Download
analisi delle serie storiche modelli arch e garch n.
Skip this Video
Loading SlideShow in 5 Seconds..
Analisi delle serie storiche: modelli ARCH e GARCH PowerPoint Presentation
Download Presentation
Analisi delle serie storiche: modelli ARCH e GARCH

Analisi delle serie storiche: modelli ARCH e GARCH

269 Views Download Presentation
Download Presentation

Analisi delle serie storiche: modelli ARCH e GARCH

- - - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript

  1. Analisi delle serie storiche:modelli ARCH e GARCH Seminario del 16/4/2004 www.units.it/complex

  2. Scelte di portafoglio Markowitz ci insegna che i parametri decisionali fondamentali per operare scelte di portafoglio sono: • Media • Varianza www.units.it/complex

  3. Obiettivi 1 L’obiettivo che ci siamo proposti in questa prima fase del lavoro è approfondire le nostre conoscenze in ambito econometrico per essere in grado, una volta costruita la banca dati con le serie storiche dei titoli appartenenti allo S&P 500, di studiare le loro caratteristiche statistiche. www.units.it/complex

  4. Obiettivi 2 Note le caratteristiche delle serie è possibile scegliere il modello econometrico che meglio le descrive per poterne prevedere il comportamento futuro. Ciò sta alla base di scelte di portafoglio consapevoli. www.units.it/complex

  5. In particolare, dato un processo stocastico y= yt tche rappresenta i prezzi in chiusura della giornata borsistica, è importante conoscere il comportamento della • media • varianza • Funzione di autocovarianza del processo stocastico nel passato per poter “dire qualcosa sul futuro”.  è un insieme discreto, per cui il processo y è detto in tempo discreto www.units.it/complex

  6. Caratteristiche delle serie finanziarie • La varianza di una serie finanziaria è un parametro fondamentale nella determinazione del portafoglio ottimo dell'investitore: nella definizione di quest'ultimo occorre infatti trovare il giusto compromesso tra il rendimento medio atteso e la rischiosità, misurata dalla varianza. Accettare l'ipotesi di omoschedasticità significa introdurre nell'analisi della serie un elemento fortemente distorcente nella stima dei parametri dei modelli econometrici e dei relativi test. Le analisi empiriche mostrano, infatti, che grandissima parte delle serie finanziarie è caratterizzata da eteroschedasticità. www.units.it/complex

  7. Eteroschedasticità Omoschedasticità Una serie storica è omoschedastica se presenta varianza costante nel tempo. Una serie storica è eteroschedastica se presenta una varianza caratterizzata da un comportamento non costante. www.units.it/complex

  8. Caratteristiche delle serie finanziarie • Empiricamente è stato verificato che è data dal fatto che le loro distribuzioni di probabilità delle serie finanziarie sono leptocurtiche. Le distribuzioni leptocurtiche hanno la particolarità di assegnare una maggiore probabilità ad eventi molto lontani dal valor medio della distribuzione rispetto alle probabilità che verrebbero assegnate a tali eventi da una distribuzione normale. Per questo motivo si parla di distribuzioni con code spesse. www.units.it/complex

  9. Caratteristiche delle serie finanziarie • E’ stata verificata empiricamente l’influenza di lungo periodo degli shock sulle quotazioni dei titoli. A ciò si aggiunge il comportamento asimmetrico, evidenziato dalle quotazioni, in base al quale shock negativi sembrano incrementare la volatilità più di quanto non facciano shock positivi (leverage effect). I rendimenti hanno caratteristiche contrapposte, per cui a bassa volatilità corrisponde alta correlazione e viceversa: intuitivamente, piccole escursioni dei titoli, tipiche di fasi di stagnazione del mercato, sono legate da una forte correlazione lineare. www.units.it/complex

  10. Caratteristiche delle serie finanziarie • Un’altra caratteristica tipica delle serie finanziarie è il cosiddetto effetto clustering: In altri termini, la volatilità dei rendimenti è autocorrelata. www.units.it/complex

  11. ARCH Noi per il momento abbiamo concentrato la nostra attenzione sui modelli di tipo ARCH e loro varianti. Il nostro interesse a questa tipologia di modelli è nato dalla constatazione che i contributi che abbiamo consultato a proposito di studi sul comportamento caotico dei mercati ne facevano spesso riferimento. www.units.it/complex

