Estimación de modelos de volatilidad estocástica en series de rendimientos bursátiles ESTIMACIÓN DE MODELOS DE VOLATILIDAD ESTOCÁSTICA EN SERIES DE RENDIMIENTOS BURSÁTILES García Centeno, Mª del Carmen*; Calvo Martín, Meri Emilia** * Universidad San Pablo CEU (Madrid); **Universidad Complutense de Madrid RESUMEN Las series temporales de alta frecuencia observadas en los mercados financieros y cambiarios se caracterizan por ser asimétricas, leptocúrticas, agrupamiento de la volatilidad, mostrar una elevada persistencia en volatilidad, correlaciones en los cuadrados, efecto leverage, etc. Estas características son las que se conoce en la literatura econométrica como hechos estilizados. Para recoger estas características de las series temporales se han planteado modelos no lineales, entre los que se pueden destacar básicamente dos tipos: por un lado, los modelos ARCH y GARCH y todas sus posibles variantes y por otro lado, los modelos de volatilidad estocástica. Estos modelos se diferencian entre sí en la forma de modelizar la volatilidad, así el primer tipo de modelos se caracteriza porque la varianza condicional depende de las observaciones pasadas de la serie (modelos ARCH) y de sus propios valores pasados (modelos GARCH), mientras que en los modelos de volatilidad estocástica la volatilidad es función de un proceso estocástico no observable. En este trabajo, vamos a analizar los distintos resultados obtenidos de la estimación de los dos tipos de modelos anteriormente propuestos, aplicados a series de rendimientos de índices bursátiles. XIII Jornadas de ASEPUMA 1 García Centeno, M. C.; Calvo Martín, M. E. 1. INTRODUCCIÓN El estudio de la volatilidad en los mercados financieros y cambiarios ha ido creciendo en las últimas décadas. Para estudiar la evolución dinámica de la volatilidad en la literatura econométrica se han propuesto básicamente dos tipos de modelos: los modelos de heterocedasticidad condicional autorregresiva (modelos ARCH, propuestos por Engle (1982) y modelos GARCH, propuestos por Bollerslev (1986)) y todas las variantes que a partir de ellos han ido surgiendo y los modelos de volatilidad estocástica (modelos SV, propuestos por Taylor (1986)) y sus variantes. De estos modelos, los más utilizados han sido los modelos de heterocedasticidad condicional autorregresiva, ya que son más sencillos de estimar y están ya implementados en la mayoría del software econométrico. Los modelos de volatilidad estocástica son más complicados de estimar ya que se desconoce cual es la función de verosimilitud. En este trabajo vamos a utilizar el modelo de heterocedasticidad condicional autorregresiva generalizado, modelo GARCH y el modelo de volatilidad estocástica autorregresivo de primer orden, modelo ARSV para estimar la evolución de la volatilidad de los rendimientos diarios de dos índices bursátiles: el CAC40 y el DAX30. Los datos para realizar estas estimaciones han sido obtenidos de la base de datos datastrem. La finalidad que se persigue con la formulación y la estimación de estos diferentes modelos es conseguir dependiendo de la forma de dependencia de la varianza condicional de su pasado o de otras variables que en ella puedan influir, el modelo más adecuado. Posteriormente estos modelos pueden ser utilizados en la obtención de predicciones de la volatilidad, medición de riesgo, valoración de opciones, etc. Sin embargo en este trabajo nos limitaremos sólo a la estimación de los diferentes modelos y a la comparación de los diferentes resultados obtenidos. 