Modelos Discretos y Continuos

Modelos discretos y continuos
para estimar la densidad de

probabilidad de la volatilidad
estocástica de los rendimientos
de series financieras*
Carlos Alexander Grajales Correa**
Fredy Ocaris Pérez Ramírez***
*
Este artículo se presentó como ponencia en el IV Simposio Nacional y I Internacional de docentes deFinanzas. Es pro-
ducto del proyecto de investigación Heteroscedástica de Series Financieras, desarrollado entre enero de 2006 y febre-
ro de 2007, en la Facultad de Ingenierías de la Universidad de Medellín, Medellín, Colombia. El artículo se recibió el
03-10-2007 y se aprobó el 18-03-2008.
**
Magíster en Matemáticas Aplicadas, Universidad EAFIT, Medellín, Colombia (2006); Licenciado en Matemáticas y
Física, Universidad de Antioquia, Medellín, Colombia (2000); Profesor de la Universidad de Medellín, Medellín, Co-
lombia.
Correo electrónico: [email protected]
Magíster en Matemáticas Aplicadas, Universidad EAFIT, Medellín, Colombia (2003); Matemático, Universidad de
***
Antioquia, Medellín, Colombia (1995); Profesor de la Universidad de Medellín, Medellín, Colombia.

Correo electrónico: [email protected]
Cuad. Adm. Bogotá (Colombia), 21 (36): 113-132, especial de finanzas-julio de 2008 113
Carlos Alexander Grajales Correa, Fredy Ocaris Pérez Ramírez
Modelos discretos y continuos para A Continuous Model and a Discrete

estimar la densidad de probabilidad de la Model for Estimating the Stochastic
volatilidad estocástica de los rendimientos Volatility Probability Density of Financial
de series financieras Series Yields
Resumen Abstract
En este artículo se consideran los rendimien- This article considers the daily yield of a fi-
tos diarios de un activo financiero con el nancial asset for the purpose of modeling and
propósito de modelar y comparar la densidad comparing its stochastic volatility probability
de probabilidad de la volatilidad estocástica density. To do so, ARCH models and their
de los retornos. Para tal fin, se proponen los extensions in discrete time are proposed as
modelos ARCH y sus extensiones, que son well as the empirical stochastic volatility mo-
en tiempo discreto, así como un modelo em- del developed by Paul Wilmott. For the dis-
pírico de volatilidad estocástica desarrollado crete case, the models that enable estimating
por Paul Wilmott. Para el caso discreto se the conditional heterocedastic volatility in an
muestran los modelos que permiten estimar instant t of time, t∈[1,T] are shown. For the
la volatilidad condicional heterocedástica en continuous case, an Itô dissemination process
un instante t del tiempo, t∈[1,T]. En el caso is associated with the stochastic volatility of
continuo se asocia un proceso de difusión the financial series; that enables making said
de Itô a la volatilidad estocástica de la serie process discrete and simulating it, to obtain
financiera, esto posibilita discretizar dicho empirical volatility probability densities. Fi-
proceso y simularlo para obtener densidades nally, the results are illustrated and compared
de probabilidad empíricas de la volatilidad. to the methodologies discussed in the case of
Por último, se ilustran y se comparan los the financial series United Status S&P 500,
resultados obtenidos con las metodologías the Mexican Stock Exchange Price and Quo-
expuestas para el caso de las series financie- te Index (IPC is the Mexican acronym), and
ras S&P 500 de Estados Unidos, el Índice de the Colombian Stock Exchange General In-
Precios y Cotizaciones de la Bolsa Mexica- dex (IGBC is the Colombian acronym).
na de Valores (IPC) y el Índice general de la
Bolsa de Colombia (IGBC). Key Words: probability density function,
ARCH, volatility, heterocedasticity, Itô dis-
Palabras clave: función densidad de pro- semination processes, simulation
babilidad, ARCH, volatilidad, heterosce-
dasticidad, procesos de difusión de Itô, si-
mulación.
114 Cuad. Adm. Bogotá (Colombia), 21 (36): 113-132, especial de finanzas-julio de 2008
Modelos discretos y continuos para estimar la densidad de probabilidad de la volatilidad estocástica…
1. Modelos en tiempo discreto generalizados). Por GARCH se entiende el

modelo de heteroscedasticidad condicional
1.1 Introducción autorregresivo generalizado; la heterosce-
dasticidad se toma como la variación en el
A continuación se presentan los llamados tiempo de la varianza. El término condicional
modelos ARCH, GARCH, TGARCH y implica una dependencia en las observacio-
EGARCH, ideales para capturar fenómenos nes del pasado inmediato y autorregresivo,
en los que la varianza condicional es cam- describe el mecanismo de retroalimentación
biante en el tiempo. Dichos modelos se uti- que incorpora las observaciones pasadas en
lizan con frecuencia en el área de finanzas, el presente. GARCH, entonces, es un meca-
ya que el inversionista está interesado en nismo que incluye las varianzas pasadas en la
pronosticar la tasa de retorno y su volatilidad explicación de las varianzas futuras. Especí-
solamente sobre el período de tenencia y el ficamente, es un modelo de series de tiempo
emisor en analizar el rendimiento y la vola- que usa las varianzas pasadas y las predic-
tilidad esperados en la vida del instrumento ciones de las varianzas pasadas para pre-
financiero. decir las varianzas futuras.
Un gran número de series de tipo financiero Existen modelos en los que la varianza con-
y económico presentan media no constante, dicional no es constante sino que depende
así como períodos de estabilidad seguidos de del conjunto de información disponible en
otros de alta volatilidad, entendiendo por la cada instante; ignorar este hecho conduciría
última el hecho de que la variabilidad de a obtener estimadores ineficientes, con las
la serie en torno a un valor medio, medida por la graves consecuencias que ello implica, co-
varianza, es muy alta en determinados tramos mo intervalos de confianza para la predicción
de la muestra frente a otros períodos en los más amplios, mayor variabilidad de la propia
que, al menos aparentemente, es menor. En- predicción puntual, y se reflejaría la mayor
tre estas series se encuentran los agregados amplitud del rango de sus posibles valores
monetarios, la tasa de inflación, los tipos de para un nivel de confianza dado.
cambio y las variaciones porcentuales de los
precios de las acciones. Por tanto, si V( Yt | Ω t −1 ) = f ( t ) , es decir, no es
constante, se necesitan desarrollar modelos
El hecho de que muchas series de tipo eco- econométricos en los que se permita que la
nómico y financiero estén sujetas a fuertes varianza
€ condicional del proceso cambie en
cambios en la varianza hizo necesario que el tiempo. Una alternativa son los modelos
este fenómeno se tuviera en cuenta en el pro- ARCH y sus extensiones, que se describen
ceso de modelación. Los trabajos iniciales a continuación. Dichos modelos permiten
se deben a Engle (1982), quien introduce los estimar la duración y la magnitud de la vola-
modelos ARCH (modelo de heteroscedastici- tilidad, hecho crucial para ver si las predic-
dad condicional autorregresivo), y Bollerslev ciones que se hacen acerca de los precios son
(1986), con sus modelos GARCH (ARCH confiables o no.
1.2 El modelo univariante ARCH Donde δ0 > 0, δi ≥ 0, i = 1,2,…, p; εt =σt at ,

