/o no Gaussianos. Son métodos muy flexibles, fáciles de
implementar que se pueden paralelizar. En los sistemas financieros, los métodos
MCS han captado la atención por la capacidad de estimar variables de sistemas
que incluyen ruidos multiplicativos, e incluso difusiones de salto.
En este artículo, se propone implementar una metodología bajo el paradigma

Bayesiano para estimar el modelo de volatilidad estocástica general (MVEG),
basada en la estructura espacio-estado que permite modelar la dinámica de la
volatilidad presente de una manera latente en los retornos de instrumentos fi-
nancieros. La metodología que se propone y que es el aporte principal de esta
investigación, combina los métodos MCS a través de técnicas de filtrado basadas
en el filtro auxiliar de partículas que permite la estimación de la volatilidad
subyacente, en conjunto con el algoritmo muestreador de Gibbs como método
MCMC, para la estimación de los parámetros del modelo propuesto. Esta me-
todología es ilustrada haciendo uso de los retornos de una serie financiera simu-
lada, así como también se presenta una aplicación de esta metodología propuesta
en la serie de retornos correspondiente el índice de precio Standard and Poor’s
500 (S&P 500) para el período 1995 − 2003.
El resto de este artículo se organiza como sigue: en la sección 2 se define el

modelo de volatilidad estocástica general (MVEG), en la sección 3 se plantea el
algoritmo de filtro auxiliar de partículas (FAP) para la estimación del MVEG, en
la sección 4 se desarrolla el algoritmo Gibbs para la estimación de los paráme-
tros, en la sección 5 se muestran los resultados y en la sección 6 se establece la
discusión, conclusiones y recomendaciones.
2 Modelo de volatilidad estocástica general (MVEG)

El modelo de volatilidad estocástica general (MVEG) descrito por [27] se puede
escribir como:
yt = εt exp(ht /2) (1)

ht = µ(1 − ϕ) + ϕht−1 + ση ηt (2)
( )
ση2
h0 ∼ N µ, (3)
1 − ϕ2
( ) ( )
εt 1 0
∼ N (0, Σ) y Σ= . (4)
ηt 0 1
La variable yt representa los retornos observados en el tiempo t, el proceso

{ht } corresponde a la log-volatilidades no observadas, µ es la tendencia en la
ecuación de estado, ση es la volatilidad de la log-volatilidad y ϕ es el parámetro
de persistencia( o error. )
Sea θ = µ, ϕ, ση2 , el vector de parámetros desconocidos con las restric-
ciones: 0 ≤ ϕ < 1 y ση2 > 0, además se considera que
h0 ∼ N (µ, ση2 /(1 − ϕ2 )). La log-volatilidad ht se considera un proceso esta-
cionario AR(1) con un parámetro de persistencia ϕ que cumple la condición
|ϕ| < 1. Los errores εt capturan los errores de medición y muestreo, mientras
que los errores ηt evalúan la variación de la dinámica que sigue la volatilidad
subyacente del sistema.
Luego, al calcular la esperanza y varianza de la ecuación de observación,
se obtiene que E[yt |ht ] = 0 y V ar[yt |ht ] = exp(ht ), pero si εt ∼ N (0, 1),
entonces:
yt |ht ∼ N (0, exp(ht )). (5)
En consecuencia, al calcular la esperanza y varianza de la ecuación de obser-

vación se obtiene, E[ht |ht−1 , θ] = µ (1 − ϕ) + ϕ ht−1 y V ar[ht |ht−1 , θ] = ση2 ,
pero si ηt ∼ N (0, 1), entonces:
ht |ht−1 , θ ∼ N (µ (1 − ϕ) + ϕ ht−1 , ση2 ). (6)
Reescribiendo de manera jerárquica la ecuación de observación (1) y la

ecuación de estado (2), se obtiene la siguiente representación:
yt |ht ∼ N (0, exp(ht ))

ht |ht−1 , θ ∼ N (µ (1 − ϕ) + ϕ ht−1 , ση2 ) (7)
( )
ση2
h0 ∼ N µ, .
1 − ϕ2
Así el modelo MVEG en (7) pertenece a una clase general de modelos llama-
dos modelos paramétricos dinámicos de variable latente. El uso de estos modelos
se ha vuelto popular por la flexibilidad que ellos ofrecen para modelar fenómenos
complejos como los que se presentan en la dinámica financiera. Sin embargo,
estos modelos conducen a estructuras no lineales tanto en la ecuación de obser-
vación como en la ecuación de estado, además, los errores de medición en la
ecuación de observación y/o los errores de la ecuación de estado pueden tener
comportamientos Gaussianos y/o no Gaussianos. Sin embargo, la estimación de
los parámetros del MVEG (7) no es fácil porque el proceso de retornos depen-
den de la consideración de un modelo autoregresivo de volatilidad estocástica,
lo que impide construir la función de verosimilitud de forma exacta. En vista
de estas dificultades, la estimación del modelo en (7) se hará bajo el paradigma
Bayesiano usando la metodología que se propone en este artículo que hace uso
de una combinación de los métodos Monte Carlo secuencial (MCS) con Monte
Carlo por cadenas de Markov (MCMC), en particular se propone utilizar el filtro
auxiliar de partículas como MCS en conjunto con el algoritmo muestreador de
Gibbs como método MCMC.
3 Filtro auxiliar de partículas

