CA P Í T U LO 1 3

Modelos para la
volatilidad condicional:
Los modelos de heteroscedasticidad
condicional autorregresiva

Dr. Armando José Urdaneta Montiel

 Introducción

En este capítulo se presentan algunos modelos que permiten modelar la

volatilidad de un proceso estocástico. La volatilidad es un concepto crucial en
finanzas ya que mide la dispersión de los datos alrededor de alguna medida de
tendencia central como la media.

Este capítulo se concentrará en un tipo de modelos para la volatilidad conocidos

como modelos de heteroscedasticidad condicional autorregresiva (ARCH por sus
siglas en inglés, Autoregressive Conditional Heteroskedasticity).

Como es usual se presentará la parte matemática de los modelos seguida de la

parte intuitiva de los mismos mediante el desarrollo, en detalle, de ejemplos de
aplicación real. Para estas aplicaciones se emplea EViews, que dará al lector
una idea clara de la forma en que este software se puede utilizar para obtener
los coeficientes estimados y pronósticos deseados.
 Modelos básicos de volatilidad
Por lo general, la volatilidad se estima mediante la varianza o desviación estándar. A modo de recuerdo,
la varianza se calcula de la siguiente manera:

Donde: N representa el tamaño de la población. La fórmula de la varianza para el caso de la muestra

está dada por:

A esta forma de hallar la varianza se le conoce como la varianza incondicional o varianza histórica. Se
advierte que la varianza muestral se divide por n - 1 para obtener un estimador insesgado de la varianza.
Si n es bastante grande, la diferencia entre usar n y n - 1 es casi nula. La desviación estándar
simplemente corresponde a la parte positiva de la raíz de la varianza.
 Modelos básicos de volatilidad
El problema con esta forma de pronosticar la varianza viene dado por el hecho que si existe una
observación extrema en el período (t - j) que generó que la varianza tome un valor bastante grande, el
efecto de este permanecerá indefinidamente en el cálculo de la varianza.

Una forma de remediar esto es buscar la manera de dar más peso a las observaciones presentes y
menos a las más antiguas. Una forma de lograr eso es usando los promedios móviles ponderados
exponencialmente. La forma general de este modelo toma la siguiente forma:

Donde: δ representa el factor de decrecimiento. Obviamente, como no se tienen infinitos rezagos,

en la practica esta suma se trunca de acuerdo al numero de observaciones con las que se cuenta. Se
asume usualmente que este parametro δ es igual a 0,94.
 Modelos básicos de volatilidad

Al igual que en el caso de la varianza

histórica, los pronósticos serán iguales
al valor estimado más reciente.

Finalmente, otra forma de estimar y

hacer pronósticos de la volatilidad de
un proceso estocástico es mediante los
procesos autorregresivos.
 Modelos básicos de volatilidad

En esta sección se mencionan dos de los métodos de bastante uso para estimar la volatilidad diaria de
los retornos de las acciones.
El primer método se basa en estimar la volatilidad como los retornos al cuadrado. Para esto se
consideran los retornos en un determinado período, por lo general, un día o una semana y se estima la
volatilidad de la siguiente manera:

El segundo método usado como aproximación de la volatilidad se estima mediante el rango de los
precios (precio más alto menos precio más bajo) de un determinado instrumento financiero en un
determinado período de tiempo (un día, por ejemplo). En este caso la volatilidad se estima como:

Una vez calculados estos estimadores se procede a construir un modelo de series de tiempo, modelos
ARMA(p,q) de la siguiente manera:
Modelos de heteroscedasticidad condicional autorregresiva
Los modelos desarrollados a partir de este modelo son de bastante uso en
las finanzas, donde se trata de pronosticar el rendimiento y la volatilidad
esperados de algún instrumento financiero. En términos econométricos, en
esta sección se estará interesado en modelar la media y la varianza
condicional de una serie de tiempo de manera simultánea.

En esta sección se busca la forma de estimar la varianza condicional y la

forma en la que se puede, de manera simultánea, estimar la media
condicional controlando la evolución de los errores.