σt y at son independientes y at ~ iidN (0,1).
1.2.1 Modelo ARCH (1)
La varianza incondicional de los errores bajo
El proceso ARCH(1) (Engle, 1982) se define una estructura ARCH (p) es:
por la siguiente expresión δ0
σ 2ε = (2)
1 − (δ 1 + δ 2 +  + δ p )

σt2 = δ0 + δ1 ε2t-1
εt =σt at, at ~ iidN (0,1), σt y at son independientes La distribución de los errores dado el con-
junto de información Ω t −1 es una normal con
€
donde: δ 0 y δ 1 son coeficientes tales que p
δ 0 > 0,0 ≤ δ 1 < 1. media 0 y varianza σ 2t = δ 0 + ∑δε

i =1
i
2
t−i .
€
€ que la condición δ0 > 0 corresponde a
€Nótese
€ la mínima varianza condicional a ser obser- 1.3 El modelo univariante GARCH
vada, mientras que 0 ≤ δ0 < 1 es una condi- (modelo €ARCH generalizado)
ción necesaria y suficiente para la existencia
de la varianza incondicional y la condicional. La modelación del GARCH proviene de
El coeficiente δ1 mide la persistencia de la avances en la modelación de la volatilidad
volatilidad; si dicho coeficiente es cercano a en los años ochenta. Este proceso se introdu-
1, se dice que hay una alta persistencia de los ce en el grupo de análisis que trata el exceso
shocks de volatilidad. de curtosis y el agrupamiento de la volatili-
dad, dos de las características más comunes
La distribución de los errores dado el con- en las series financieras. Los modelos de
junto de información Ω t −1 es una normal volatilidad condicional proporcionan una
con media 0 y varianza σt2, simbólicamente, manera adecuada de modelar y pronosticar
ε t | Ω t −1 ~ N (0,σ 2t ), Var (ε t | Ω t −1 ) = σ 2t , varian- las varianzas y covarianzas de los retornos
za condicional€heteroscedástica; es decir, la de los activos.
varianza condicional depende de la informa-
€ ción disponible
€ en cada instante t. Los modelos GARCH se pueden aplicar en
cualquiera de los diversos campos de la ad-
1.2.2 Modelo ARCH (p) ministración del riesgo, de la administración
de portafolio, en la asignación de activos,
Un proceso ARCH generalizado o de orden p en las opciones de precio, en las tasas de
(ARCH (p)) tiene la siguiente estructura: cambio, en la estructura de tasas de interés,
etcétera.
σ 2 = δ 0 + δ 1ε 2t −1 + δ 2 ε 2t − 2 +  + δ p ε 2t − p
 t
Se pueden encontrar grandes efectos signi-
p
ficativos del GARCH en mercados acciona-
€
= δ0 + ∑δε
i =1
i
2
t−i
(1) rios, no sólo para choques individuales, sino
116
€
Cuad. Adm. Bogotá (Colombia), 21 (36): 113-132, especial de finanzas-julio de 2008
también para stock de portafolios e índices olvidarse; en tanto que la baja persistencia
y para mercados futuros accionarios. Estos sólo tiene efectos de corta duración. La con-
efectos son importantes en algunas de las dición 0 ≤ (δ1 + θ1) < 1 garantiza la existencia
áreas de la valoración del riesgo (VaR) y en de la volatilidad incondicional.
otras aplicaciones de la administración del
riesgo concernientes a la eficiencia de la co- 1.3.2 Modelo GARCH (p,q)
locación del capital. Los modelos GARCH
se pueden usar para examinar la relación en- Un proceso GARCH generalizado o de or-
tre las tasas de interés de corto y largo plazo, den p, q (GARCH (p, q)) tiene la siguiente
debido a la incertidumbre de las tasas. Sir- estructura:
ven también en el análisis de la variación del p q
tiempo en el retorno de las tasas. σ 2t = δ 0 + ∑ δ i ε 2t −i + ∑θ σ j

2
t −j (3)
i =1 j=1
δ 0 > 0, δ i ≥ 0, θ j ≥ 0, i = 1,2,…,p;
1.3.1 Modelo GARCH(1,1)
p p
El proceso GARCH (1,1) (Bollerslev, 1986) €

j = 1,2,…,q; ∑ δi + ∑θ j < 1,
i =1 j=1
se define por la siguiente expresión:
εt = σt at, σt y at son independientes y
σt2 = δ0 + δ1 ε2t-1 + θ1 σ2t-1 €
a t
~ iidN (0,1)
εt =σt at, at ~ iidN (0,1), σt y at son indepen-
dientes La varianza incondicional de los errores bajo
donde δ0, δ1 y θ1 son coeficientes tales que una estructura GARCH (p, q) es:
δ 0 > 0 δ 1 ,θ 1 ≥ 0,0 ≤ (δ 1 + θ 1 ) < 1.
p q
δ0
De acuerdo con el modelo GARCH (1,1), se
σ ε2 =
 p q 
,0 ≤ ∑δ + ∑θ i j <1
(4)
€ tiene que la varianza condicional heterosce-
1− 
 ∑δ + ∑ i θj 