En los últimos 20 años se han desarrollado algoritmos de simulación para ex-
plorar la distribución a posteriori de los modelos Bayesianos jerárquicos. En
particular, los algoritmos de Monte Carlo por Cadenas de Markov (MCMC) han
resultado muy populares para aproximar integrales y densidades de probabilidad.
Sin embargo, estos algoritmos son incapaces de manejar parámetros que evolu-
cionan en el tiempo porque asumen que estos son fijos y en consecuencia las
densidades son invariantes en el tiempo. En muchas aplicaciones se necesita
muestrear a partir de una secuencia de distribuciones que cambian con el tiempo.
Así por ejemplo, las observaciones se pueden registrar secuencialmente en el
tiempo con el interés de ejecutar la inferencia Bayesiana en tiempo real de ma-
nera que se pueda actualizar y predecir la distribución a posteriori cada vez que
se disponga de un nuevo dato en el tiempo.
En este sentido, los métodos de Monte Carlo Secuencial (MCS) [8] consti-
tuyen una familia de algoritmos, los cuales propagan recursivamente un conjunto
de muestras aleatorias con pesos asociados llamadas partículas. Estos métodos
son conocidos como filtros de partículas [12], y proporcionan una solución sub-
optimal pero factible al problema de filtraje Bayesiano. La meta de estos méto-
dos es estimar la distribución de filtrado de los estados latentes y poder estimar
la evolución de un vector de estados en cada instante de tiempo, basándose en
cierta información. En consecuencia, la densidad de probabilidad a posteriori
se aproxima a partir de un conjunto discreto de muestras o partículas, cada una
con un peso asociado, lo que permite convertir integrales intratables en sumato-
rias calculables de manera más sencilla. A medida que se aumenta el número
de partículas empleado, mejor es la aproximación llevada a cabo y, por lo tanto,
se asemeja más a la función continua descrita por la función de probabilidad a
posteriori.
La idea es aproximar las densidades a posteriori o densidad filtrada como
sigue:
p(xt | yt ) ∝ p(yt | xt )p(xt ), (8)
en cada tiempo t por una muestra aleatoria de partículas xit , con i = 1, . . . , I con
los correspondientes pesos πti . Luego, la posterior (8) se estima empíricamente
por:
∑
I
p(xt | yt ) = πti δ(xt − xit ), (9)
i=1
donde δ(xt − xit ) es la función delta de Dirac centrada en la partícula xit . Usando
(9), la integral para calcular la priori se reemplaza por sumas:
∫ ∑
I
p(xt+1 ) = p(xt+1 | xt ) p(xt | yt ) dxt ≈ πti p(xt+1 | xit ). (10)
i=1
Así que la distribución a posteriori filtrada se puede aproximar como:
∑
I
p(xt+1 | yt+1 ) ∝ p(yt+1 | xt+1 ) πti p(xt+1 | xit ). (11)
i=1
Asumiendo que se tiene un conjunto de partículas que aproxima lo suficien-

temente bien en el tiempo t a la densidad a posteriori p(xt | yt ), entonces el pro-
blema es como muestrear un conjunto de partículas a partir de la nueva densidad
a posteriori p(xt+1 | yt+1 ) en (11). La estimación eficiente a partir de la densidad
a posteriori es el tema central de la mayoría de los métodos en la literatura de
filtros de partículas [8].
Una observación importante sobre la funcionalidad de los filtros es que la
priori en (10) se puede considerar como una mezcla de densidades a partir de la
cual es fácil muestrear: se selecciona la i-ésima componente de la
mezcla p(xt+1 | xit ) con probabilidad πti . En este sentido, el filtro SIR
(Sampling/Importance Resampling) [12, 16] involucra primero muestrar a par-
j
tir de la priori (10) y luego asignar a cada partícula j muestreada un peso πt+1
j
proporcional a la verosimilitud p(yt+1 | xt+1 ), y finalmente remuestrear para que
todas las partículas pesen igual.
El principal problema con los filtros SIR es que requieren muchas partículas
para asegurar la convergencia cuando la verosimilitud p(y | x) es muy puntiaguda
o está localizada en una de las colas de la priori [23], y este último caso es mucho
más problemático en caso de valores extremos. Otro problema importante en la
práctica es que el modelo p(yt | xt ) de las observaciones puede involucrar un
vector xt con dimensión alta.
Una solución al problema de muestrear de manera óptima a partir de la den-
sidad a posteriori, fue propuesta en [23] bajo el nombre de filtro auxiliar de
partículas (FAP) que ofrece una solución intuitiva al problema de remuestreo
de partículas basada en su verosimilitud predictiva y explicando las nuevas ob-
servaciones antes que se propaguen [9]. El algoritmo para el FAP se reduce a
muestrear a partir de la posterior p(xt+1 | yt+1 ) en (11) insertando la verosimili-
tud dentro de esta mezcla:
∑
I
p(xt+1 | yt+1 ) ∝ πti p(yt+1 | xt+1 ) p(xt+1 | xit ), (12)
i=1
y tratar los productos πti p(yt+1 | xt+1 ) como componentes de

probabilidad para muestrear a partir de la respectiva mezcla.
Como la verosimilitud p(yt+1 | xt+1 ) en este producto involucra al vector de

estado xt+1 no observado, entonces en [23] sugieren una aproximación a (12)
como:
∑
I
p̂(xt+1 | yt+1 ) ∝ πti p(yt+1 | µit+1 ) p(xt+1 | xit ), (13)
i=1
donde µit+1 es el valor más probable asociado con la i-ésima componente de

