Evaluación de pronósticos para la volatilidad empleando modelos autoregresivos con heterocedasticidad condicional generalizados aplicados a precios diarios de acciones en Argentina
Esta tesis trata sobre los hechos estilizados de los retornos y la volatilidad, los modelos de heterocedasticidad condicional, las funciones de densidad habitualmente empleadas junto a ellos, el diagnóstico de residuos y la evaluación de pronósticos fuera de la muestra. El abordaje no es sólo teóric...
Guardado en:
| Autor principal: | |
|---|---|
| Otros Autores: | |
| Formato: | masterThesis Tésis de Maestría publishedVersion |
| Lenguaje: | Español |
| Publicado: |
Universidad Nacional de Rosario
2018
|
| Materias: | |
| Acceso en línea: | http://hdl.handle.net/2133/11373 http://hdl.handle.net/2133/11373 |
| Aporte de: |
| Sumario: | Esta tesis trata sobre los hechos estilizados de los retornos y la volatilidad, los modelos de heterocedasticidad condicional, las funciones de densidad habitualmente empleadas junto a ellos, el diagnóstico de residuos y la evaluación de pronósticos fuera de la muestra. El abordaje no es sólo teórico, sino que además propone una aplicación para la serie de precios de las once acciones más líquidas de Argentina y el Índice MERVAL (2009-2016).
La leptocurtosis se impone como la característica más determinante y la principal falla al supuesto de densidad gaussiana. La asimetría juega un rol más acotado y sólo atenta contra la aproximación normal en determinados casos. El efecto apalancamiento, muy difundido en investigaciones para otros mercados, es observado sólo en circunstancias muy particulares.
Partiendo de un modelo ARCH(1, 1) − GARCH(1, 1) con densidad gaussiana, se diagnostican los residuos y se proponen variantes según las falencias detectadas. Los criterios de información tienden a seleccionar la especificación GARCH y la distribución generalizada del error, tanto simétrica como asimétrica.
Si bien estos nuevos modelos resuelven algunas de las limitaciones identificadas, no presentan necesariamente un mayor poder predictivo fuera de la muestra.
Los estadísticos direccionales y las medidas de error medio de pronóstico resultan muy similares, aunque la cantidad de excesos al VaR mejora en la mitad de los casos. La penalización de los criterios de información no siempre es suficiente para evitar el sobreajuste. |
|---|