i =1 j=1
 i =1 j=1 
dástica del proceso en el período t depende de
la perturbación al cuadrado y de la varianza Los procesos ARCH y GARCH son modelos
condicional observados en el período t–1. €
El simétricos donde los shocks de los retornos,
coeficiente δ1 captura el efecto ARCH, es de- ya sean positivos o negativos, tienen el mis-
cir, mide la amplitud con la cual los efectos de mo impacto de volatilidad. Ahora, cuando el
volatilidades pasadas alimentan volatilidades rendimiento cae por debajo de lo esperado
presentes; el coeficiente θ1 captura el efecto conduce a un escenario en el que las noticias
GARCH; (δ1 + θ1) mide la tasa a la cual es- son malas, esto se asocia con que la volatili-
tos efectos van disminuyendo en el tiempo, dad se incrementa; por otra parte, cuando las
esto es, mide la persistencia en el tiempo de noticias son buenas, la volatilidad disminuye.
la volatilidad condicional. Si la suma de los Del desarrollo de modelos con varianza con-
coeficientes (δ1 + θ1) es muy cercana a 1, se dicional asimétrica, dos familias que pueden
dice que hay una elevada persistencia que modelar esta característica son EGARCH y
ocasiona que los efectos del shock tarden en TGARCH, entre muchos otros.
1.4 Modelos ARCH asimétricos nas noticias solo impactarán en δ1. Si γ > 0 se
dice que existe el efecto de apalancamiento
Otra de las principales características de los (leverage effect), que se refiere al hecho de
mercados financieros es que ante malas no- que a rentabilidades negativas correspon-
ticias se producen caídas en las cotizaciones da una mayor volatilidad condicional que a
que tienen una volatilidad mayor, es decir, rentabilidades positivas. Si γ ≠ 0, entonces el
son de mayor magnitud que cuando se pro- impacto de las noticias es asimétrico.
ducen alzas en las cotizaciones por buenas
noticias, en cuyo caso la volatilidad es de 1.4.2 El modelo univariante EGARCH
menor magnitud. Para estos casos de volati-
lidad asimétrica se desarrollaron los modelos Modelo EGARCH (GARCH exponencial)
TGARCH, EGARCH, entre otros. (Nelson, 1991). En 1991 se definió la curva
de impactos asimétricos; en ella se hace no-
1.4.1 El modelo univariante TGARCH tar que en el mercado de capitales no reper-
cuten igual las buenas noticias que las malas
Un primer modelo que es capaz de producir noticias. Los movimientos a la baja en el
efectos asimétricos es el modelo TGARCH mercado vienen con mayores volatilidades
(Threshold Heteroscedastic Autoregresive que al alza.
Models) (Zakoïan, 1994). Este modelo de-
pende de un umbral (threshold) por medio En 1991, Nelson (1991) trabajó el mode-
del cual definen su reacción. En los mercados lo exponencial GARCH, denotado como
bursátiles se observa de forma empírica que EGARCH(1,1), el cual propone la siguiente
los movimientos a la baja generalmente son ecuación para estimar la volatilidad condi-
más volátiles que los movimientos al alza. cional:
En particular, el modelo TGARCH (1,1) o
ε t −1 ε
Threshold ARCH propone la siguiente ecua- 1nσ 2t = δ 0 + δ 1 + γ t −1 + θ 11nσ 2t −1 (6)
σ t −1 σ t −1
ción para estimar la varianza condicional:
Por tanto,
σ 2t = δ 0 + δ 1ε 2t −1 + γd t −1ε 2t −1 + θ 1σ 2t −1 (5) 
€ ε ε 
σ 2t = (σ t −1 ) 1 exp δ 0 + δ 1 t −1 + γ t −1  (7)
θ
 σ t −1 σ t −1 
donde
€  0 si ε t −1 ≥ 0
d t −1 =  Finalmente, comparando los modelos
1 si ε t −1 < 0 € GARCH y EGARCH se puede decir que un
Es decir, valores negativos del residuo de la modelo GARCH tiene la limitación de que
regresión son interpretados como malas no- trata los efectos de modo simétrico debido a
€ para el mercado y los valores positivos
ticias que utiliza los cuadrados de las innovacio-
representan las buenas noticias. Las malas nes. Otra limitación importante son las res-
noticias tendrán un impacto (δ1 + γ) sobre la tricciones que deben cumplir los parámetros,
varianza condicional, mientras que las bue- ellas eliminan el comportamiento al azar-
oscilatorio que pueda presentar la varianza yacente siguen un proceso estocástico, cada
condicional. En un modelo EGARCH no hay uno de los cuales viene representado por una
restricciones en los parámetros. ecuación diferencial estocástica que admiten
en conjunto dos ruidos brownianos posible-
2. Modelo en tiempo continuo mente correlacionados. En esta dirección
se orientan los modelos seminales de Hull
2.1 Introducción & White (1987); de Scott (1987); de Stein &
Stein (1991); de Heston (1993), y un modelo
Algunos modelos clásicos en el estudio de empírico de volatilidad estocástica propuesto
series de precios financieras asumen que la por Wilmott y Oztukel (1998). Los siguien-
volatilidad en los retornos permanece cons- tes apartados están dirigidos a introducir el
tante. En esta dirección puede considerarse el concepto de volatilidad implícita, un modelo
modelo de Black & Scholes (1973), en el cual general de volatilidad estocástica y el modelo
se concibe que la serie de precios se ajusta empírico de volatilidad estocástica.
a un proceso estocástico lognormal; el pro-
ceso de Ornstein-Uhlenbeck con reversión a 2.2 Volatilidad implícita
la media, desde el que se afirma que a largo
plazo la serie de precios en el tiempo retorna El modelo de Black & Scholes asume que el
de manera sucesiva a cierto valor medio, y el precio St de un activo sigue un movimiento
modelo de Cox-Ross-Rubinstein (1979), el browniano geométrico para proponer una
cual supone que el precio del activo sube o solución analítica al valor de una opción de
baja en una proporción específica con cierta compra o de venta de tipo europeo, V (t, St,
probabilidad asociada en unidades discretas K, r, T, σ), o de manera simple V (t,St), donde
de tiempo. K es el precio de ejercicio convenido y T es
la fecha de expiración de la opción; la cons-
En los modelos mencionados el supuesto de tante r es la tasa de interés libre de riesgo y
volatilidad constante en los retornos de la t ∈ [0, T].
serie de precios del subyacente resulta ser
inadecuado, pues un gran número de series La volatilidad implícita, denotada por σI,
financieras, no solo colombianas, sino interna- puede definirse como el valor de la volati-
cionales, reflejan presencia de heterocedasti- lidad para el cual el precio de la opción ge-
cidad y curtosis en los retornos, produciendo nerado por el modelo de Black & Scholes
curvas de distribución leptocúrticas y de co- se hace igual al precio de mercado, esto es,
las anchas. Algunos modelos alternativos que V (t,St) = Vmercado
superan esta dificultad han sido propuestos
en el campo de las matemáticas financieras Conociendo en el mercado un conjunto de
y la estocástica, incluyendo los modelos de precios V de una opción europea sobre un
volatilidad estocástica en tiempo continuo. activo fijo, correspondientes a diferentes pre-
En este contexto se considera que tanto el cios de ejercicio K, a partir del modelo Black
precio como la volatilidad del activo sub- & Scholes pueden hallarse los respectivos
valores de σI manteniendo fijos los demás asociado a la distribución empírica mencio-