2. ANÁLISIS DE DATOS Las series temporales que vamos a utilizar son los rendimientos diarios de dos índices bursátiles. Para el cálculo de estas series de rendimientos, hemos utilizado los precios de cierre diarios de los días en los que existe mercado en el periodo comprendido entre 9-07-1987 y el 30-07-2004 para el CAC40 y entre 302 XIII Jornadas de ASEPUMA Estimación de modelos de volatilidad estocástica en series de rendimientos bursátiles 12-1987 y 30-07-2004 para el DAX30, es decir un total de 4552 y 4328 observaciones respectivamente para cada uno de los índices. Los rendimientos de cada uno de los índices se define como la variación porcentual del logaritmo del precio de cierre del índice para dos días consecutivos de mercado. Así, el rendimiento diario para el día t, (yt) se calcula de la siguiente forma: yt = 100 x (ln Pt-ln Pt-1), donde Pt representa el valor del índice del día t. La representación gráfica relacionada con estos índices es: (a) (b) d a to s C A C 4 0 r e n d im ie n to s C A C 4 0 ( R t) 6000 5 0 4000 -5 2000 -1 0 0 650 1 .0 (c) 1300 1950 A C F-A c f R t 2600 3250 3900 0 0 .5 0 .5 0 .0 0 .0 -0 . 5 -0 . 5 0 10 650 1 .0 (d) P A C F-A c f R t 20 30 1300 1950 A C F - A c f R t^ 2 0 2600 3250 3900 P A C F - A c f R t^ 2 10 20 30 Gráfico 1.1 CAC40: (a): Evolución diaria del índice a precios de cierre; (b): Rendimientos diarios del índice; (c): fac y facp de los rendimientos del índice; (d): fac y facp de los rendimientos al cuadrado del índice. (b) (a) 10 d a to s D A X 3 0 6000 r e n d im ie n to s D A X C 3 0 ( R t) 5 0 4000 -5 2000 -1 0 0 1 .0 650 13 00 A C F-A c f R t 195 0 2600 3250 39 00 0 1.0 P A C F-A c f R t (c) 650 1300 A C F - A c f R t^ 2 19 50 2600 3 250 39 00 P A C F - A c f R t^ 2 (d) 0 .5 0.5 0 .0 0.0 -0 . 5 -0 . 5 0 10 2 0 30 0 10 20 30 Gráfico 1.2 DAX30: (a): Evolución diaria del índice a precios de cierre; (b): Rendimientos diarios del índice; (c): fac y facp de los rendimientos del índice; (d): fac y facp de los rendimientos al cuadrado del índice. Los principales momentos muestrales obtenidos de los rendimientos diarios de estos índices están en las siguientes tablas: XIII Jornadas de ASEPUMA 3 García Centeno, M. C.; Calvo Martín, M. E. Contraste normalidad 2238.9 1.0728 -0.76950 13.716 7.5970 -13.029 CAC40 0.0210 6068.2 1.4421 -0.39914 8.7464 7.5517 -13.707 DAX30 0.0233 Tabla 1: Momentos muestrales de los rendimientos diarios de los índices en el periodo muestral. Media Desviación Asimetría típica K=1 CAC40 K=2 Máximo Mínimo K=3 K=4 K=10 K=20 K=50 K=100 -0.047 0.001 0.0005 0.017 0.042 0.005 0.201 0.152 0.180 0.119 0.066 0.022 Yt 0.0216 Yt 2 0.157 Yt -0.022 -0.009 -0.022 0.019 -0.019 -0.013 0.034 -0.008 Yt 2 0.194 0.185 0.170 0.126 0.115 0.093 0.044 DAX30 -0.003 Curtosis 0.290 0.168 Tabla 2: Autocorrelaciones muestrales de los rendimientos de los índices en la muestra. Las principales características que podemos destacar de los rendimientos de estos índices son las siguientes: 1) La serie de rendimientos de los índices se mueve en torno a un nivel constante igual a cero, que es bastante estable para toda la muestra. Sin embargo, la varianza de los rendimientos no se mantiene constante sino que va cambiando a lo largo del tiempo, como se puede apreciar en los gráficos 1.1 (b) y 1.2(b), observándose periodos en los que la volatilidad es menor (que coinciden con periodos en los que los rendimientos de los índices no sufren grandes cambios) y periodos en los que la volatilidad es mayor (que coinciden con los periodos en los que la variación de los rendimientos respecto de su media es mayor). Este comportamiento en los rendimientos de los índices es lo que se conoce como agrupamiento de la volatilidad o clustering de la volatilidad. 2) En las series de rendimientos existen datos que en periodos de relativa calma toman valores muy grandes, positivos o negativos. Estos son datos atípicos que coinciden con algún acontecimiento puntual que ha afectado al comportamiento de las bolsas. 