la densidad de transición p(xt+1 | xit ), por ejemplo la media. Después de haber
muestreado un conjunto de J = 1, . . . , I partículas xjt+1 a partir de la mezcla en
(13), entonces sus pesos son proporcionales a:
p(yt+1 | xjt+1 )
i
πt+1 ∝ i
, (14)
p(yt+1 | µt+1
j
)
i i
donde µt+1j
es el valor más probable asociado al componente p(xt+1 | xtj ) en
la mezcla en (13), a partir del cual se ha muestreado la partícula j. Al calcular
las partículas como en (14) se tiene el beneficio de crear partículas con pesos
mucho menos variables que con el filtro SIR, lo cual es un punto muy importante
especialmente en el caso de valores extremos [23].
El FAP se puede considerar un procedimiento donde cada partícula xit es
propagada por µit+1 en el próximo paso de tiempo para realizar el muestreo a
partir de la posterior. El método resultante es particularmente eficiente porque
sólo requiere de la habilidad para muestrear del modelo de transición y evaluar
la función de verosimilitud p(yt | xt ). Esto hace que el FAP resulte atractivo
en comparación con otros métodos alternativos que requieren de una estructura
más especializada de los datos para muestrear a partir de la posterior, además su
flexibilidad de implementación permite incorporar diversas técnicas para mejorar
su funcionamiento en problemas específicos, como es el FAP que se usa en este
trabajo para el MVEG planteado en (1) y en (2), donde la meta es muestrear las
t } a partir de la función de densidad de probabilidad
variables estado {h11 , . . . , hM
filtrada p(ht |Ft , θ), con Ft denotando la información disponible hasta el tiempo
t. En este sentido, en este trabajo se plantea el siguiente algoritmo:
Filtro auxiliar de partículas para el MVEG

1. Inicializar el algoritmo con una muestra h10 , . . . , hM
0 de la distribución
p(h0 ).
2. Dada {h1t−1 , . . . , hM
t−1 } de p(ht |Ft−1 , µ, ϕ, ση ), calcular
2
ĥm
t t−1 − µ),
= µ + ϕ(hm
wj = p(yt |ĥm
t ), m = 1, . . . , M.
3. Muestrear R veces los índices 1,2,. . . , M con probabilidades proporcionales

a {wm }, y obtener una muestra {i1 , . . . , iR }. Asociar la muestra indexada
i1 iR
t correspondientes y obtener una muestra {ĥt , . . . , ĥt }. Aso-
con los ĥm
i1 iR
t y obtener otra muestra {ht , . . . , ht }.
ciar la muestra indexada con los hm
En este trabajo se considera R cinco veces más grande que M .
4. Para cada valor de ir simular
ȟrt ∼ N (µ + ϕ(hitr − µ), ση2 ), r = 1, . . . , R.
5. Remuestrear M veces el conjunto {ȟit1 , . . . , ȟitR } con probabilidades pro-

porcionales a
p(yt |ȟrt )
, r = 1, . . . , R,
p(yt |ĥitr )
para producir una muestra filtrada {h1t , . . . , hM
t } de p(ht |Ft , µ, ϕ, ση ).
2
4 Estimación de parámetros para el modelo MVEG a

través del muestreador de Gibbs
Se asume a priori que los parámetros del MVEG, θ = (µ, ϕ, ση2 ), son indepen-
dientes entre sí, de manera que p(µ, ϕ, ση2 ) = p(µ)p(ϕ)p(ση2 ), y que:
p(µ) ∼ N (αµ , βµ2 ),

p(ϕ) ∼ N (αϕ , βϕ2 ) I(−1,1) (ϕ), (15)
p(ση2 ) ∼ IG(ασ , βσ ),
donde IG(, ) denota la distribución inversa gamma, y se usa una
distribución normal truncada para el parámetro ϕ con el fin
de descartar el comportamiento cerca de las raíces unitarias.
Luego, por la regla de Bayes, las distribuciones condicionales a posteriori de

cada uno de los parámetros del MVEG están dadas como:
p(µ | y, h, ϕ, ση2 ) ∝ p(h | µ, ϕ, ση2 ) p(µ),

p(ϕ | y, h, ση2 , µ) ∝ p(h | µ, ϕ, ση2 ) p(ϕ), (16)
p(ση2 | y, h, µ, ϕ) ∝ p(h | µ, ϕ, ση2 ) p(ση2 )
y al condicionar de manera sucesiva se obtiene:
∏
T
p(h | µ, ϕ, ση2 ) = p(h0 | µ, ϕ, ση2 ) p(ht | ht−1 , µ, ϕ, ση2 ). (17)
t=1
Al insertar las densidades a priori p(ση2 ), p(ϕ), p(µ) y (17) en (16), el resultado
es el siguiente:
∏
T
p(ση2 |y, h, µ, ϕ) ∝ p(h0 |µ, ϕ, ση2 ) p(ht |ht−1 , µ, ϕ, ση2 ) p(ση2 ),
t=1
∏T
p(ϕ|y, h, ση2 , µ) ∝ p(h0 |µ, ϕ, ση2 ) p(ht |ht−1 , µ, ϕ, ση2 ) p(ϕ),
t=1
∏T
p(µ|y, h, ϕ, ση2 ) ∝ p(h0 |µ, ϕ, ση2 ) p(ht |ht−1 , µ, ϕ, ση2 ) p(µ).
t=1
Luego se obtiene la distribución condicional a posteriori para cada uno de

los parámetros como se detalla a continuación:
a) Distribución condicional a posteriori para ση2 :
p(ση2 |y, h, µ, ϕ) ∝ p(h|µ, ϕ, ση2 ) p(ση2 )

∏
T
∝ p(h0 |µ, ϕ, ση2 ) p(ht |ht−1 , µ, ϕ, ση2 ) p(ση2 )
t=1
 
( )ασ + T + 1 +1
1 2
∝
ση2
 ( ∑ )
βσ + 12 (h0 − µ)2 (1 − ϕ2 )+ 12 Tt=1 (ht −µ−ϕ(ht−1 −µ))2
× exp − 
ση2
∼ Inv − Gamma(α̂σ , β̂σ ), (18)
donde:
T +1
α̂σ = ασ + ,
2
1∑
T
1
β̂σ = βσ + (h0 − µ)2 (1 − ϕ2 ) + (ht − µ − ϕ(ht−1 − µ))2 .
2 2
t=1
b) Distribución posterior condicional para ϕ:
p(ϕ|y, h, ση2 , µ) ∝ p(h|µ, ϕ, ση2 ) p(ϕ)