parámetros. Este proceso lleva asociado el nada (1b); lo que indica que la distribución
uso de un algoritmo numérico tal como el de de los retornos para un activo en el merca-
Newton Raphson. En desacuerdo con el modo tiene picos más altos y colas más anchas
delo de Black & Scholes para la valoración respecto de la distribución normal de retor-
de una opción europea sobre un subyacente nos asociada a la distribución lognormal de
fijo, el valor de la volatilidad σI varía con el precios (1c).
precio de ejercicio K. En consecuencia, pue-
de darse el caso de que en una opción de di- 2.3 Volatilidad estocástica
visas, por ejemplo, la volatilidad sea menor
para opciones en el dinero y se haga progre- Uno de los supuestos fuertes en el modelo de
sivamente mayor para aquellas dentro o fuera Black & Scholes es considerar la volatilidad
del dinero, formando lo que se conoce como σ como un parámetro constante o determinís-
sonrisa de la volatilidad (Rubinstein, 1994); tico, en tanto puede conocerse como función
(Dupire, 1994); (Derman, 1994); (Wilmott, del tiempo y del precio del activo subyacente.
2000); (Hull, 2003). Los retornos de los precios de un activo en la
realidad exhiben curvas leptocúrticas (high
La variación de σI asociada a los cambios en peaks) o con una gran desviación estándar
el precio de ejercicio de la opción, K, forma (fat tails) y, por tanto, no siguen una distri-
curvas conocidas como efecto sonrisa (smi- bución normal como lo sugieren los retornos
le) o muecas (skew). La presencia de una en el modelo de Black & Scholes.
volatilidad implícita no constante sugiere
una distribución asociada a los precios del Un proceso estocástico con volatilidad es-
activo subyacente, diferente a la distribu- tocástica modela el cambio de la volatilidad
ción lognormal considerada en el conjunto implícita en el modelo Black-Sholes cuando
de supuestos del modelo Black & Scholes. cambia la fecha de expiración T o el precio de
La curva de la distribución de retornos reales ejercicio K. Un proceso de este tipo supone
con frecuencia es leptocúrtica y de colas más que el precio St de un activo financiero satis-
anchas que la distribución normal. face un sistema de ecuaciones diferenciales
estocásticas dado por:
Por otro lado, la variación de la volatilidad
implícita σI también se manifiesta con la dSt (t (SSt ,σt σt ,t
dS t ,t))==µS
µSt dt
t dt++σσt S
t St dW
t dWt t
(1)
(1)
(8)
variación de la fecha de expiración T. Así,
puede contemplarse una superficie de vola- dσ t (S t ,σ t ,t) = p (S t ,σ t ,t)dt + q (S t ,σ t ,t)dW t( 2) (9)
tilidad que se obtiene cuando ambos, precio€€
de ejercicio K y fecha de expiración T, varían. donde la volatilidad σt del precio St en (8) es
En el gráfico 1 se representa una distribución
€ un proceso estocástico descrito por (9) que
lognormal y una posible distribución empí- en general representa un proceso de rever-
rica seguida por los precios para un activo sión a la media, y el coeficiente µ constante
financiero (1a); se muestra el efecto sonrisa es la tendencia en la tasa de crecimiento del
€
Gráfico 1
Distribución de precios, retornos y volatilidad implícita
f(St) σI
Sr K - S0
Mercado Lognormal
(a) Distribución de precios para un activo financiero (b) Sonrisa de la volatilidad

f(rt)
rt
Lognormal Mercado
(c) Distribución de retornos para un activo financiero
Fuente: elaboración propia.
activo. La notación σt se hace para enfatizar te modo, el proceso de precios {St, 0 ≤ t ≤ T}

que la volatilidad es no constante. Las fun- no está completamente descrito por la rela-
ciones p y q son la tendencia de la volatilidad ción (8), y el valor St está condicionado a la
y la volatilidad de la volatilidad del precio información S0, σ0 y a la trayectoria seguida
St, respectivamente, y deben ser determina- por la volatilidad {σs, 0 ≤ s ≤ t}.
das. Por el momento puede considerarse que
ambas funciones, p y q, representan proce- Las ecuaciones (8) y (9) pueden conducir a la
sos de reversión a la media (Wilmott, 1998), implementación de un algoritmo que simule o
(Wilmott, 2000). El modelo incorpora dos bien la solución exacta o bien una solución nu-
fuentes de aleatoriedad, Wt(1) y Wt(2), que son mérica para el proceso de precios {St, 0 ≤ t ≤ T}
procesos de Wiener con correlación ρ . De es- (Kloeden & Platen, 1992). Por otro lado, si
€ (36): 113-132, especial de finanzas-julio de 2008