3) Las series de rendimientos no siguen una distribución normal, ya que no son simétricas (los coeficientes de asimetría son negativos) y leptocúrticas, ya que su coeficiente de curtosis es mayor que el de una distribución normal (como se puede apreciar en la tabla 1), lo que implica unas colas más anchas que las de dicha distribución y que la respuesta de la volatilidad ante shocks de diferente signo sea asimétrica, este hecho es conocido en la literatura econométrica como efecto leverage. 4 XIII Jornadas de ASEPUMA Estimación de modelos de volatilidad estocástica en series de rendimientos bursátiles Además el estadístico Jarque Bera calculado para contrastar la normalidad, rechaza en todos los casos la hipótesis de normalidad. 4) En los gráficos de la función de autocorrelación simple (acf) y parcial (pacf) observamos que existe una nula correlación entre los rendimientos de la serie, pero sin embargo sí que existe correlación entre los rendimientos al cuadrado. Esta correlación suele ser casi siempre positiva, con valores que no son muy grandes pero estadísticamente significativos y que decrecen de forma lenta hacia cero. Esto es debido al agrupamiento que se produce en la volatilidad (lo que indica la presencia de heterocedasticidad condicionada en las series de rendimientos y la necesidad de modelizar el comportamiento de la varianza condicional). Este comportamiento de la series de rendimientos bursátiles muestra la existencia de persistencia de la volatilidad. Por lo tanto, podemos concluir diciendo que las series de rendimientos analizadas, presentan las características que autores como Bollerslev, Engle y Nelson(1994) entre otros, establecen como típicas de las series financieras: son asimétricas y leptocúrticas; ausencia o escasa correlación en las series de rendimientos; varianza cambiante a lo largo del tiempo, alternando periodos de poca volatilidad seguidos de otros de alta volatilidad (agrupamiento de la volatilidad); existe correlación en los cuadrados de los rendimientos de la serie y estas decrecen de forma lenta hacia cero (persistencia de la volatilidad). 3. MODELIZACIÓN DE LA VOLATILIDAD Las características que hemos visto que presentan los rendimientos de los índices bursátiles, con carácter genérico, se pueden modelizar utilizando dos tipos de modelos, los modelos ARCH, GARCH y sus posibles variantes y los modelos SV y sus posibles variantes. 3.1. Modelos de heterocedasticidad condicional autorregresiva La volatilidad en este tipo de modelos se define como una función determinista de las innovaciones pasadas al cuadrado y de la varianza condicional retardada. Es determinista en el sentido de que la ecuación de la media tiene un término de perturbación y que su varianza sé modeliza condicionalmente según el conjunto de información hasta el periodo t-1. XIII Jornadas de ASEPUMA 5 García Centeno, M. C.; Calvo Martín, M. E. Dado el comportamiento de las funciones de autocorrelación simple y parcial de los cuadrados de los rendimientos de índices bursátiles vamos a proponer para las series de rendimientos financieros un modelo GARCH(1,1). El modelo GARCH(1,1) viene especificado por las siguientes ecuaciones: Ecuación de la media : yt = µ + σtε t 2 t 2 1 t −1 Ecuación de la varianza : σ = α 0 + α ε ε t ~ i.i.d.(0,1) + β1σ 2t −1 donde α>0, α1,β1≥ 0 α1+β1<1, para que el proceso sea estacionario y no degenere; yt representa a los rendimientos de los índices bursátiles; µ es la constante; σt es la volatilidad y εt es la perturbación aleatoria que es independiente y está idénticamente distribuida con media cero y varianza igual a uno. Nosotros vamos a añadir el supuesto de normalidad. 