La media condicional puede tomar diversas formas. Esta puede ser

representada por una ecuación del tipo presentado en el modelo de
mínimos cuadrados ordinarios o como un modelo de series de tiempo. Por
ejemplo, se puede tener un modelo para la media condicional que tenga la
siguiente estructura:
 Modelos de heteroscedasticidad condicional autorregresiva

En esta sección y para entender la lógica de los modelos que se desarrollaran a continuación se partirá
asumiendo que la media condicional puede ser adecuadamente modelada mediante un modelo AR(1).
Por lo tanto, el modelo para la media condicional tomara la siguiente forma:
 El modelo ARCH(q)
Si se parte del modelo de la media condicional presentado en la ecuación anterior, se define el modelo
ARCH(q) a partir de los errores () presentados en la ecuación anterior:

Con base en esta Ecuación se puede definir el modelo ARCH(2), asumiendo que se distribuye como una
normal estándar
 El modelo ARCH(q)

Como se puede observar, los retornos

tienden a agruparse y ocurrir en grupos
claramente definidos por periodos de
gran volatilidad y otros de baja
volatilidad. Observese, por ejemplo, el
movimiento de los retornos durante los
anos 2008 y 2009 (gran volatilidad) en
comparacion con el correspondiente a
los 2004-2006 (baja volatilidad)

El modelo ARCH es capaz de capturar

este tipo de movimiento de la
volatilidad. Para observar esto se debe
examinar la última parte de la ecuación
anterior
 Los momentos del modelo ARCH

En el apéndice de este capitulo se presenta la derivación detallada de cada uno de los momentos del
modelo ARCH(q), cuyos resultados se muestran a continuación. Se recomienda al lector ver el apéndice
para comprender cada una de las formulas que se analizan en esta sección.

Este resultado a su vez implica que la media incondicional de los errores también será igual a cero. Es
decir:

La varianza condicional de los errores está definida por:

Y la varianza incondicional por:

 Detección de la presencia de los efectos ARCH

Para detectar la presencia de los efectos ARCH en una serie de tiempo se sigue el siguiente procedimiento:

a. Estimar la media condicional, tal como las presentadas en las Ecuaciones anteriores

b. Archivar los errores de esta regresión.

c. Correr la siguiente regresión auxiliar

Donde: es el error de la regresión auxiliar y q representa el número de rezagos en la ecuación auxiliar.

d. Calcular la prueba chi cuadrado correspondiente a la regresión auxiliar. Recuérdese que esta prueba se
obtiene de la siguiente manera:
 Detección de la presencia de los efectos ARCH

e) Dado el estadístico hallado en el punto anterior, rechazar o no la siguiente hipótesis nula:

En palabras, la hipótesis nula se refiere a la no existencia de efectos ARCH. Se recuerda que la hipótesis
nula se rechazará si el valor del estadístico calculado cae a la derecha del valor crítico o si el p-valor es
menor que el nivel de significancia estadístico deseado.
 Detección de la presencia de los efectos ARCH
Ejemplo 1

En este ejemplo se utilizaran los mismos datos que se usaron para crear el grafico 1. Se conoce que este
grafico presenta 5.081 retornos diarios del indice S&P 500 desde el 02 de enero de 1990 hasta el 26 de
febrero 2010. Los datos se encuentran en el documento EViews “arch_efectos_sp500. wf1”. Se recuerda
que de acuerdo al procedimiento senalado anteriormente, el primer paso para determinar la presencia de
los efectos ARCH, es crear la regresion auxiliar. Por lo general, se asumirá la siguiente especificacion
simple para la media condicional:

𝑦 𝑡 =𝑐
Es decir, se calculan los errores estimados a partir de la regresión de la serie de tiempo contra una
constante. Se conoce que c, en este caso, representa la media incondicional de la serie de tiempo. Para
correr esta regresión en EViews se sigue el siguiente procedimiento:

Quick, Estimate Equation

 Detección de la presencia de los efectos ARCH

En este caso “rsp” representa los retornos

calculados a partir de los valores del indice
S&P 500. Para determinar la presencia de
efectos ARCH y recordando que la prueba
que se ha presentado es una prueba de
maxima verosimilitud, se hace lo siguiente
en la ventana de la ecuacion:

View, Residual Tests, Serial Correlation LM test

 Detección de la presencia de los efectos ARCH
Como se tienen datos diarios, la regla empírica afirma que el numero adecuado de rezagos debe ser
alrededor de 5. Se ingresa este numero en la ventana que pide esta información y se obtendrá lo siguiente:

EViews llama a la prueba de hipotesis presentada

anteriormente “Obs*R-squared”. Como se estan
empleando 5 rezagos, q (los grados de libertad
de la distribucion chi-cuadrada) sera igual a ese
numero. Como es usual se utiliza el p-valor para
ver si se rechaza la hipotesis nula de no efectos
ARCH. Se asume que se desea un 5% de
significancia estadistica.
 El modelo ARCH generalizado, GARCH(p,q)
El principal problema con el modelo ARCH es que muchas veces el número de rezagos (q) requeridos es
bastante grande. Esto presenta una serie de problemas generados por la no parsimonia del modelo, entre
los cuales el más grave es el que la condición de no negatividad puede ser violada, lo que significa que se
pueden obtener varianzas condicionales negativas.

Otro problema del modelo ARCH es el hecho mismo de la determinación del número óptimo de rezagos a
utilizar (q). Hasta ahora no existe un método universalmente aceptado. Por esto, lo mejor a hacer es utilizar
un modelo que es la generalización del modelo ARCH original y que de manera bastante sencilla solucione
los problemas mencionados. Ese modelo es conocido como el modelo ARCH generalizado, GARCH(p,q). El
modelo GARCH(p,q), se define de la siguiente manera:
 El modelo ARCH generalizado, GARCH(p,q)

En este modelo p se refiere al numero de rezagos de la varianza condicional. Por ejemplo, el modelo
GARCH(1,1), con que se distribuye como una normal estándar, sería:

En el apéndice se demuestra que el modelo GARCH es un modelo ARMA(p,q) de los errores al

cuadrado ( ). Para el caso de un GARCH(1,1), esto quiere decir, que el modelo presentado en la
ecuación (19), se puede expresar como un modelo ARMA(1,1), es decir:

Donde: representa los errores que no presentan efectos ARCH. Se advierte que para satisfacer la
condición de estacionariedad del modelo ARMA(α + β) tiene que ser menor que 1. Por otro lado, bajo
el supuesto de estacionariedad:
 El modelo ARCH generalizado, GARCH(p,q)

Dondees la varianza incondicional.

Si se reordena en términos de , se obtiene:

Por ejemplo, para el caso del modelo GARCH(1,1), la varianza incondicional estará dada por:
El modelo ARCH generalizado, GARCH(p,q)

El modelo GARCH(p,q) no está libre de problemas. Este modelo tiene

básicamente dos tipos de problemas que han dado origen a una serie
de modificaciones y nuevos modelos que se verán en detalle en las
siguientes secciones.

El modelo GARCH tiene problemas con las condiciones de no

negatividad presentados anteriormente. Este problema se presenta de
vez en cuando en las aplicaciones prácticas. La solución a este
problema es la imposición de restricciones que fuercen a los
coeficientes a no ser negativos.