Cuad. Adm. Bogotá (Colombia), 21 121
se quiere valorar una opción europea bajo el t; y donde además los procesos brownianos
modelo descrito por (8) y (9), su precio será asociados con los procesos de volatilidad σt
V (t, St, σt; K, T; r) que denotamos de manera y de precios St no tienen correlación. Este
simplificada por V (t, St, σt). Con un portafolio modelo presenta características compatibles
libre de riesgo y en condiciones de no arbitra- con los datos históricos de la volatilidad del
je, puede verse que V satisface la SDE. activo subyacente y ha mostrado ser adecua-
do en el estudio del comportamiento de la
∂V 1 2 2 ∂ 2 V ∂ 2V volatilidad en el precio de un activo; solo se
+ σ St + ρσqS t
∂t 2 ∂S t2
∂S t ∂σ requiere la existencia de datos que registren
1 ∂ 2V ∂V ∂V (10) el valor que toma el activo subyacente a tra-
+ q2 + rS t + (p − λq ) − rV = 0 vés del tiempo.
2 ∂σ 2
∂S t ∂σ
para una función λ=λ (t, St , σt), llamada pre- Antes de proceder a la descripción del mo-
€ cio en el mercado del riesgo de la volatilidad, delo es conveniente definir la densidad de
que debe ser determinada (Wilmott, 2000). probabilidad en estado estable de un proceso
La afinación de λ depende de argumentos estocástico y la ecuación de Fokker Planck
económicos, y en Wiggins (1987), por ejem- asociada a dicha densidad.
plo, se considera que λ debería ser proporcio-
nal a la varianza vt = σt 2. Otros avances más 2.5 Densidad de probabilidad
recientes en la determinación del precio en el en estado estable
mercado del riesgo de la volatilidad λ se han
hecho en Doran & Ronn (2004). Suponga que se tiene un proceso estocástico
X = {xt, t ∈ I = [0, ∞]} descrito por la ecua-
2.4 Modelo empírico de volatilidad ción diferencial estocástica general para la
estocástica variable x = xt
Esta alternativa de trabajo para el estudio de dx = A ( x,t )dt + B( x,t )dW (12)
la evolución de la volatilidad en el precio de
un activo financiero fue propuesta por Paul donde W es un movimiento browniano.
Wilmott y Asli Oztukel (1998) en un estudio €
que ajusta datos empíricos del índice Dow Si s, t ∈ I con s ≤ t y B es un conjunto borelia-
Jones a lo largo de veinte años. Este modelo no sobre , entonces la probabilidad de que
asume que la ecuación (9), de la volatilidad el proceso estocástico x cambie del estado x
σt, toma la forma a un estado y ∈ B en el intervalo [s, t], se co-
noce como probabilidad de transición. Esta
dσ t (σ t ,t ) = α (σ t )dt + β(σ t )dW t (11) probabilidad se denota por P (s, x; t, y) y se
determina por la siguiente relación (Kloeden
donde la tendencia α (σt) y la volatilidad de & Platen, 1992):
€la volatilidad β (σt) son funciones solo de
σt y no del precio St del activo y del tiempo
P ( s,x; t,B) = P ( X t ∈ B X s =x ) P (s, x; t, y) asociada al proceso estocástico

X. Dicha ecuación puede ser utilizada para
(
= P {w ∈ Ω : X t ( w ) ∈ B} X s = x ) (13) conocer la distribución de los valores que el
= ∫ B p ( s,x; t,y )dy
proceso X puede tomar en el tiempo t dado
que su estado inicial se conoce en el tiempo
donde P (s, x; t, y) se denomina densidad de S. La forma de esta ecuación puede deducirse
€
transición y corresponde a la probabilidad de manera natural a partir de la función den-
de que la variable X se mueva del estado (S, sidad de transición P (s, x; t, y) y haciendo
X) en el tiempo s al estado (t, y) en el tiempo una aproximación trinomial de la caminata
t. Así, en la medida de probabilidad P (s, x; aleatoria definida por X [20].
t, B) se consideran todas las formas posibles
de cómo un fenómeno o sistema puede evo- 2.5.2 Descripción del modelo empírico
lucionar hacia un estado y ∈ B a partir de de volatilidad estocástica
un estado anterior X a lo largo de un tiempo
finito t–s. Conociendo las formas funcionales α (σt) y
β (σt), la ecuación (11) queda completamente
La densidad de probabilidad en estado esta- determinada y con este objetivo el modelo se
ble, o también llamada estacionaria o incon- desarrolla de la siguiente manera:
dicional, φ (r), en caso de que exista, es una
densidad a largo plazo cuando t → ∞, y se 1. La forma funcional de β (σt) se asume que
calcula como es
φ (r ) = ∫ ∞−∞ φ ( x )p ( s,x; t,r )dx (14) β (σ t ) = φσ γt (16)
resultando independiente del estado inicial con φ y γ siendo constantes que se deben
proceso estocástico X.
del € hallar
€ a partir de la serie de tiempo de
precios St del activo subyacente. La forma
2.5.1 Ecuación de Fokker Planck funcional para β (σt) debe ajustarse de la
manera más precisa a los cambios refle-
La ecuación de Fokker Planck es una ecua- jados a corto plazo por la volatilidad σt.
ción diferencial parcial parabólica con con-
dición inicial en el tiempo S que se resuelve A partir de (11), considerando que dWt =
para un tiempo t > s. Esta ecuación toma la dWdWt t == dtζ
dtζ con ξ ~ N(0,1) y que si ξ ~ N(0,1)
forma entonces ζ 2 ~ X 12, se obtienen las siguien-
tes igualdades:
∂p 1 ∂ 2 €€
( ∂
)
2 2
=
2
B( y,t ) p − ( A ( y,t )p ) (15) (dσ ) = β(σ t ) ζ 2 dt
∂t 2 ∂y 2 ∂y €
E (dσ ) = β(σ t ) dt E [ ζ 2 ]
2 2
 
En ella se manifiesta el comportamiento =1
2
probabilístico de la densidad de transición = β(σ t ) dt
€ 
Cuad. Adm. Bogotá (Colombia), 21 (36): 113-132, especial de finanzas-julio de 2008

€ 123
donde se aplicó que dt2 = dtdWt = 0 por 1 

φ = exp  (a − 1ndt ) (17)
tratarse de diferenciales de orden mayor 2 
que 1. Ahora, tomando logaritmo natural y
b
en ambos lados de la última igualdad, se γ= (18)
2
verifica que €
lo cual justifica el supuesto inicial de que
1nE (dσ ) = 21nβ (σ t ) + 1ndt
2
β (σt) = φ σtγ.
€

Por otro lado, si a partir de la serie de 2. Considere la función densidad de pro-
€ tiempo de precios del activo subyacente babilidad para σt, p (σt, t). Si la anterior
se hace una regresión lineal entre las va- densidad existe en estado estable y la de-
riables 1nE (dσ ) y 1n (σ t ), entonces la recta
2
notamos por p∞ (σt), y si además se asume
de regresión puede escribirse para a y b que p∞ (σt) es una densidad lognormal,
constantes, así: entonces a partir del conocimiento p∞ (σt)
€ € y de β (σt) puede calcularse la forma fun-
1nE (dσ ) = a + b1n (σ t ) + ε
2
cional de α (σt) a través de la denominada
ecuación de Fokker Planck.
donde ε es la perturbación entre la re-
€ gresión lineal y los datos observados. La La ecuación de Fokker Planck, satisfecha
expresión anterior puede escribirse de por la densidad de probabilidad p (σt, t)
€ manera equivalente como: asociada a la volatilidad σt y que a veces
se denomina como ecuación de Kolmo-
21nβ (σ t ) + 1ndt = a + b1n (σ t ) gorov hacia delante, se presenta como:
∂p 1 ∂ 2 ∂
2 (
En diversas series de tiempo financieras = β 2p ) − (αp )
∂t 2 ∂σ ∂σ
€ es frecuente hacer la regresión lineal que
se ha indicado y en ellas se confirma em- donde haciendo que t → ∞ con lo cual
píricamente un ajuste lineal (Oztukel & € p = p ∞ (σ t ) y así ∂p /∂t = 0 se llega a:
Wilmott, 1998), (Wilmott, 2000).
Si de la última ecuación despejamos β(σ t )€, € =