3.2. Modelos de volatilidad estocástica En los modelos de volatilidad estocástica, la varianza condicional se modeliza como un componente no observado que sigue un proceso estocástico latente (proceso que a veces no es conocido y otras veces se supone que la volatilidad sigue un proceso autorregresivo de primer orden). Por lo tanto, en un modelo de volatilidad estocástica la desviación de cada valor de yt respecto de su media se captura con dos términos de perturbación, mientras que en los modelos GARCH sólo con uno. El problema de estos modelos de volatilidad estocástica es que la función de verosimilitud es desconocida y no es fácil de construir, por estas razones existen dos formas para estimarla: los métodos que tratan de estimar la función de verosimilitud de forma exacta y los métodos que tratan de aproximarla. En este caso vamos a recurrir a máxima verosimilitud utilizando Monte Carlo, donde la función de verosimilitud se evalúa utilizando muestreo de importancia. La razón por la que hemos utilizado esta técnica es para poder estimar simultáneamente todos los parámetros que aparecen tanto en la ecuación de la media, como de la varianza y del proceso de volatilidad. En este caso vamos a estimar un modelo de volatilidad estocástica autorregresivo de primer orden, modelo ARSV(1), definido por las siguientes ecuaciones: 6 XIII Jornadas de ASEPUMA Estimación de modelos de volatilidad estocástica en series de rendimientos bursátiles Ecuación de la media : yt = µt + σtε t 2 t ε t ~ N(0,1) 2 * Ecuación de la varianza : σ = σ exp(h t ) donde h t = ln σ 2t y el proceso estocástico para ht es un autorregresivo de σ*2 primer orden definido de la siguiente forma: ht = φht-1+ ηt. Por lo tanto el modelo ARSV(1) quedaría especificado por las ecuaciones: y t = µ t + (σ * exp(0.5h t )) ε t h t = φ h t −1 + η t , | φ |< 1 ε t ~ N(0,1) η t ~ N(0, σ 2η ) E( ε t η t ) = 0 [3.2.1] donde yt son los rendimiento de los índices bursátiles; µt representa la media de los rendimientos, la cual puede depender de una constante o de varios regresores; σ 2t representa el proceso de volatilidad y se modeliza como una exponencial para garantizar que la varianza sea positiva; σ * es un factor de escala positivo; φ es un parámetro que está restringido a tomar valores comprendidos entre cero y uno para garantizar la estacionariedad del proceso; σ η es un parámetro que mide la variación en el proceso de volatilidad. Suponemos que las perturbaciones de la ecuación de la media y de la varianza siguen una distribución normal y están mutuamente incorrelacionadas y para todos los retardos. Este modelo no es un modelo lineal, ya que la volatilidad está definida como una exponencial, sin embargo se puede convertir en un modelo lineal expresándolo en forma de espacio de los estados (sin embargo existe un problema adicional ya que las perturbaciones de la ecuación de medida no son gaussianas). Para ello, la función de verosimilitud se puede aproximar descomponiéndola en una parte gaussiana (utilizando el filtro de kalman) y otra función cuyo valor esperado se calcula mediante simulación. Bajo el supuesto de que la media de los rendimientos de los índices bursátiles no cambia, es decir no tiene un comportamiento dinámico, vamos a expresar el modelo en forma de espacio de los estados siguiendo el modelo propuesto por Sandmann y Koopman (1998). El objetivo de expresar el modelo en forma de espacio de los estados es linealizarlo. Para ello necesitamos dos ecuaciones: la ecuación de medida y la ecuación de transición. En este caso, vamos a obtener la ecuación de medida a partir de la ecuación de la media elevando al cuadrado y calculando el logaritmo, en ambos miembros de la ecuación. Esta XIII Jornadas de ASEPUMA 7 García