∏
T
∝ p(h0 |µ, ϕ, ση2 ) p(ht |ht−1 , µ, ϕ, ση2 ) p(ϕ)
t=1
{ [ ( ∑ )
1 2 (h0 − µ) + Tt=1 (ht−1 − µ)2 1
∝ exp − ϕ − + 2
2 ση2 βϕ
(∑ )]}
t=1 (ht − µ)(ht−1 − µ)
T
αϕ
− 2ϕ + 2 I(−1,1) (ϕ)
ση2 βϕ
( )
D 1
∼ N , I(−1,1) (ϕ), (19)
C C
donde:
∑T
(h0 − µ) + t=1 (ht−1 − µ)2 1
C = − + ,
ση2 βϕ2
∑T
t=1 (ht − µ)(ht−1 − µ) αϕ
D = + 2.
ση2 βϕ
c) Distribución posterior condicional para µ:
p(µ|y, h, ϕ, ση2 ) (20)

∝ p(h|µ, ϕ, ση2 ) p(µ)
[ ]
1 ∑
T
µ 2µαµ
+ 2 (−2µ(1 − ϕ)(ht − ht−1 ) + µ (1 − ϕ) ) + 2 −
2 2
ση βµ βµ2
t=1
{ [ ( )
1 2 1 − ϕ2 + T (1 − ϕ)2 1
∝ exp − µ + 2
2 ση2 βµ
| {z }
A
( ∑ ) ]}
h0 (1 − ϕ2 ) + (1 − ϕ) Tt=1 (ht − ht−1 ) αµ
−2µ + 2 (21)
ση2 βµ
| {z }
B
completando cuadrados en (20): ( )

B
Aµ − 2µB = A µ − 2µ
2 2
A
( )
B B2 B2
= A µ − 2µ + 2 − 2 A
2
A A A
( )2
B
= A µ− ,
A
entonces, la expresión (20) queda: ( ( ) )

1 B 2
p(µ|y, h, ϕ, ση2 ) ∝ exp − A µ − (22)
2 A
( )
B 1
∼ N , . (23)
A A
Luego, dada las distribuciones condicionales a posteriori en (18), (19) y (22), se

usa el algoritmo del muestreador de Gibbs para la actualización de los paráme-
tros del MVEG como sigue:
(0)
1. Se inicializa θ(0) = (µ(0) , ϕ(0) , ση2 ).
2. Para t = 1, . . . , T ,
(t)
• Generar ση2 de p(ση2 |y, h(t) , µ(t−1) , ϕ(t−1) ).
(t)
• Generar ϕ(t) de p(ϕ|y, h(t) , ση2 , µ(t−1) ).
(t)
• Generar µ(t) de p(µ|y, h(t) , ϕ(t) , ση2 ).
3. Retorna los valores {θ(1) , θ(2) , . . . , θ(T ) }.
Una vez obtenidas las trazas simuladas a partir de la distribución a posteriori de

los parámetros de interés, es necesario hacer un diagnóstico de convergencia a
largo plazo para probar la hipótesis nula de que las muestras simuladas provienen
de una distribución estacionaria. Una de estas pruebas es el diagnóstico de con-
vergencia de [14] que utiliza el estadístico de Cramer-Von-Mises.
Toda la metodología propuesta para ajustar el MVEG se implementó bajo
el entorno de programación R (www.r-project.org) y el análisis de convergencia
de las trazas simuladas a partir de las distribuciones a posteriori de interés, se
realizó usando el paquete CODA perteneciente al entorno de R.
5 Resultados
En esta sección se presenta los resultados del ajuste del MVEG bajo la metodo-
logía propuesta que se implementó para la serie de retornos de datos simulados y
para la serie de retornos del Standard and Poor’s 500 (S&P 500) para el periodo
1995 − 2003.
5.1 Datos simulados
Para realizar el proceso de inferencia y estimación del MVEG, se simuló una

serie de observaciones con T = 3000 y M = 600 y se consideró los valores
iniciales para los parámetros (µ, ϕ, ση2 ) = (0.49, 0.975, 0.05). Con estas obser-
vaciones simuladas, yt , se ajustó el MVEG y como T = 3000 se consideró
entonces presentar las M = 600, muestras simuladas para µ, ϕ y ση2 , respecti-
vamante, pero solo la densidad a posteriori para t = 500, t = 1000 t = 2000 y
t = 3000 por las limitaciones de espacio. Sin embargo, hay que acotar que para
cada t con t = 1, . . . , 3000 se obtuvo convergencia pero por las limitaciones de
espacio sólo se consideró mostrar los resultados para los valores de t indicados.
En este sentido, usando el muestreador de Gibbs con las distribuciones a
posteriori dadas por (18), (19) y (22), se obtuvieron las muestras simuladas para
cada uno de los parámetros µ, ϕ y ση2 . Las Figuras 1, 2 y 3 muestran las trazas
y la densidades empíricas a posteriori para los valores simulados de µ, ϕ y ση2 ,
respectivamente.
Figura 1: Trazas simuladas para el parámetro µ y densidades empíricas.
Figura 2: Trazas simuladas para el parámetro ϕ y densidades empíricas.
Figura 3: Trazas simuladas para el parámetro σ y sus densidades empíricas.
En cada uno de estos gráficos se observa que las trazas convergen y se esta-
bilizan casi simétricamente alrededor de un valor que corresponde a su media a
posteriori, como bien lo señalan las respectivas densidades empíricas.
Por otra parte, en las Figuras 4, 5 y 6, se observan las autocorrelaciones de