2
(
d (α (σ t )p ∞ ) 1 d β(σ t ) p ∞
2
)
dσ t 2 dσ 2t
se obtienen las siguientes igualdades:
α (σ t ) =
1
∫
(
d 2 β(σ t ) p ∞
2
dσ t
)
1 €b 2p ∞ dσ 2t
1nβ(σ t ) = (a − 1ndt ) + 1nσ t
2 2
1  α (σ t ) =
(
1 d β(σ t ) p ∞
+
c
2
)
β(σ t ) = exp  (a − 1ndt )σ bt / 2 2p ∞ dσ t p∞
2 
Finalmente, comparando la última igual- La constante de integración C resulta ser

€ dad con la ecuación (16) resulta que € cero de acuerdo con las condiciones de la
distribución p (σt) en estado estable (Oz- donde las constantes a y b se calculan por una
tukel & Wilmott, 1998), (Wilmott, 2000). regresión lineal entre las variables lnE(dσ)2
De esta manera se obtiene: y ln(σt); y las constantes ρ y σ resultan de un
ajuste lognormal para la función densidad de
α (σ t ) =
( 2
1 d β(σ t ) p ∞ ) (19)
probabilidad en estado estable p ∞ de σ t .
€ €
2p ∞ dσ t
3. Resultados
Ahora, partiendo de que la distribución € €
de p ∞ es lognormal, su forma es Para el análisis del S&P 500 de Estados Uni-
€
dos, el IPC de México y el IGBC de Colom-
 2 bia, se tomó una muestra desde el 2 de enero
1 −1  σ  
€ ( )
P∞ σ t = exp 2 ln t   (20)
 2p  σ  
de 2003 hasta el 19 de abril de 2007. Las ba-
2π ρσ t ses de datos fueron tomadas de Reuters®.
donde los coeficientes ρ y σ pueden es- 3.1 Resultados en tiempo discreto

€ timarse por máxima verosimilitud para
una distribución lognormal a partir de la En el cuadro 1 se muestran las estimaciones
serie de volatilidades
€ € móviles anualiza- realizadas, a partir de los modelos en tiempo
das. Cuando se introduce (20) en (19) se discreto, para las volatilidades de los retornos
obtiene: de las series S&P 500, IPC y el IGBC. Puede
verse que para la primera serie el modelo esti-
mado fue un EGARCH(2,1), para la segunda
 1 1 σ 
α (σ t ) = φ 2 σ 2t γ −1  γ − − 1n  t   (21) un modelo EGARCH(1,1) y para la terce-
 2 2p 2
σ 
ra un modelo GARCH(1,1). Los modelos
anteriores se estimaron bajo el supuesto de
En resumen, el modelo empírico de vola- innovaciones gaussianas utilizando el soft-
€ tilidad estocástica establece que el com- ware EVIEWS®.
portamiento en la volatilidad σt de un
Cuadro 1
activo financiero con precio St se des-
cribe por Estimación de los modelos discretos
Parámetros S&P 500 IPC IGBC
dσ t (σ t ,t) = α (σ t )dt + β(σ t )dW t Estimados EGARCH (2,1) EGARCH (1,1) GARCH (1,1)
δ0 -0,152974 -0,773267 8.73E-06

β(σ t ) = φσ γyt
1  δ1 -0,176684 0,156517 0,297574
φ = exp  (a − 1ndt )
2  € δ2 0,235608 na na
(22)
b € γ -0,078257 -0,137086 na
γ =
2
€ θ 0,989314 0,929084 0,695175
 1 1  σ 
α (σ t ) = φ 2 σ 2t γy −1  γ − − 1n  t   € na: no aplica.
 2 2ρ 2
 σ 
€ Fuente: elaboración propia.
€ Cuad. Adm. Bogotá (Colombia), 21 (36): 113-132, especial de finanzas-julio de 2008 125
En el gráfico 2 se muestra la densidad de pro- fueron corridas en MATLAB®. En este grá-

babilidad simulada de la volatilidad de los re- fico se muestra un ajuste lognormal a las vo-
tornos en un posible escenario para cada una latilidades de los retornos de las series S&P
de las series mencionadas. Las simulaciones 500, IPC y el IGBC, como el valor p asocia-
Gráfico 2
Volatilidad de los retornos en el modelo discreto para las series financieras
S&P 500, IPC, y el IGBC
Volatilidad S&P 500 Volatilidad IPC

5 12
4.5
10
4
3.5
8
3
Density
Density
2.5 6
2
4
1.5
1 2
0.5
0 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
Data Data
sigma EGARCH21 data Ajuste Lognormal sigma EGARCH11 data Ajuste Lognormal
(a) Volatilidad del S&P 500. valor p = 0.2907 (b) Volatilidad del IPC. valor p = 0.1899
Volatilidad IGBC
5
4.5
4
3.5
3
Density
2.5
2
1.5
1
0.5
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4
Data
sigma GARCH11 data Ajuste Lognormal
(c) Volatilidad del IGBC. valor p = 0.0557
En los gráficos 2a 2b y 2c se muestra el valor P asociado al test de bondad de ajuste de Kolmogorov Smirnov para una muestra a
un nivel de significancia de 0,05.
€
do con el test de Kolmogorov Smirnov para Se agrupa en clases la variable σt y se calcula

una muestra, donde la distribución hipotética su frecuencia relativa en cada una de las
es la distribución lognormal. En cada caso, clases.
el test Kolmogorov Smirnov sugiere que la
volatilidad de los retornos de las series finan- Para dichas clases se calculan las variables
cieras descritas siguen una distribución log- ln(σt), a partir de las marcas de clase defini-
normal, a un nivel de significancia de 0,05, [ 2
]
das antes, y 1n E (dσ t ) , de modo usual, y se
dado que el valor p fue mayor que 0,05 en hace la regresión entre ellas, sugerida en el
cada uno de los escenarios simulados. numeral 2.5.2.
€
3.2 Resultados en tiempo continuo Se estiman los parámetros φ y γ a partir de la
regresión realizada.
La metodología de estimación de los pará-
metros φ,γ,ρ y σ en el modelo continuo de En el cuadro 2 se€muestran las estimaciones
volatilidad estocástica fue implementada realizadas para la volatilidad de los retornos
en Microsoft®Office Excel y se describe a de las series S&P 500, IPC y el IGBC, a partir
€ continuación.
€ del modelo continuo de volatilidad estocás-
tica desarrollado.
3.2.1 Implementación en Excel de la
estimación del modelo continuo de Cuadro 2
volatilidad estocástica Estimación del modelo continuo
Parámetros
Se halla la serie de retornos logarítmicos dia- estimados
S&P 500 IPC IGBC
rios a partir de la serie financiera.
φ 0,508400 0,681834 1,133636
Se calcula la serie de volatilidades para los γ 0,410700 0,66415 0,838150

