A c ndolo; si es baja en un
periodo tiende a seguir siendo baja en el periodo siguiente.
Discontinuidades de saltos en los precios: De manera ocasional se
pueden producir valores altos de volatilida en momentos concretos.
Los periodos de alta y baja volatilidad acostumbran a venir seguidos
de periodos en los que la volatilidad es mas moderada a largo plazo.
Comportamiento asimetrico de las series: La volatilidad puede ser
afectada de forma diferente (con rendimientos positivos o negativos) seg
A
o
n
lleguen al mercado buenas o malas noticias. Los rendimientos negativos,
mayores y m
2
1 r
2
1
>
2
(7)
13
4.2 Modelos ARCH
La estructura basica del modelo es:
y
t
= a
t
.
t
(8)
2
t
=
0
+
1
.y
2
t1
0
> 0, 0 <
1
< 1 (9)
Sustituyendo (8) en (9)
y
t
=
_
_
0
+
1
.y
2
t1
_
.E
t1
(y
t
) = 0 (10)
su esperanza y varianza condicional son:
V ar
t1
(y
t
) = E
t1
y
2
t1
=
_
0
+
1
.y
2
t1
_
.E
t1
_
a
2
t
_
=
0
+
1
.y
2
t1
(11)
por lo que la varianza condicional de los rendimientos vara en funcion de la
realizacion del proceso y
t
.
En resumen tenemos que:
E [a
t
] = 0
1. La varianza no condicional de a
t
es constante:
E
_
a
2
t
=
0
1
1
2. La media condicional es:
E [a
t
|
t1
] = 0
3. La varianza condicional esta dada por:
E
_
a
2
t
|
t1
=
0
+
1
.a
2
t1
Lo importante es que la serie a
t
es no correlacionada. Es decir no existen
relaciones lineales entre sus valores en distintos instantes en el tiempo. Sin
embargo los errores no son independientes ya que estan relacionados por sus
segundos momentos por una ecuacion en diferencias. Es decir que y
2
t
si esta
autocorrelacionado.
14
A medida que el valor de
1
se acerque mas a uno, tendremos el analogo
a una caminata al azar en la varianza y a medida que
1
se acerque a cero,
el efecto ARCH tendra poca persistencia. Extendiendo esta clase de manera
general obtenemos:
a
t
= V
t
_
0
+
1
a
2
t1
+
1
a
2
t1
+ ... +
q
a
2
tq
(12)
siendo
0
> 0
q
0
La ecuacion (12) se llama un ARCH(q) con estos se incorpora al analisis los
fenomenos de volatilidad variable, como son los episodios de alto nerviosismo o
incertidumbre en el mercado.
Su varianza condicional estara dada por:
2
t
=
0
+
1
a
2
t1
+ ... +
q
a
2
tq
4.3 Modelos EGARCH o exponencial de GARCH
Para explicar bien este modelo se hace referencia a la curva de impactos
asimetricos en la cual hacen notar que en el mercado de capitales no reper-
cuten igual las buenas noticias que las malas noticias, los movimientos a la baja
en el mercado vienen con mayores volatilidades que los movimientos al alza.
Cuando el rendimiento cae por abajo de lo esperado nos lleva a un escenario
donde las noticias son malas, esto viene asociado a la observacion de que la
volatilidad se incrementa y por otra parte cuando las noticias son buenas la
volatilidad disminuye.
Este modelo permite que la volatilidad condicional sea una funcion asimetrica
del pasado de los datos, su forma funcional puede ser escrita como:
a
t
= V
t
2
t
log(
2
t
) =
0
+
1
_
a
t1
2
t1
_
+
1
log(
2
t1
) +
_
a
t
2
t1
_
2
_
El modelo EGARCH permite que las noticias buenas o malas (shocks),
afecten a la volatilidad de diferentes maneras. El lado izquierdo de la ecuacion
es el logaritmo de la varianza condicional. Esto implica que el efecto palanca es
exponencial mas que cuadratico.