cada una de las muestras simuladas para cada uno de los parámetros µ, ϕ y ση2
con cada uno de los valores seleccionados de t. Estas autocorrelaciones mues-
trales dan evidencias de que las trazas generadas son muestras aproximadamente
independientes.
Figura 4: Autocorrelaciones simuladas para el parámetro µ.
Figura 5: Autocorrelaciones simuladas para el parámetro ϕ.
Figura 6: Autocorrelaciones simuladas para el parámetro ση2 .
La Tabla 1 muestra los resultados de la prueba de diagnóstico de conver-

gencia de [14] que consiste en una prueba de estacionaridad basada en la teoría
del puente Browniano y el estadístico de Cramer-von-Mises. Los resultados
obtenidos indican la convergencia de las trazas simuladas de los parámetros µ, ϕ
y ση2 , para los casos t = 500, t = 1000, t = 2000 y t = 3000.
Tabla 1: Prueba de diagnóstico de convergencia de Heidelberger-Welch para las trazas

simuladas de los parámetros µ, ϕ y ση2 .
Parámetros N ◦ de Muestras Prueba de P-valor Prueba Media a SD

estacionaridad Halfwidth posterior
µ500 600 No rechazar 0.980 No rechazar 0.496 9.583e-05
ϕ500 600 No rechazar 0.368 No rechazar 0.967 1.031e-04
2
ση,500 600 No rechazar 0.620 No rechazar 0.013 7.504e-04
2
2
2
Para cada t = 1, . . . , 3000 se calculó la media a posteriori de cada una de

las trazas simuladas con M = 1, . . . , 600 valores. La Figura 7 muestra la evolu-
ción en el tiempo de los valores de las medias a posteriori para las muestras
simuladas de cada uno de los parámetros µ, ϕ y ση2 en el transcurrir del tiempo,
observándose poca variabilidad de estas medias en la medida que t incrementa.
Figura 7: Vector de medias a posteriori de las trazas simuladas para cada uno de los
parámetros.
Luego, usando el algoritmo de FAP propuesto, se predicen y actualizan los

valores de la variable estado ht que representa la volatilidad en el MVEG. De esta
manera, para los datos yt simulados se obtuvieron las trazas de tamaño M = 600
de ht con t = 1, . . . , 3000. Sin embargo, por las razones antes explicadas, se
presentan los resultados de las trazas simuladas para ht con t = 500, t = 1000,
t = 2000 y t = 3000 obtenidas con el algoritmo de FAP propuesto.
La Figura 8 muestra las trazas simuladas para la volatilidad ht con t = 500,

t = 1000, t = 2000 y t = 3000, además de las densidades empíricas correspon-
dientes, observándose que las mismas convergen alrededor de un valor central.
Figura 8: Trazas simuladas para la volatilidad ht y densidades empíricas.
Las pruebas analíticas de la convergencia de las trazas simuladas para la

volatilidad ht , en los tiempos t que fueron seleccionados, son mostradas en la
Tabla 2, y las mismas indican convergencia al valor donde las trazas simuladas
se estabilizan y que se conoce como media a posteriori.
Tabla 2: Prueba de diagnóstico de convergencia de Heidelberger-Welch para las mues-

tras simuladas de la volatilidad.
Estados No de Muestras Prueba de P-valor Prueba Media a SD

h500 600 No rechazar 0.941 No rechazar 0.790 0.279
Finalmente, en la Figura 9 se pueden apreciar los retornos de los datos si-

mulados y la volatilidad de los mismos para cada t = 1, . . . , 3000, donde cada
valor de esta volatilidad corresponde a la media a posteriori de las trazas simu-
ladas a través del FAP propuesto. En general, se pueden apreciar periodos donde
la volatilidad no es muy grande y donde los retornos no sufren grandes cam-
bios, y periodos en los que la volatilidad es mayor, resultando periodos menos
atractivos para los inversionistas porque se pueden presentar fugas de capitales.
También, se puede apreciar que cada aumento en los retornos corresponde a un
salto en la volatilidad estimada, por lo tanto al observar la correspondencia entre
ambas gráficas de la Figura 9, se concluye que cambios bruscos en los retornos
corresponden a valores altos en la volatilidad.
5.2 Datos reales: índice bursátil S&P 500

El índice Standard & Poor’s 500, también conocido como S&P 500, es uno de los
índices bursátiles más importantes y representativos de los Estados Unidos, que
incluye las 500 compañías líderes que poseen acciones que se cotizan en la bolsa
de New York o en NASDAQ, y que captura una cobertura de aproximadamente el
80% de la capitalización del mercado disponible. El S&P 500 está diseñado para
ser uno de los principales indicadores de la evolución del mercado de valores en
Estados Unidos. Se distingue de otros índices del mercado financiero de los
Estados Unidos por la diversidad de rubros de las empresas que lo conforman,
y por su metodología de ponderación que pesa a las empresas de acuerdo con
su capitalización del mercado total que es de libre flotación, lo que significa
que solo tiene en cuenta el número de acciones disponibles para su negociación
Figura 9: Retornos y volatilidad para datos simulados.
entre inversores institucionales y minoristas. De esta manera se excluye acciones

inmovilizadas dentro de la propia empresa y las inversiones estatales.
Del índice de precio del S&P 500 se utilizaron los valores de apertura diarios
en el periodo comprendido entre 16-05-1995 hasta el 24-04-2003, es decir, un to-
tal de 2072 observaciones (http://www.econstats.com/index.htm).
Se escogieron los valores iniciales para los parámetros como
(µ, ϕ, ση2 ) = (0.5, 0.975, 0.02), de acuerdo a la información preliminar que se
tenía de los datos.
La Figura 10 muestra el valor del índice S&P 500 y los correspondientes

retornos desde el año 1995 hasta el año 2003, donde se observa que para el
periodo bajo estudio, el índice S&P 500 tiene una marcada tendencia a crecer
y decrecer pero con grandes saltos, como también se observa en los retornos
correspondientes.
Figura 10: Datos y retornos del S&P 500.
Usando el muestreador de Gibbs, se obtuvieron las trazas simuladas de los