  12. Jingrong, Dong “Chaos in an Emerging Capital Market? The Case of the Shanghai Stock Exchange” Journal of Emerging Markets, Fall-Winter 2002, v. 7, iss. 3, p. 38-49 Chu, Patrick “Study on the Non-Random and Chaotic Behavior of Chinese Equities Market “ Review of Pacific Basin Financial Markets & Policies,Jun2003, Vol. 6 Issue 2, p199, 24p Chen, Shu-Heng; Lux, Thomas; Marchesi, Michele “Testing for Non-Linear Structure in an Artificial Financial Market” Universitat Bonn Sonderforschungsbereich 303, Discussion Paper: B/447 (1999) www.units.it/complex

  13. ARCH= Autoregressive Conditional Heteroskedastiks E’ un modello introdotto da Engle E’ il primo modello che studia l’eteroschedasticità condizionata. E’ un modello adeguato alla descrizione del fenomeno empirico del volatility clustering secondo il quale periodi di elevata volatilità tendono a permanere e sono seguiti da periodi di relativa stabilità che a loro volta manifestano una certa persistenza. www.units.it/complex

  14. Assunzioni di base del modello: • Gli shock che influiscono sui processi sottostanti non sono indipendentemente distribuiti anche se sono serialmente non correlati; • La distribuzione del processo condizionata al set informativo disponibile ha momenti secondi temporalmente dipendenti www.units.it/complex

  15. Consideriamo i rendimenti di un titolo rt=t+yt dove rt= yt=tt se assumiamo, come spesso accade, che la media sia pari a zero t ~ IID L(0,1) legge di probabilità di una variabile aleatoria a media nulla e varianza unitaria t It-1 non è necessariamente costante ma dipende dalla storia passata Date le ipotesi accade che: E(yt| It-1)=E(tt| It-1)=tE(t| It-1)=t E(t)=0 Media condizionata E(yt2| It-1)=E(t2t2| It-1)=t2E(t2| It-1)=t 2E(t2)= t2 Varianza condizionata Per cui il processo yt ha media condizionata nulla e varianza condizionata t2 : yt~ L(0, t2) www.units.it/complex

  16. Alla base dei modelli di tipo ARCH(p) vi è l’idea che la varianza condizionata non sia costante nel tempo, ma dipenda dalla storia passata di yt ove p è il numero di passi indietro nel tempo di cui si tiene conto per la previsione: t2= 0+ 1 py2t-1 +…+py2t-p • Si ipotizza che la componente stocastica t t ~ IID N(0,1) • Ricordando che yt=tt yt=(0+ 1 py2t-1 +…+py2t-p)1/2 t, t ~ IID N(0,1) www.units.it/complex

  17. Affinché la varianza condizionata t2 sia strettamente maggiore di zero è necessario che: 0>0, 1 0,…,p 0 Talvolta viene anche richiesto che i coefficienti i abbiano decrescenza monotona, così che i pesi più elevati nel determinare la varianza condizionale siano assegnati agli shock più recenti. www.units.it/complex

  18. Proprietà del modello ARCH • Il processo ARCH(p) è debolmente stazionario se e solo se le radici dell’equazione caratteristica 0+ 1 z+…+pzp=0 sono esterne al cerchio unitario. Se così è la varianza non condizionata è: E(yt2)= 0/ (1-1 +…+p) Qualora la varianza non condizionata sia non negativa la condizione necessaria e sufficiente per per la stazionarietà del processo ARCH è che 1+…+p<1 www.units.it/complex

  19. Il processo è non lineare. Ciò significa che non può essere espresso come combinazione lineare di una successione (anche infinita) di variabili casuali. • Il processo ARCH(p)ha una distribuzione non condizionata di yt caratterizzata da code più elevate rispetto alla distribuzione condizionata (indice di curtosi > di 3). • I residui del modello sono incorrelati ma non indipendenti, per cui si può dire che presentano una dipendenza non lineare.I quadrati dei residui sono invece correlati. www.units.it/complex

  20. Stima dei parametri del modello La stima dei parametri di un processo con eteroschedasticità condizionata di tipo ARCH non può essere fatta ricorrendo a modelli lineari in quanto il processo yt è non lineare. E’ utile invece il ricorso al metodo della massima verosimiglianza che garantisce la consistenza e l’efficienza asintotica delle stime. www.units.it/complex

  21. Ponendo =(0,…,p)’ è possibile esprimere la funzione di densità condizionata come: Da cui è possibile costruire la funzione di verosimiglianza E da essa quella di log-verosimiglianza Che può essere massimizzata numericamente per ottenere così le stime di massima verosimiglianza dei parametri del modello. www.units.it/complex