La persistencia en la volatilidad viene indicada por el parametro , mientras
que
1
mide la magnitud del efecto apalancamiento. La hipotesis del efecto
apalancamiento se testea con la signicatividad de
1
, si este coeciente es dis-
tinto de cero signica que el impacto es asimetrico. En este modelo se espera
que
1
< 0, lo que implicara que innovaciones negativas tuviesen un mayor
impacto sobre la volatilidad que innovaciones positivas de igual tama no.
15
El caso general sera:
a
t
= V
t
2
t
(13)
log(
2
t
) =
0
+ g
_
a
t1
2
t1
_
+
p
j=1
j
g
_
a
tj1
2
tj1
_
+
q
i=1
i
log
_
2
ti
_
(14)
Para esto se recomienda utilizar la funcion g como:
g(z) =
1
z +
2
(|z| E |z|) (15)
5 Resultados
Figure 5: Indice del Producto Bruto Real Peruano
16
Figure 6: Resultados con datos de tipo de cambio de dolar en el Peru, usando
indicadores y estadisticas pre-procesadas para insertarlo en los Modelos GARCH
y EGARCH
6 Propuesta
Los porcentajes de conabilidad que plantean las diferentes tecnicas que se usan
en estadsticas nancieras para que un empresario pueda descidir invertir o no en
la bolsa de valores no son tan buenos, es por eso ellos optan por sus conocimien-
tos y experiencia en el campo para disminuir los riesgos
Una ves optenidos los datos procesados y transformados en una minera de
series temporales, usaremos una red neuronal para aumentar la conabilidad de
los datos y disminuir el porcentaje de riesgos que puede tener un empresario al
tomar una desicion de inversi on en la bolsa de valores.
17
References
[1] U. M. Fayyad, G. Piatetski-Shapiro, and P. Smith From data mining to
knowledge discovery. AAAI-MIT Press, 1996.
[2] T. H. Cormen and C. E. Leiserson. Introduction to algorithms. The MIT
Press, 2003.
[3] H. V. Jagadish. A retrieval technique for similar shapes. ACM SIGMO
Symp, on the Management of Data, 1991.
[4] A. Matus-Castillejos and R. Jentzsch. A time series data management
framework. IEEE Proceedings of the International Conference on Infor-
mation Technology: Coding and Computing, 2005.
[5] R. Hippenstiel, H. El-Kishky, and P. Radev. On time-series analysis and
signal classication. IEEE Conference Record of the 38th Asilomar Con-
ference on Signals, Systems and Computers, 2004.
[6] Rafael de Arce. Introducci on a los Modelos Autoregresivos con Het-
erocedasticidad condicional(ARCH). Programa de Doctorado en Mod-
elizacion Economica del Instituto LR Klein diciembre de 1998.
http://www.uam.es/otroscentros/klein/doctras/doctra9806.pdf
[7] Fabian Moerchen Algorithms For Time Series Knowledge Mining. Hans-
Meerwein-Str., Marburg, Germany, Databionic Research Group
[8] Hyong-Jun Kim, Seong-Min Yoon, Hwan-Gue Cho Capability and Lim-
itation of Financial Time-Series Data. Prediction using Symbol String
Quantization International Conference on Convergence and Hybrid Infor-
mation Technology, 2009.
[9] Jessica Lin Eamonn Keogh Stefano Lonardi Jerey P. Lankford Donna M.
Nystrom Visually Mining and Monitoring Massive Time Series. Com-
puter Science & Engineering Department University of California, River-
side
[10] Bera, A. K. y M.L. Higgins A Ssurvey of ARCH models: properties, esti-
mation and testing. Journal of economics surveys, num 7, 1993
[11] Marta Casas Monsegny, Edilberto Cepeda Cuervo MODELOS ARCH,
GARCH Y EGARCH: APLICACIONES A SERIES FINANCIERAS.
[12] De Arce, Rafael Introducci on a los modelos autoregresivos con heterocedas-
ticidad condicional (ARCH).. I. L. Klein, diciembre de 1998
18