parámetros µ, ϕ y ση2 a partir de su distribución a posteriori de acuerdo a (18),
(19) y (22). Como T = 2072, se considera presentar las M = 500 muestras
simuladas para µ, ϕ y ση2 , y sus respectivas densidades a posteriori para t = 400,
t = 1001, t = 1600 y t = 2071. Sin embargo, hay que acotar que para cada t
con t = 1, . . . , 2072 se obtuvo convergencia, pero por las limitaciones de espacio
solo se considera mostrar los resultados para t = 400, t = 1001, t = 1600 y
t = 2071.
En las Figuras 11, 12 y 13, se muestran las trazas simuladas para cada uno de
los parámetros µ, ϕ y ση2 , y sus respectivas densidades empíricas para cada uno
de los t seleccionados. En cada uno de ellos se observa que las trazas simuladas,
para los t escogidos de manera sistemática, convergen alrededor de un valor que
representa la media a posteriori en cada caso, y que corresponde a la moda de
las densidades empíricas de cada una de las trazas.
Por otra parte, las Figuras 14, 19 y 20 muestran las autocorrelaciones para
cada traza simulada en el caso de cada t, indicando que las trazas generadas son
muestras aproximadamente independientes.
Figura 11: Trazas simuladas para el parámetro µ y densidades empíricas para el S&P
500.
Figura 12: Trazas simuladas para el parámetro ϕ y densidades empíricas para el S&P
500.
Figura 13: Trazas simuladas para el parámetro ση2 y densidades empíricas para el S&P
500.
Figura 14: Autocorrelaciones simuladas para el parámetro µ para el S&P 500.
Figura 15: Autocorrelaciones simuladas para el parámetro ϕ para el S&P 500.
Figura 16: Autocorrelaciones simuladas para el parámetro ση2 para el S&P 500.
La Tabla 3 muestra los resultados de la prueba de diagnóstico de convergen-

cia de [14] realizadas a cada una de las trazas simuladas de los parámetros µ,
ϕ y ση2 en los tiempos t seleccionados. Estos resultados indican que realmente
cada una de las trazas simuladas convergen a un valor que representan la media
a posteriori.
Tabla 3: Prueba de diagnóstico de convergencia de Heidelberger-Welch para las trazas

simuladas de los parámetros µ, ϕ y ση2 para el S&P 500.
Parámetros N ◦ de Muestras Prueba de P-valor Prueba Media a SD

σ400 500 No rechazar 0.232 No rechazar 0.019 1.217e-03
Para observar el comportamiento de los parámetros µ, ϕ y ση2 a través del

tiempo, para cada t = 1, . . . , 2072 se calculó la media a posteriori de cada una
de las trazas simuladas con M = 1, . . . , 500 valores. La Figura 17 muestra los
valores de las medias a posteriori de cada uno de los parámetros µ, ϕ y ση2 en
el transcurrir del tiempo, observándose poca variabilidad de estas medias en la
medida que t incrementa.
Figura 17: Vector de medias a posteriori de las trazas simuladas para cada uno de los
parámetros para el S&P 500.
Por otra parte, para predecir y actualizar los valores de la variable estado ht ,
que representa la volatilidad en el modelo MVEG, se usa el algoritmo de FAP
propuesto. Para los retornos del S&P 500 se obtuvieron las trazas de tamaño
M = 500 para ht con t = 1, . . . , 2072. Sin embargo, por razones de espacio, se
presentan los resultados de las trazas simuladas para ht con t = 400, t = 1001,
t = 1600 y t = 2071. La Figura 18 muestra las trazas simuladas para la vola-
tilidad ht con t = 400, t = 1001, t = 1600 y t = 2071, además de las densi-
dades empíricas correspondientes. Se puede observar que las trazas convergen
alrededor de un valor central y este hecho implica que las densidades empíricas
correspondientes sean aproximadamente simétricas alrededor de este valor cen-
tral, que representa la media a posteriori. Además, en la Figura 19 se presentan
las autocorrelaciones muestrales para las trazas simuladas de la volatilidad ht , y
estas gráficas indican que son muestras aproximadamente independientes.
Las pruebas de convergencia de las trazas simuladas para la volatilidad ht
en los tiempos t seleccionados, se muestran en la Tabla 4. Las pruebas indican
que las trazas simuladas realmente convergen a un valor que representa la media
posterior y que corresponde a la moda en las densidades empíricas que siguen
estas trazas.
Tabla 4: Prueba de diagnóstico de convergencia de Heidelberger-Welch para la volati-