retornos mediante media móvil simple en una ρ 0,327664 0,346323 0,554850
ventana de tamaño 15, y se anualiza. €
σ 0,109319 0,152458 0,171367
€
Se estiman los parámetros ρ y σ por máxima € Fuente: elaboración propia.
verosimilitud para una distribución lognor-
mal. Lo anterior se realiza considerando la € Con las estimaciones mostradas en el cuadro
serie anualizada,€σt, de€ volatilidades por me- 2 es posible realizar algunas simulaciones de
dias móviles, en ventanas de 15 días, asocia- la volatilidad de los retornos para las series
da a la serie de los retornos logarítmicos. Pa- establecidas. De esta manera, en el gráfico 3
ra anualizar dicha serie pueden tomarse 250 se muestran las funciones densidad de pro-
días hábiles de negociación por año. babilidad, real y simulada, para un posible
escenario, de cada una de las series financie-
Se calcula la serie anualizada (dσt)2, donde ras, S&P 500, IPC y el IGBC. Las simula-
(dσt) son diferencias simples calculadas a ciones fueron corridas en MATLAB®. Debe
partir de la serie σt definida anteriormente. anotarse que la densidad real corresponde a
la densidad de probabilidad para la serie de la densidad de probabilidad para la serie de

la volatilidad anualizada de los retornos, me- datos simulados logrados con las ecuaciones
diante media móvil simple en una ventana dadas en (22).
de tamaño 15, y la simulada corresponde a
Gráfico 3
Volatilidad de los retornos en el modelo continuo para las series financieras
16 14
14 12
12
10
10
8
Density
Density
8
6
6
4
4
2 2
0 0
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0 0.1 0.2 0.3 0.4 0.5
Data Data
Real sigma Wilmott sigma Real sigma Wilmott sigma
Real flt Wilmott flt Real flt Wilmott flt
6
4
Density
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4
Data
Real sigma Wilmott sigma
Real flt Wilmott flt
En los gráficos 3a 3b y 3c se muestra el valor p asociado al test de bondad de ajuste de Kolmogorov Smirnov para dos muestras,
real y simulada, a un nivel de significancia de 0,05.
El gráfico 3 también muestra los ajustes log- Conclusiones y pasos a seguir

normales para las densidades así definidas,
dado que la construcción del modelo conti- Se estimaron los parámetros para los índices
nuo, desarrollado en el numeral 2.4, conside- bursátiles S&P 500 de EEUU, IPC de Méxi-
ra que la función densidad de probabilidad de co y el IGBC de Colombia, con la familia de
σt existe en estado estable y se asume que en modelos ARCH –que son en tiempo discre-
tal estado es lognormal. Por otra parte, El grá- to– y con un modelo empírico de volatilidad
fico 3 muestra el valor p correspondiente al estocástica –que es en tiempo continuo– de-
test de bondad de ajuste Kolmogorov-Smir- tallado por Paul Wilmott y Asli Oztukel.
nov para dos muestras a un nivel de signifi-
cancia de 0,05 en cada escenario simulado. Es razonable estimar la volatilidad de estos
La hipótesis nula del test, H0, es que ambas índices con los modelos ARCH o con el mo-
muestras, real y simulada, provienen de una delo empírico en tiempo continuo. Estos mo-
misma distribución continua; la hipótesis al- delos pueden ser aplicados posteriormente en
ternativa, H1, es que las muestras provienen la evolución temporal de la distribución de
de diferente distribución continua. Puede ob- la volatilidad y en la valoración de derivados
servarse que para los escenarios simulados el sobre dichos índices, puesto que en un gran
test sugiere que las muestras, real y simulada, número de escenarios simulados, en ambos
provienen de una misma distribución de pro- casos, se reflejan características probabilísti-
babilidad continua, dado que el valor p fue cas comunes de las series simuladas, concre-
mayor que 0,05 en cada caso. tamente que la distribución de la volatilidad
de los retornos es lognormal en el test de
Finalmente, el gráfico 4 muestra un ajuste bondad de ajuste de Kolmogorov-Smirnov.
lognormal a las series S&P 500, IPC y el IG- Este es un resultado significativo a tener en
BC, como también el valor p asociado con el cuenta en diversos tópicos relacionados con
test de Kolmogorov Smirnov para una mues- las finanzas.
tra, donde la distribución hipotética es la
distribución lognormal. En cada caso, el test Existen otros modelos de volatilidad estocás-
Kolmogorov Smirnov sugiere que la volati- tica en tiempo continuo, como el de Heston,
lidad de los retornos de las series financieras y en tiempo discreto, como el FIGARCH,
descritas siguen una distribución lognormal, que proporcionan un mejor ajuste de la vola-
a un nivel de significancia de 0,05, dado que tilidad real empírica que dan lugar a futuras
el valor p fue mayor que 0,05 en cada uno de aplicaciones.
los escenarios simulados.
Es necesario crear un software sencillo en el
que se puedan correr y comparar tanto mode-
los discretos como continuos y donde pueda
reflejarse la distribución real y simulada de
la volatilidad de los retornos.
Gráfico 4
Volatilidad de los retornos en el modelo continuo para las series financieras
Volatilidad S&P 500 Volatilidad IPC

14 9
12 8
7
10
6
8 5
Density
Density
6 4
3
4
2
2
1
0 0
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4
Data Data
sigma data Ajuste Lognormal sigma data Ajuste Lognormal
Volatilidad IGBC
4.5
4
3.5
3
2.5
Density
2
1.5
1
0.5
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4
Data
sigma data Ajuste Lognormal
En los gráficos 4a 4b y 4c se muestra el valor P asociado al test de bondad de ajuste de Kolmogorov Smirnov para una muestra a
un nivel de significancia de 0,05.
€
Lista de referencias Kloeden, P. and Platen, E. (1992). Numerical Solu-

tion of Stochastic Differential Equations. Sprin-
Black, F. and Scholes, M. (1973). The Pricing of ger-Verlang, second corrected printing edition.
Options and Corporate Liabilities. The Journal Australia: Deakin University-Australian Natio-
of Political Economy, 81(3), 637-654. nal University.
Bollerslev, T. (1986). Generalized Autoregressive Nelson, D. (1991). Conditional Heteroscedasticity