Centeno, M. C.; Calvo Martín, M. E. ecuación relaciona variables observables con variables no observables(en nuestro caso la volatilidad) del siguiente modo: ln y 2t = ln σ *2 + h t + ln ε 2t Esta ecuación nos indica que el logaritmo del rendimiento al cuadrado se obtiene como suma de una constante y de dos procesos estocásticos independientes entre sí, la volatilidad, ht, que es un proceso lineal estacionario y la perturbación aleatoria que en este caso no sigue una distribución normal, ya que hemos supuesto que las perturbaciones de la ecuación de la media, εt, siguen una distribución normal con media cero y varianza uno, entonces el ln ε 2t se distribuye como una χ 12 con media igual a (-1.27) y varianza (π2/2) como demostraron Abromowitz y Stegun (1970). La otra ecuación necesaria para expresar el modelo en forma de espacio de los estados es la ecuación de transición, cuya expresión es la siguiente: h t= φht-1 + ηt ηt ~ N(0, σ η2 ) Esta ecuación representa cual es la dinámica de la volatilidad a lo largo del tiempo, la cual depende del valor de la volatilidad en el periodo anterior y de un término de ruido, que suponemos que sigue una distribución normal con media cero y varianza σ η2 . Las perturbaciones de la ecuación de medida y de transición suponemos que son independientes. 3.2.1. Procedimiento de estimación de la función de verosimilitud utilizando Monte Carlo Una vez que se ha expresado el modelo en forma de espacio de los estados para estimar los parámetros (φ, ση, σ*) de este modelo de volatilidad estocástica, hemos seguido los siguientes pasos: 1) Para un vector de parámetros dados, se obtiene un modelo gaussiano aproximado. De acuerdo con los resultados consultados, el valor del parámetro φ está en torno a 0.9. Para dar un valor inicial al parámetro σ* tomamos como referencia la varianza muestral de la serie de rendimientos de los índices. 2) El logaritmo de la verosimilitud gaussiana del modelo aproximado se calcula utilizando el filtro de Kalman para generar el muestreo de importancia. 8 XIII Jornadas de ASEPUMA Estimación de modelos de volatilidad estocástica en series de rendimientos bursátiles 3) Para realizar estas estimaciones nos ayudamos del programa implantado en Ox por Doornik (1998). En el cual el número generador aleatorio se inicializa en un valor fijo. 4) Se utiliza el método de maximización de BFGS. 5) Tras sucesivas iteraciones se obtienen los valores de los parámetros del modelo de volatilidad estocástica. 4. RESULTADOS DE LA ESTIMACIÓN. Los resultados obtenidos de la estimación de un modelo GARCH(1,1) para los rendimientos de los dos índices bursátiles son los siguientes: µ (Estadístico t) α0 (Estadístico t) α1 (Estadístico t) β1 (Estadístico t) Log-likelihood AIC α1+β1 CAC 40 DAX30 0.0457739 (2.60) 0.0439794 (3.07) 0.0889455 (5.92) 0.886286 (49.5) -7170.24408 3.22365495 0.975232 0.0512173 (2.72) 0.0462024 (2.19) 0.101099 (3.90) 0.877803 (33.9) -7096.70689 3.28204617 0.978902 Tabla 3: Resultados de la estimación para los rendimientos de los índices de un GARCH(1,1). Los gráficos residuos para esos modelos estimados son los siguientes: DAX30 CAC40 Yt 10 Yt 5 Fitted r:media= (scaled) Fitted 5 r:Yt (scaled) 5 5 0 0 0 0 -5 -5 -10 -10 0 650 1300 1950 2600 3250 3900 -10 0 650 4 0 1300 1950 2600 3250 3900 650 1300 1950 2600 3250 3900 CondSD 1.0 CondSD -5 -5 ACF-r:Yt PACF-r:Yt 0 1.0 650 1300 1950 2600 3250 3900 ACF-r:Yt PACF-r:Yt 4 0.5 0.5 3 3 0.0 0.0 2 2 -0.5 -0.5 1 1 0 650 1300 1950 2600 3250 3900 0 20 40 60 0 650 1300 1950 2600 3250 3900 0 10 20 30 Gráfico 2: Rendimientos; Residuos escalados; (CondSD)Desviación estándar condicional; (ACF y PACF) Función de autocorrelación simple y parcial de los residuos. XIII Jornadas de ASEPUMA 