lidad del S&P 500.
Estados No de Muestras Prueba de P-valor Prueba Media a SD

Figura 18: Trazas simuladas para la volatilidad ht y densidades empíricas para el S&P
500.
Figura 19: Autocorrelaciones simuladas para la volatilidad ht para el S&P 500.
Figura 20: Retornos y volatilidad del S&P 500.
6 Discusión y conclusiones
En el presente trabajo se combinaron dos técnicas Monte Carlo para llevar a
cabo la estimación simultánea de parámetros y estados en un modelo de volati-
lidad estocástica. La propuesta, que es el aporte principal de esta investigación,
incluye la implementación de un algoritmo Monte Carlo Secuencial llamado fil-
tro auxiliar de partículas, que permite estimar los estados latentes del sistema
dinámico involucrado, en conjunto con un algoritmo Monte Carlo por cadenas
de Markov llamado muestreador de Gibbs, con el cual se estiman los paráme-
tros. Estos métodos son una herramienta estándar para hacer inferencia, debido
a que proporcionan un enfoque sistemático para el cálculo de las probabilidades
a posteriori, y son muy utilizados en problemas de análisis de datos en modelos
complejos y de grandes dimensiones. Para implementar los algoritmos, se ex-
presó el modelo en la forma espacio estado, se establecieron las distribuciones
a priori y se calcularon las distribuciones marginales condicionales a posteriori.
Para ilustrar la metodología, se hizo uso de dos conjuntos de datos: datos sin-
téticos y la serie del índice de precio Standard and Poor’s 500 (S&P500) para
el periodo 1995 − 2003. Para cada conjunto de datos se estimaron los estados
y parámetros del MVEG usando la metodología propuesta, y posteriormente se
realizaron las pruebas de diagnóstico de convergencia para las muestras simu-
ladas a partir de cada distribución a posteriori, demostrándose que en efecto las
cadenas de muestras simuladas provienen de distribuciones estacionarias. Final-
mente, los resultados obtenidos evidencian que la metodología propuesta cap-
tura adecuadamente la dinámica de la volatilidad cuando existe una respuesta
asimétrica de esta ante un shock de diferente signo. La combinación del filtro
auxiliar de partículas, como método MCS, con el muestreador de Gibbs, como
método MCMC, permitió el manejo de la estructura espacio-estado compleja del
MVEG, logrando la estimación tanto de la volatilidad subyacente del sistema
como los parámetros del modelo. Sin embargo, el MVEG puede resultar muy
restringido para muchas series de tiempo financieras, por lo que se recomienda
incluir el efecto palanca (leverage) y saltos (jumps) siguiendo la metodología
propuesta en esta investigación.
Agradecimientos
Agradecemos al Editor de la Revista y a los árbitros por sus valiosas sugerencias
y contribuciones para mejorar este manuscrito. Este trabajo fue parcialmente
apoyado por el Departamento de Matemáticas de la Facultad de Ciencias y Tec-
nología de la Universidad de Carabobo, Venezuela, y la Escuela de Ciencias
Matemáticas y Computacionales, Universidad Yachay Tech, Ecuador.
Referencias
[1] Black, F.; Scholes, M. (1973) “The pricing of options and corporate liabil-
ities”, The Journal of Political Economy 81(3): 637–654.
[2] Carneiro, P.; Hansen, K.; Heckman, J. (2003) “Estimating distributions of

treatment effects with an application to the returns to schooling and meas-
urement of the effects of uncertainty on college choice”, International Eco-
nomic Review 44(2): 361–422.
[3] Chib, S.; Nardari, F.; Shephard, N. (2002) “Markov chain Monte Carlo
methods for stochastic volatility models”, Journal of Econometrics 108(2):
281–316.
[4] Clark, P. (1973) “A subordinated stochastic process model with finite vari-
ance for speculative prices”, Econometrica 41(1): 135–155.
[5] Danielsson, J. (1994) “Stochastic volatility in asset prices: estimation with

simulated maximum likelihood”, Journal of Econometrics 64: 375–400.
[6] Danielsson, J.; Richard, J. F. (1993) “Accelerated gaussian importance

sampler with application to dynamic latent variable models”, Journal of
Applied Econometrics 8(1): 153–173.
[7] Del Moral, P.; Doucet, A. (2003) “On a class of genealogical and interact-
ing metropolis models”, in: J. Azéma, M. Emery, M. Ledoux & M. Yor
(Eds.) Séminaire de Probabilités XXXVII, Springer, Berlin: 415–446.
[8] Doucet, A.; De Freitas, N.; Gordon, N. (2001) “An introduction to sequen-
tial Monte Carlo methods”, in: A. Doucet, N. De Freitas & N. Gordon
(Eds.) Sequential Monte Carlo Methods in Practice, Springer, New York:
3–14.
[9] Doucet, A.; Johansen, A. (2011) “A tutorial on particle filtering and

smoothing: fifteen years later”, in: D. Crisan & B. Rozovskii (Eds.) The
Oxford Handbook of Nonlinear Filtering, Oxford University Press, New
York: 656–704.
[10] Gallant, A.; Hsieh, D.; Tauchen, G. (1991) “On fitting a recalcitrant series:
the pound/dollar exchange rate, 1974–1983”, in: W. Bartnett, J. Powell &
G. Tauchen (Eds.) Nonparametric and Semiparametric Methods in Econo-
metrics and Statistics, Cambridge University Press, New York: 199–240.
[11] Ghysels, E.; Harvey, A.C.; Renault, E. (1996) “Stochastic volatility”, in: C.
R. Rao & G. Maddala (Eds.) Statistical Models in Finance, North-Holland,
Amsterdam: 119–191.
[12] Gordon, N. J.; Salmond, D. J.; Smith, A. F. M. (1993) “Novel approach

to nonlinear/non-Gaussian Bayesian state estimation”, IEE Proceedings-F
140(2): 107–113.
[13] Harvey, A.; Ruiz, E.; Shephard, N. (1994) “Multivariate stochastic variance
models”, The Review of Economic Studies 61(2): 247–264.
[14] Heidelberger, P.; Welch, P. (1983) “Simulation run length control in the
presence of an initial transient”, Operations Research 31(6):1109–1144.
[15] Hull, J.; White, A. (1987) “The pricing of options on assets with stochastic
volatilities”, The Journal of Finance 42(2): 281–300.
[16] Isard, M.; Blake, A. (1998) “Condensation-conditional density propagation

for visual tracking”, International Journal of Computer Vision 29(1): 5–28.
[17] Jacquier, E.; Polson, N.; Rossi, P. (1994) “Bayesian analysis of stochas-
tic volatility models”, Journal of Business and Economic Statistics 12(4):
371–389.
[18] Kim, S.; Shephard, N.; Chib, S. (1998) “Stochastic volatility: likelihood
inference and comparison with ARCH models”, The Review of Economic
Studies 65(3): 361–393.
[19] Latané, H.; Rendleman, R. (1976) “Standard deviations of stock price ra-
tios implied in option prices”, The Journal of Finance 31(2): 369–381.
[20] Liu, J. S. (2001) Monte Carlo Strategies in Scientific Computing. Springer,