Conditional Heteroscedasticity. Journal of Eco- in Asset return: a New Approach. Econometri-
nometrics, 31f, 307-324. ca, 59, 347-370.
Cox, J., Ross, S. and Rubinstein, M. (1979). Option Rubinstein, M. (1994). Implied binomial trees. Jo-
Pricing: A Simplified Approach. Journal of Fi- urnal of Finance, 49(3), 771-818.
nancial Economics, 7, 229-263.
Scott, L. O. (1987). Option Pricing when the Varian-
Derman, E. and Iraj, Kani. (1994). Riding on a smile. ce Changes Randomly: Theory, Estimation, and
Risk, 7(2), 32-39. an Application. The Journal of Financial and
Quantitative analysis, 22(4), 419-438.
Doran, J. and Ronn, E. (2004). On the Market Price
of Volatility Risk. Florida State University: Uni- Stein, E. and Stein, J. (1991). Stock Price Distri-
versity of Texas at Austin. butions with Stochastic Volatility: An Analytic
Approach. The Review of Financial Studies,
Dupire, B. (1994). Pricing with a Smile. Risk Maga- 4(4), 727-752.
zine, 7(1), 18-20.
Tsay, R. (2005). Analysis of Financial Time Series.
Engle, R. (1982). Autoregressive Conditional He-
Second Edition. Hoboken, New Jersey: John
teroscedasticity with Estimates of the Variance
Wiley & Sons.
of United Kingdom Inflation. Econometrica,
50(4), 987-1007.
Wigging, J. B. (1987). Option Values under Stochas-
tic Volatility: Theory and Empirical Estimates.
Heston, S. (1993). A Closed-Form Solution for Op-
Journal of Financial and Quantitative Analysis,
tions with Stochastic Volatility with Applica-
19, 351-372.
tions to Bond and Currency Options. The Review
of Financial Studies, 6(2).
Wilmott, P. and Oztukel, A. (1998). Uncertain Pa-
rameters, an Empirical Stochastic Volatility
Hull, J. and White, A. (1987). The pricing of Options
Model and Confidence Limits. International
on Assets with Stochastic Volatilities. The Jour-
nal of Finance, 42(2), 281-300. Journal of Theoretical and Applied Finance,
1(1), 175-189.
Hull, J. (2003). Options, Futures and other Deriva-
tives. Fifth edition. Toronto: University of To- Wilmott, P. (1998). Derivatives: The Theory and
ronto- Prentice Hall. Practice of Financial Engineering. West Sus-
sex, England: John Wiley & Sons, LTD, Uni-

versity Edition.
Wilmott, P. (2000). Paul Wilmott on Quantitative

Finance, vol. 1. West Sussex, England: John
Wiley & Sons.
Zakoïan, J. (1994). Threshold Heteroscedastic Mo-

dels. Journal of Economic Dynamics and Con-
trol, 18, 931-944.

Modelos Discretos y Continuos

Cargado por

Copyright:

Formatos disponibles

Modelos Discretos y Continuos

Cargado por

Información del documento

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

Modelos Discretos y Continuos

Cargado por

Copyright:

Formatos disponibles

Modelos discretos y continuos

para estimar la densidad de

Antioquia, Medellín, Colombia (1995); Profesor de la Universidad de Medellín, Medellín, Colombia.

Modelos discretos y continuos para A Continuous Model and a Discrete

1. Modelos en tiempo discreto generalizados). Por GARCH se entiende el

1.2 El modelo univariante ARCH Donde δ0 > 0, δi ≥ 0, i = 1,2,…, p; εt =σt at ,

δ 0 > 0,0 ≤ δ 1 < 1. media 0 y varianza σ 2t = δ 0 + ∑δε

tiempo en el retorno de las tasas. σ 2t = δ 0 + ∑ δ i ε 2t −i + ∑θ σ j

El proceso GARCH (1,1) (Bollerslev, 1986) €

valores de σI manteniendo fijos los demás asociado a la distribución empírica mencio-

(a) Distribución de precios para un activo financiero (b) Sonrisa de la volatilidad

(c) Distribución de retornos para un activo financiero

Fuente: elaboración propia.

activo. La notación σt se hace para enfatizar te modo, el proceso de precios {St, 0 ≤ t ≤ T}

€ (36): 113-132, especial de finanzas-julio de 2008

P ( s,x; t,B) = P ( X t ∈ B X s =x ) P (s, x; t, y) asociada al proceso estocástico

φ (r ) = ∫ ∞−∞ φ ( x )p ( s,x; t,r )dx (14) β (σ t ) = φσ γt (16)

Cuad. Adm. Bogotá (Colombia), 21 (36): 113-132, especial de finanzas-julio de 2008

donde se aplicó que dt2 = dtdWt = 0 por 1 

Si de la última ecuación despejamos β(σ t )€, € =

Finalmente, comparando la última igual- La constante de integración C resulta ser

donde los coeficientes ρ y σ pueden es- 3.1 Resultados en tiempo discreto

δ0 -0,152974 -0,773267 8.73E-06

En el gráfico 2 se muestra la densidad de pro- fueron corridas en MATLAB®. En este grá-

Volatilidad S&P 500 Volatilidad IPC

(c) Volatilidad del IGBC. valor p = 0.0557

do con el test de Kolmogorov Smirnov para Se agrupa en clases la variable σt y se ­calcula

Se calcula la serie de volatilidades para los γ 0,410700 0,66415 0,838150

la densidad de probabilidad para la serie de la densidad de probabilidad para la serie de

(c) Volatilidad del IGBC. valor p = 0.1421

El gráfico 3 también muestra los ajustes log- Conclusiones y pasos a seguir

Volatilidad S&P 500 Volatilidad IPC

(c) Volatilidad del IGBC. valor p = 0.1779

Lista de referencias Kloeden, P. and Platen, E. (1992). Numerical Solu-

Bollerslev, T. (1986). Generalized Autoregressive Nelson, D. (1991). Conditional Heteroscedasticity

sex, England: John Wiley & Sons, LTD, Uni-

Wilmott, P. (2000). Paul Wilmott on Quantitative

Zakoïan, J. (1994). Threshold Heteroscedastic Mo-

También podría gustarte

do con el test de Kolmogorov Smirnov para Se agrupa en clases la variable σt y se calcula