Modelos de la familia GARCH vs EWMA: ¿cuál es el mejor modelo para pronosticar la volatilidad del mercado de valores marroquí?
DOI:
https://doi.org/10.46661/revmetodoscuanteconempresa.2662Palabras clave:
volatility forecasting, volatility modeling, stylized facts, GARCH family models, EWMA, pronósticos de volatilidad, modelización de volatilidad, hechos estilizados, modelos de la familia GARCHResumen
Hoy en día, modelar y pronosticar la volatilidad de los mercados bursátiles se ha convertido en un aspecto central para la práctica de la gestión de riesgos; se ha convertido en uno de los temas principales en la econometría financiera y se utiliza principal y continuamente en la determinación de precios de los activos financieros y el valor en riesgo, así como la fijación de precios de opciones y derivados. El objetivo de este artículo es comparar los modelos de la familia GARCH (heterocedasticidad condicional regresiva automática generalizada) —GARCH (1.1), GJR-GARCH, PGARCH, EGARCH e IGARCH— con el modelo EWMA (media móvil ponderada exponencialmente) con la esperanza de encontrar el mejor modelo para pronosticar la volatilidad del índice bursátil marroquí MADEX. Utilizamos los rendimientos diarios que cubren el período comprendido entre el 01/04/1993 y el 30/08/2016. Encontramos que el modelo asimétrico IGARCH, siguiendo una distribución normal del error, produce los mejores resultados de pronóstico y, por lo tanto, supera al modelo EWMA. Nuestros resultados podrían tener una aplicación en la gestión de riesgos en Marruecos, así como llevar a una mejor comprensión de la dinámica de volatilidad de la bolsa de Marruecos, especialmente con la falta de estudios similares anteriores.
Descargas
Citas
Akgiray V., (1989). Conditional heteroscedasticity in time series of stock returns: Evidence and forecasts. Journal of Business, 62(1), 55-80.
Black, F. (1976). Studies of stock price volatility changes. In: Proceedings of the 1976 Meeting of the Business and Economic Statistics Section (pp. 171-181), Washington: American Statistical Association.
Bollerslev, T. (1986). Generalized Autoregressive Conditional Heteroskedasticity. Journal of Econometrics, 31(3), 307–327.
Bollerslev, T.; Chou, R.Y. and Kroner, K.F. (1992). ARCH Modeling in Finance: A Review of Theory and Empirical Evidence. Journal of Econometrics, 52(1-2), 5-59.
Bollerslev, T.; Engle, R.F. and Nelson, D.B. (1994). ARCH model. In: R.F. Engle and D.L. McFadden (eds.), Handbook of Econometrics, Volume IV (pp. 2961-3031), New York: Elsevier Science.
Brailsford, T.J. and Faff, R.W. (1996). An Evaluation of Volatility Forecasting Techniques. Journal of Banking and Finance, 20(3), 419-438.
Brooks, C. (2008). Modelling volatility and correlation. In: C. Brooks, Introductory Econometrics for Finance (pp. 379-450), New York: Cambridge University Press.
Carroll, R. and Kearney, C. (2009). GARCH Modeling of Stock Market Volatility. In: G.N. Gregoriou (ed.), Stock Market Volatility (pp. 71-90), New York: Chapman and Hall.
Ding, Z.; Granger, C.W.J. and Engle, R.F. (1993). A long memory property of stock market returns and a new model. Journal of Empirical Finance, 1, 83-106.
Engle, R.F. (1982). Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of United Kingdom Inflation. Econometrica, 50(4), 987-1007.
Engle, R.F. and Bollerslev, T. (1986). Modelling the Persistence of Conditional Variances. Econometric Reviews, 5(1), 1-50.
Engle, R.F. and Ng, V. (1993). Measuring and testing the impact of news on volatility. Journal of Finance, 48(5), 1749-1778.
Engle, R.F. and Patton, A.J. (2001). What good is a volatility model? Quantitative Finance, 1, 237-245.
Fama, E. (1965). The Behavior of Stock Market Prices. Journal of Business, 38(1), 34-105.
Franses, P.H. and Van Dijk, D. (1996). Forecasting Stock Market Volatility Using (Non-Linear) GARCH Models. Journal of Forecasting, 15(3), 229-235.
Glosten, L.R.; Jagannathan, R. and Runkle, D.E. (1993). On the Relation between Expected Value and the Volatility of the Nominal Excess Return on Stocks. Journal of Finance, 48(5), 1779-1801.
Ding, J. and Meade, N. (2010). Forecasting accuracy of stochastic volatility, GARCH and EWMA models under different volatility scenarios. Applied Financial Economics, 20(10), 771-783.
Lupu, R. and Lupu, I. (2007). Testing for heteroskedasticity on the Bucharest Stock Exchange. Romanian Economic Journal, 11(23), 19-28.
Mandelbrot, B. (1963). The variation of certain speculative prices. Journal of Business, 36(4), 394-419.
Miron, D. and Tudor, C. (2010). Asymmetric Conditional Volatility Models: Empirical Estimation and Comparison of Forecasting Accuracy. Romanian Journal of Economic Forecasting, 13(3), 74-92.
Nelson, D.B. (1991). Conditional Heteroskedasticity in Asset Returns: A New Approach. Econometrica, 59(2), 347–370.
Pagan, A. and Schwert, G.W. (1990). Alternative Models for Common Stock Volatilities. Journal of Econometrics, 45(1), 267-290.
Poon, S.-H. and Granger, C.W.J. (2003). Forecasting Volatility in Financial Markets: A Review. Journal of Economic Literature, 41(2), 478-539.
Taylor, S.J. (1986). Modelling Financial Time Series. Chichester: John Wiley & Sons.
Thomas, S. and Mitchell, H. (2005). GARCH Modeling of High-Frequency Volatility in Australia’s National Electricity Market. Discussion Paper. Melbourne Centre for Financial Studies
West, K.D. and Cho, D. (1994). The Predictive Accuracy of Several Models of Exchange Rate Volatility. Journal of Econometrics, 69, 367-391.
Zakoian, J.-M. (1994). Threshold heteroskedastic models. Journal of Economic Dynamics and Control, 18, 931-955.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2018 Revista de Métodos Cuantitativos para la Economía y la Empresa
Esta obra está bajo una licencia internacional Creative Commons Atribución-CompartirIgual 4.0.
El envío de un manuscrito a la Revista supone que el trabajo no ha sido publicado anteriormente (excepto en la forma de un abstract o como parte de una tesis), que no está bajo consideración para su publicación en ninguna otra revista o editorial y que, en caso de aceptación, los autores están conforme con la transferencia automática del copyright a la Revista para su publicación y difusión. Los autores retendrán los derechos de autor para usar y compartir su artículo con un uso personal, institucional o con fines docentes; igualmente retiene los derechos de patente, de marca registrada (en caso de que sean aplicables) o derechos morales de autor (incluyendo los datos de investigación).
Los artículos publicados en la Revista están sujetos a la licencia Creative Commons CC-BY-SA de tipo Reconocimiento-CompartirIgual. Se permite el uso comercial de la obra, reconociendo su autoría, y de las posibles obras derivadas, la distribución de las cuales se debe hacer con una licencia igual a la que regula la obra original.
Hasta el volumen 21 se ha estado empleando la versión de licencia CC-BY-SA 3.0 ES y se ha comenzado a usar la versión CC-BY-SA 4.0 desde el volumen 22.
