OUTLIERS EN MODELOS DE HETEROSCEDASTICIDAD CONDICIONAL. UNA PROPUESTA DE DETECCIÓN Y MODELIZACIÓN DE OUTLIERS

Autor: CATALÁN CORREDOR BEATRIZ
Año: 2002
Universidad: ZARAGOZA
Centro de realización: FAC. CC. ECONÓMICAS Y EMPRESARIALES ZARAGOZA
Centro de lectura: CIENCIAS ECONÓMICAS Y EMPRESARIALES
Director: TRÍVEZ BIELSA FRANCISCO JAVIER
Tribunal: AZNAR GRASA ANTONIO , PEÑA SÁNCHEZ DE RIVERA DANIEL , HOYO BERNAT JUAN DEL , NOVALES CINCA ALFONSO , MUR LACAMBRA JESÚS
Resumen de la tesis

La modelización de la varianza condicional de una serie financiera puede ser interesantes desde distintos puntos de vista. Por ejemplo, se ha utilizado en el mundo financiero en modelos de valoración de activos, para desarrollar contrastes de volatilidad para comprobar la eficiencia del mercado y para estimar el riesgo sistemático de mercado. También se han utilizado para medir la estructura temporal de los tipos de interés; para desarrollar estrategias dinámicas óptimas de cobertura; para valorar opciones y para modelizar la prima de riesgo. En macroeconomía, también se ha utilizado para medir la expectativa de inflación, para examinar la relación entre el tipo de cambio y la balanza comercial, para estudiar los efectos de las intervenciones de los bancos centrales y para caracterizar la relación entre la macroeconómia y el mercado de capitales. Es decir, la creciente importancia del riesgo y la incertidumbre, necesitaban el desarrollo de nuevas técnicas econométricas de series temporales que permitieran la modelización de varianzas y covarianzas cambiantes a lo largo del tiempo. Estos modelos, en los que la varianza puede cambiar en el tiempo, se denominan modelos Autorregresivos Heteroscedásticos Condicionados (ARCH). La historia de los modelos ARCH se remonta a 1982, momento en el que Robert Engle publica el artículo denominado "Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation" trabajo que supone el primer paso hacia el desarrollo de los modelos de heteroscedasticidad condicional y marca el camino hacia posteriores análisis. Durante estos últimos veinte años, la literatura sobre los modelos ARCH ha crecido de forma espectacular, sobre todo en lo que se refiere a la aplicación empírica a numerosas series económicas y financieras de diversos países, tanto del propio modelo original de Engle como de varias de sus generalizaciones. A pesar de la enorme aceptación que han tenido los modelos de heteroscedasticidad condicional autorregresiva durante los últimos años, que ha llevado a una aplicación masiva de estas técnicas a todo tipo de series, principalmente diarias y semanales, relacionadas con los mercados financieros, no se han seguido ciertas pautas necesarias en todo análisis de series temporales, tal y como es el estudio de outliers. Engle (1982) ya alertaba sobre la posibilidad de que, en ciertas ocasiones, la aparición de residuos que presentan heteroscedasticidad condicional autorregresiva pudiera deberse a un error de especificación del modelo. De hecho, Engle aconsejaba que en tal caso, el procedimiento correcto sería corregir este problema y, posteriormente, verificar si la estructura ARCH de los residuos persiste. Así, una de las principales fuentes de errores ha sido la no modelización de los valores atípicos que presentan las series. Y es que la presencia de outliers tanto en modelos heteroscedásticos puede llevarnos a cometer importantes errores en la especificación del proceso subyacente, en la estimación de los parámetros del modelo y en la predicción, tanto en lo que se refiere a la precisión de las predicciones de la serie, como a la predicción de la propia varianza condicional. Por todo ello, resulta de especial relevancia el establecimiento de un método de detección y modelización de outliers. En el contexto de los modelos ARMA, existen ya varias propuestas muy consolidadas en la literatura. En el contexto de los modelos ARCH existen varias propuestas, sin embargo, se trata de estudios muy específicos que tan sólo hacen referencia a caos muy concretos y en los cuales no se ha tenido en cuenta una definición amplia y precisa de la distinta tipología de outliers. Es por ello, que uno de los principales objetivos de esta tesis ha sido el establecimiento de un método de detección y modelización amplio de outliers en el contexto de los modelos tipo ARCH. En esta investigación se propone una nueva metodología basada en el contraste de los multiplicadores de Lagrange (LM) que permite la detección de outliers de nivel y outliers de volatilidad en sus diversas variantes, outliers aditivos, innovacionales, cambio de nivel y cambio temporal, en modelos de varianza heteroscedástica. Diversos estudios de Monte Carlo verifican cómo los contrastes propuestos se comportan bastante bien en la práctica, y la aplicación del método a series reales demuestra que el método propuesto mejora notablemente la identificación del proceso subyacente, la estimación del modelo así como la predicción de la volatilidad condicional de la serie. Esta tesis puede dividirse claramente en tres partes bien diferenciadas entre sí. Una primera parte cuyo fin primordial es analizar los efectos que tienen los outliers tanto en modelos lineales, como en modelos tipo ARCH en la identificación, estimación y predicción. Una segunda parte en la que se presenta la propuesta de detección y modelización del outliers en modelos heteroscedásticos. Y una tercera parte en la que se aplica la metodología propuesta a diversas series financieras. El capítulo 9 concluye la tesis, resumiendo las principales averiguaciones de los distintos capítulos y presentando interesantes líneas de investigación.
Materias relacionadas