New York.
[21] Liu, J. S.; Chen, R. (1998) “Sequential Monte Carlo methods for dynamic
systems”, Journal of the American Statistical Association 93(443): 1032–
1044.
[22] Omori, Y.; Chib, S.; Shephard, N.; Nakajima, J. (2007) “Stochastic volatil-
ity with leverage: fast and efficient likelihood inference”, Journal of
Econometrics 140(2): 425–449.
[23] Pitt, M.; Shephard, N. (1999) “Filtering via simulation: auxiliary particle
filters”, Journal of the American Statistical Association 94(446): 590–599.
[24] Shephard, N.; Pitt, M.K. (1997) “Likelihood analysis of non-Gaussian

measurement time series”, Biometrika 84(3): 653–667.
[25] Shephard, N. (2005) Stochastic Volatility: Selected Readings. Oxford Uni-

versity Press, United States.
[26] Tauchen, G.; Pitt, M. (1983) “The price variability-volume relationship on

speculative markets”, Econometrica 51(2): 485–505.
[27] Taylor, S. (1986) Modelling Financial Time Series. John Wiley & Sons,
New York.
[28] Watanabe, T. (1999) “A non-linear filtering approach to stochastic volatil-

ity models with an application to daily stock returns”, Journal of Applied
[29] Yu, J. (2005) “On leverage in a stochastic volatility model”, Journal of


Desviación Estandar

Cargado por

Copyright:

Formatos disponibles

Desviación Estandar

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Desviación Estandar

Cargado por

Copyright:

Formatos disponibles

⃝

c R EVISTA DE M ATEMÁTICA : T EORÍA Y A PLICACIONES 2019 26(1) : 45–81

ESTIMACIÓN DE MODELOS DE VOLATILIDAD

ESTIMATION OF STOCHASTIC VOLATILITY

Y ENIREE T ROSEL∗ A RACELIS H ERNÁNDEZ†

Received: 24/Jan/2018; Revised: 20/Sep/2018;

El creciente interés en el estudio de la volatilidad para series de instru-

Palabras clave: modelos de volatilidad estocástica; modelos espacio estado;

The growing interest in the study of volatility for series of financial

Keywords: stochastic volatility models; space state models; auxiliary particles

tomando el logaritmo de estos. En [13] se aproxima la distribución de los rui-

En este artículo, se propone implementar una metodología bajo el paradigma

El resto de este artículo se organiza como sigue: en la sección 2 se define el

2 Modelo de volatilidad estocástica general (MVEG)

yt = εt exp(ht /2) (1)

La variable yt representa los retornos observados en el tiempo t, el proceso

yt |ht ∼ N (0, exp(ht )). (5)

En consecuencia, al calcular la esperanza y varianza de la ecuación de obser-

ht |ht−1 , θ ∼ N (µ (1 − ϕ) + ϕ ht−1 , ση2 ). (6)

Reescribiendo de manera jerárquica la ecuación de observación (1) y la

yt |ht ∼ N (0, exp(ht ))

3 Filtro auxiliar de partículas

p(xt | yt ) ∝ p(yt | xt )p(xt ), (8)

Así que la distribución a posteriori filtrada se puede aproximar como:

Asumiendo que se tiene un conjunto de partículas que aproxima lo suficien-

y tratar los productos πti p(yt+1 | xt+1 ) como componentes de

Como la verosimilitud p(yt+1 | xt+1 ) en este producto involucra al vector de

donde µit+1 es el valor más probable asociado con la i-ésima componente de

Filtro auxiliar de partículas para el MVEG

3. Muestrear R veces los índices 1,2,. . . , M con probabilidades proporcionales

5. Remuestrear M veces el conjunto {ȟit1 , . . . , ȟitR } con probabilidades pro-

4 Estimación de parámetros para el modelo MVEG a

p(µ) ∼ N (αµ , βµ2 ),

Luego, por la regla de Bayes, las distribuciones condicionales a posteriori de

p(µ | y, h, ϕ, ση2 ) ∝ p(h | µ, ϕ, ση2 ) p(µ),

y al condicionar de manera sucesiva se obtiene:

Luego se obtiene la distribución condicional a posteriori para cada uno de

p(ση2 |y, h, µ, ϕ) ∝ p(h|µ, ϕ, ση2 ) p(ση2 )

∼ Inv − Gamma(α̂σ , β̂σ ), (18)

b) Distribución posterior condicional para ϕ:

p(ϕ|y, h, ση2 , µ) ∝ p(h|µ, ϕ, ση2 ) p(ϕ)

c) Distribución posterior condicional para µ:

p(µ|y, h, ϕ, ση2 ) (20)

completando cuadrados en (20): ( )

entonces, la expresión (20) queda: ( ( ) )

Luego, dada las distribuciones condicionales a posteriori en (18), (19) y (22), se

3. Retorna los valores {θ(1) , θ(2) , . . . , θ(T ) }.

Una vez obtenidas las trazas simuladas a partir de la distribución a posteriori de

5.1 Datos simulados

Para realizar el proceso de inferencia y estimación del MVEG, se simuló una

Figura 1: Trazas simuladas para el parámetro µ y densidades empíricas.

Figura 2: Trazas simuladas para el parámetro ϕ y densidades empíricas.

Figura 3: Trazas simuladas para el parámetro σ y sus densidades empíricas.

Por otra parte, en las Figuras 4, 5 y 6, se observan las autocorrelaciones de

Figura 4: Autocorrelaciones simuladas para el parámetro µ.

Figura 5: Autocorrelaciones simuladas para el parámetro ϕ.

Figura 6: Autocorrelaciones simuladas para el parámetro ση2 .

La Tabla 1 muestra los resultados de la prueba de diagnóstico de conver-