El otro problema del modelo GARCH se refiere a que por construcción

este modelo captura el efecto de la magnitud de los errores elevados al
cuadrado y, por lo tanto, no es capaz de capturar los efectos que tiene
el signo de los mismos (los errores).
 El modelo ARCH generalizado, GARCH(p,q)

Otro problema del modelo GARCH es que no permite una retroalimentación directa de la media
condicional con la varianza condicional. Esto se resuelve usando un modelo como el ARCH-M

A continuación se verá como se emplea EViews para estimar el modelo GARCH

Ejemplo 2
Se continúan utilizando los datos del indice S&P 500 presentados anteriormente. Para desarrollar este
modelo en EViews se sigue el siguiente procedimiento:

Quick, Estimate Equation

Aqui se debe cambiar el metodo de “LS-Least Squares (NLS and ARMA)” por “ARCH- Autoregressive
Conditional Heteroskedasticity”. Al hacer esto aparecerá la siguiente ventana donde se escribe el
modelo que se desea estimar.
 El modelo ARCH generalizado, GARCH(p,q)

En el primer recuadro se especifica la ecuación

para la media condicional. Si se desea que esta
sea igual a la media incondicional, simplemente se
pondrá “rsp c”, tal como se muestra en el grafico.
Por ahora no se pone nada en la opción “ARCH-M”
(ARCH en media), lo que se explicara después.

Para obtener el modelo GARCH(1,1) se pondrá lo

siguiente:

- Model: GARCH/TARCH
- Order:
◦◦ ARCH: 1
◦◦ GARCH: 1
- Error distribution: Normal (Gaussian)
 El modelo ARCH generalizado, GARCH(p,q)

Esta ventana presenta simultáneamente los

resultados de la estimación de la media
condicional y de la varianza condicional (Variance
Equation). En este caso se ha definido la media
condicional simplemente igual a la media
incondicional (c), pero nada limita a utilizar otro
modelo. En general, se utiliza para la media
condicional algún modelo de la familia ARMA(p,q).
 El modelo ARCH-M
En finanzas existe una relación que es de bastante uso: la relación entre riesgo y rentabilidad. La idea
básica es que a mas riesgo se exigirá mas rentabilidad, es decir, que el riesgo tiene un precio que debe
ser considerado.

si se supone que la media condicional se describe como un modelo AR(1), el modelo ARCH-M sería
escrito como:

Donde: sigue un proceso del tipo ARCH. Se espera que el coeficiente de la varianza condicional sea
positivo y estadísticamente significativo, de esa manera a mayor riesgo se demandará mayor
rentabilidad.

El modelo ARCH-M se puede expresar no en términos de la varianza condicional como en la ecuación

anterior, pero sí en términos de la desviación estándar condicional:
 El modelo ARCH-M
Ejemplo 3
Se sigue con el empleo de los datos de los ejemplos anteriores. Se define la media condicional como un
modelo AR(1) y, a la vez, se asume que la desviación estándar condicional entra en dicha ecuación (el
modelo ARCH-M). Para esto se sigue el siguiente procedimiento:

Quick, Estimate Equation

De nuevo, se cambia el método de “LS-Least Squares (NLS and ARMA)” por “ARCH- Autoregressive
Conditional Heteroskedasticity” y, en la ventana que aparece a continuación, determinar el uso del
modelo ARCH-M. En esta ventana se escoge “Std.Dev.”
 El modelo ARCH-M

Si se observan los resultados, se puede advertir que la

especificacion AR(1) no es adecuada para modelar la serie
de retornos del S&P 500 que se esta empleando en este
ejemplo. El efecto de la desviacion estandar condicional en
la ecuacion de la media condicional es significativo solo al
10% (el p-valor de “@SQRT(GARCH)” es igual a 0,0883).
 La curva de impacto de las noticias
La curva de impacto de las noticias es un concepto desarrollado por Engle and Ng en el año de 1993.
Este concepto surgió a raíz de la observación en las bolsas de valores donde los movimientos a la baja
son seguidos por volatilidades mas grandes que movimientos al alza de similar magnitud. Este
concepto también se refiere a la no simetría de la varianza condicional. La curva toma la siguiente
forma genérica:
 El modelo TARCH
El modelo TARCH (Threshold ARCH) fue desarrollado independientemente por Zakoian (1990)4 y
Glosten, Jaganathan y Runkle (1993)5. Es por esto que el modelo TARCH es además conocido como el
modelo GJR. La forma que toma este modelo es la siguiente:

Donde:

Así, el modelo no solo captura la magnitud de los errores al cuadrado, sino además el signo de los
errores. Por lo tanto, malas noticias ( < 0) y buenas noticias ( > 0) tienen un efecto distinto en la
varianza condicional. Frente a malas noticias, = 1, la varianza condicional será igual a:

Mientras que frente a noticias buenas la varianza condicional será igual a:

 El modelo TARCH
Ejemplo 4:

Si se continua con el uso de los datos presentados a lo largo del capitulo, se muestra la forma en que se
puede estimar este modelo usando EViews. Se supone que la media condicional de la serie de tiempo es
igual a la media incondicional, es decir, igual a la constante. Asimismo, se verifica si el modelo TARCH o
GJR es un modelo adecuado para la volatilidad condicional. Para esto se sigue el siguiente
procedimiento:

Quick, Estimate Equation

 El modelo TARCH

Luego de presionar “OK”, se obtendrán los

resultados de este modelo. Estos resultados
son presentados en el siguiente gráfico.
El modelo TARCH
 El modelo TARCH
Ante noticias buenas la varianza condicional será igual a:

Mientras que ante la presencia de malas noticias la varianza condicional será igual a:

Como se puede apreciar, la varianza condicional será mayor en la presencia de malas noticias.

Bollerslev-Woolridge. Para hacer esto en EViews, en la ventana donde se define el modelo, se hace lo
siguiente:

Options, Heteroskedasticity consistent covariance

(Bollerslev-Woolridge)
 El modelo TARCH

Con esto se obtendrán los siguientes resultados:

 El modelo TARCH
El modelo Exponencial - GARCH o EGARCH fue desarrollado por Nelson en el ano de 1991.6 Este modelo
también captura el efecto del apalancamiento y la asimetría de la volatilidad condicional en respuesta a
buenas y malas noticias, pero usando una diferente especificación. El modelo EGARCH se define como:

Se advierte que el EGARCH modela el logaritmo de la varianza condicional, por lo que el efecto de
apalancamiento será exponencial. También, usando esta especificación se asegura que las varianzas
condicionales nunca serán negativas.
 El modelo TARCH

Nelson, asumió en su modelo que los errores (u) seguían la distribución generalizada de los errores.
EViews, supone por default que los errores siguen una distribución normal. Sin embargo, en EViews se
puede cambiar la distribución de acuerdo a lo que sea más apropiado. La ecuación estimada por
EViews, cuando se considera que los errores siguen una distribución normal, es la siguiente:

Finalmente, para órdenes superiores de este modelo, EViews asume el siguiente modelo:
 El modelo TARCH
Ejemplo 5:

Se asume que la media condicional de la serie de

tiempo es igual a la media incondicional, es
decir, igual a la constante. En este ejemplo se
verificará si el modelo EGARCH es un modelo
adecuado para la volatilidad condicional y si se
puede encontrar el efecto de apalancamiento y no
simetría de la varianza condicional. Para esto se
hace:
Quick, Estimate Equation

De nuevo, se cambia el método de “LS-Least

Squares (NLS and ARMA)” por “ARCH-
Autoregressive Conditional Heteroskedasticity”. Se
selecciona “EGARCH” y en la ventana que
corresponde a “Threshold order” colocar 1. Ese
procedimiento se muestra a continuación:
 El modelo TARCH

Advierta que es recomendable estimar los errores

estándar robustos (Bollerslev-Woolridge), tal como
se mencionó en el ejemplo anterior. Si se hace esto,
se obtendrán los resultados presentados en el
siguiente gráfico.

En este gráfico se puede observar que el coeficiente

γ es estadísticamente significativo (p-valor=0,000) y
negativo (γ = -0,093636). Esto último implica que el
efecto de apalancamiento está presente y
finalmente, como γ es distinto de cero, el impacto
de las noticias (buenas o malas) en la varianza
condicional es asimétrico.
 El modelo TARCH

Como se puede observar en este grafico, los valores

de los coeficientes estimados cambian ligeramente,
pero no la significancia estadistica de los mismos.