9 García Centeno, M. C.; Calvo Martín, M. E. En la estimación del modelo GARCH(1,1) para los rendimientos del CAC40 y DAX30, se puede apreciar que todos los parámetros son significativos, lo que indica que los rendimientos de los índices bursátiles se ven afectados por el comportamiento de la volatilidad en el periodo anterior. Además, se ha recogido con esta estimación de forma adecuada la dependencia de los cuadrados ya que las funciones de autocorrelación simple y parcial tienen prácticamente todos sus valores en torno a cero, lo que implica que el agrupamiento de la volatilidad ya no es tan acentuado. La persistencia de la volatilidad está medida por los valores estimados de α1+β1, que en este caso son valores próximos a uno. Los resultados de la estimación obtenidos con un modelo ARSV(1) para los rendimientos de los índices bursátiles son: CAC 40 DAX30 0.97933 0.98366 φ (0.96479 0.98794) (0.97575 0.98902) (Ext. Sup. Ext. Inf.) 0.023603 0.027551 σ* (0.015677 0.035537) (0.020255 0.037476) (Ext. Sup. Ext. Inf.) 1.2894 1.3264 ση (1.0305 1.6135) (0.98577 1.7847) (Ext. Sup. Ext. Inf.) Log-likelihood -7107.84 -6926.3 3.434 6.659 Estadístico Q(12) Tabla 4: Resultados de la estimación para los rendimientos de los índices de un ARSV(1) DAX30 CAC40 Rendim. índice(Rt) 7.5 ar1 7.5 Rendim. índice(Rt) ar1 700 1750 5.0 5.0 2.5 2.5 0.0 0.0 -2.5 -2.5 -5.0 -7.5 -5.0 -10.0 -7.5 -12.5 -10.0 0 350 700 1050 1400 1750 2100 2450 2800 3150 3500 3850 4200 0 350 1050 1400 2100 2450 2800 3150 3500 3850 4200 Gráfico 3: Estimación de la evolución de la volatilidad en la serie de rendimientos del DAX30 y del CAC40. Los resultados de la estimación nos muestran que los intervalos de la estimación no son simétricos porque el modelo estimado no es lineal, además los valores estimados del parámetro φ (que mide la persistencia de la volatilidad) son 10 XIII Jornadas de ASEPUMA Estimación de modelos de volatilidad estocástica en series de rendimientos bursátiles valores elevados pero no llegan a uno, lo que implica que el proceso es estacionario. En el gráfico 3 se puede apreciar la evolución de la volatilidad en los rendimientos de los índices bursátiles en el periodo muestral estudiado, siendo mayor la volatilidad para ambos al comienzo y al final del periodo muestral que en los periodos intermedios. 5. CONCLUSIONES La modelización de la volatilidad no es única y para elegir el modelo que mejor recoja la evolución dinámica de la volatilidad es necesario hacer un análisis de las características que determinan el comportamiento de las series financieras que sean objeto de estudio. Los modelos de volatilidad estocástica, aunque son más complicados de estimar que los modelos GARCH, permiten captar mejor, en muchos casos, la evolución de la dinámica de la volatilidad a lo largo del tiempo. En la utilización de estos modelos (por ejemplo, para hacer predicciones de la volatilidad) es necesario tener en cuenta que los valores más recientes proporcionan más información. 6. REFERENCIAS BIBLIOGRÁFICAS • ABRAMOWITZ, M. STEGUN, N.C.(1970). Handbook of Mathematical Functions. Dover Publications, Inc. New York, pp.943. • BOLLERSLEV, T., ENGLE R.F. y NELSON D.B. (1994). “ARCH models”. Handbook of Econometrics, Vol. IV. En R.F Engle y D.L. McFadden (eds.), pp.2959-3038. • BROTO, C., RUÍZ, E. (2004). “Estimation methods for stochastic volatility models: A survey. Journal of Economic Surveys, 18, pp.613-649. • SANDMANN G., KOOPMAN, S.J. (1998). “Estimation of stochastic volatility models via Monte Carlo maximum likelihood”. Journal of Econometrics, 87. pp.271-301. • TAYLOR, S. (1994). “Modeling stochatic volatility: a review and comparative study”. Mathematical Finance, 4, pp.183-204. XIII Jornadas de ASEPUMA 11