  22. GARCH Il modello ARCH richiede un elevato ordine p del processo per catturare l’autocorrelazione presente in yt2, andando così a contraddire il “principio di parsimonia” che guida la scelta dei modelli econometrici. Il problema è stato superato grazie a Bollerslev che suggerisce l’applicazione del metodo GARCH (Generalised Autoregressive Conditional Heteroskedasticity) che, pur essendo basato su un numero limitato di parametri, permette di riprodurre situazioni di lunga memoria. www.units.it/complex

  23. A partire dalle stesse ipotesi usate per l’ARCH: yt=tt t ~ IID L(0,1) legge di probabilità di una variabile aleatoria a media nulla e varianza unitaria t It-1 non è necessariamente costante ma dipende dalla storia passata Questa volta, nel GARCH (p,q) si esprime la varianza condizionata come: t2= 0+ 1 py2t-1 +…+py2t-p+12t-1+…+ q 2t-q La varianza condizionata è cioè funzione dei p più recenti valori di y2t e delle q più recenti stime della varianza, cercando così di cogliere da un lato gli effetti di breve/brevissimo termine legati all’evoluzione della variabile considerata e dall’altro gli effetti di lungo periodo legati alla persistenza della volatilità. www.units.it/complex

  24. Il processo GARCH è cioè una naturale generalizzazione dell’ARCH: E’ agevole ricondursi all’ARCH imponendo la restrizione: 1= 2 =…= q =0 www.units.it/complex

  25. Varianti ARCH – M (ARCH in Mean) EGARCH (Exponential GARCH) AGARCH (Asymmetric GARCH) IGARCH (Integrated GARCH) GARCH – M (GARCH in Mean) www.units.it/complex

  26. ARCH – M (ARCH in Mean) 1 Nei modelli ARCH e GARCH la media condizionata è convenzionalmente posta =0. => la media condizionata è completamente indipendente dalla variabilità condizionata. In accordo con la teoria classica di portafoglio di fronte ad una maggiore variabilità dei rendimenti ci attendiamo una maggior rendimento => i modelli ARCH e GARCH non rispondono all’esigenza di ottenere un effetto feedback tra media e varianza L’ostacolo è stato superato grazie a Engle, Lilien, Robins (1987) che hanno introdotto l’Arch-M: rt=t+ tt t ~ IID L(0,1) t= t www.units.it/complex

  27. ARCH – M (ARCH in Mean) 2 Dove t  It-1 che implica la seguente distribuzione condizionata di yt rt |I t-1~ L(t, t2) Così facendo la varianza condizionata determina anche la media condizionata, in ragione della relazione lineare t= t. Il modello presenta cioè una media e una varianza condizionate che variano in modo non lineare in relazione ai valori passati di rt www.units.it/complex

  28. EGARCH (Exponential GARCH) Risponde all’esigenza di dare soluzione al problema dei segni degli errori di previsione che nel GARCH sono elevati al quadrato, rendendo ininfluente il fatto che essi siano al rialzo o al ribasso. L’evidenza empirica contrasta con ciò. Questo modello, che prende in considerazione non la varianza ma il logaritmo naturale della stessa, mantiene gli errori con il proprio segno, dando così adeguata spiegazione alla diversa reazione degli operatori alle “buone notizie” e alle “cattive notizie”. www.units.it/complex

  29. AGARCH (Asymmetric GARCH) Risponde alla stessa esigenza che ha condotto all’elaborazione dell’EGARCH. Introducendo un parametro addizionale, positivo per ipotesi di lavoro, si ottiene un’amplificazione degli effetti degli shock negativi ed uno smorzamento di quelli positivi. Predilige il ricorso ad una distribuzione t di Student e non ad una normale degli errori di previsione. www.units.it/complex

  30. IGARCH ( Integrated GARCH) Corrisponde al caso in cui: t2= 0+ 1 py2t-1 +…+py2t-p+12t-1+…+ q 2t-q ed è verificata la restrizione:  j + j =1 che fa sì che il processo non soddisfi la condizione di stazionarietà debole. L’IGARCH è non stazionario in varianza per cui si rivela prezioso nel caso in cui la varianza condizionata sia fortemente autocorrelata, ovvero nei casi in cui shock subiti dalla varianza nel passato si ripercuotono sui valori futuri della stessa. www.units.it/complex

  31. GARCH – M (GARCH in Mean) Analogamente a quanto accade nell’ARCH – M, la varianza condizionale entra a determinare la media condizionale del processo determinando premi per il rischio attesi che mutano temporalmente al variare delle diverse volatilità del mercato. www.units.it/complex