Ataurima-Arellano M. (2014) Réplica de Paper Financiero Con MATLAB PDF

UNIVERSIDAD NACIONAL DE INGENIERA
Facultad de Ingeniera Econmica, Estadstica y Ciencias Sociales

MATLAB para el Anlisis Econmico y Financiero
SESIN No. 6
REPLICA DE PAPER
Volatility Forecast Comparison using Imperfect Volatility Proxies
Andrew Patton (2011)
1
Miguel Ataurima Arellano
mataurimaa@uni.pe
1
Journal of Econometrics 160 (2011) 246256
ndice
1. Introduccin 3
1.1. Las funciones de prdidas robustas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2. Las funciones de prdidas econmica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3. Notacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4. Funciones de prdida robustas en la literatura . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.5. La Prueba de Diebold-Mariano (1995) - West (1996) . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.6. Funciones de prdida usadas en pruebas DMW . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.7. Una condicin necesaria para robustez . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.8. Prediccin ptima bajo prdidas MSE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.9. Prediccin ptima bajo prdidas MAE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.10. Predicciones ptimas bajo prdidas MSE-SD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.11. Prediccin ptima bajo diversas funciones de prdida . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.12. Usando mejores proxies de volatilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.13. Prediccin ptima - Analtica, volatilidad constante . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.14. Prediccin ptima - Simulacin, GARCH SV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.15. Prediccin ptima - Simulacin, log-normal SV . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.16. Prediccin ptima - Simulacin, dos factores SV . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.17. Modelos SV usados en las simulaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.18. Generalizacin de los resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2. Una clase de funciones de prdidas robustas 8
2.1. Supuestos: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2. Una familia paramtrica de funciones de prdida para la comparacin de predicciones de volatilidad 9
2.3. Unidades de medida y clasicaciones de prediccin . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3. Aplicacin Emprica para la prediccin de la volatilidad de los retornos de IBM 9
3.1. Resultados de la regresin Mincer-Zarnowitz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4. Conclusiones 12
5. Anexo 12
5.1. Cdigo Fuente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
5.2. Fuentes de Descarga . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
Facultad de Ingenieria Econmica, Estadstica y Ciencias Sociales
REPLICA DE PAPER
1. Introduccin
Los esfuerzos dedicados al modelamiento economtrico y el forecasting genera una fuerte demanda por los
mtodos de comparacin de prediccin. El estudio de los mtodos de evaluacin y comparacin tienen una larga
historia, desde Cowles (1933) hasta West (2005). Sin embargo, la mayora de los mtodos existentes se basan
en variables objetivo que son observables.
Muchos problemas de forecasting econmico involucra variables no observables:
Varianza condicional o varianza integrada
Probabilidades de default o probabilidades crash
Tasa verdaderas de crecimiento del PBI o de la inacin (opuesto a las tasas anunciadas).
La evaluacin y comparacin de prediccin para variables latentes a menudo involucran el uso de un proxy,
(esto es, algunas estimaciones imperfectas de la variable de inters). Por ejemplo:
Usando retornos cuadrados como proxy de la varianza condicional
Usando un indicador por defecto variable para aproximar las probabilidades de default condicional.
El uso de proxies en la evaluacin de prediccin y su comparacin puede o no traer complicaciones.
En este paper el autor trabaj sobre los resultados de Anderson y Bollerslev (1998), Meddahi (2001), y
Hansen y Lunde (2006) para mostrar dos principales resultados:
1. El autor analticamente deriv los problemas causados por el ruido de las 9 mas comnes funciones de
prdida, revelando que algunas son peores que otras. (Usando retornos diarios al cuadrado, el rango y la
varianza realizada como proxies).
2. El autor propone una clase necesaria y suciente de funciones de prdida para usar con un proxy insesgado
condicionalmente, pero imperfecto. (Deriva el subconjunto homogneo de esta clase de funciones, el cual
alverga las funciones de prdida MSE y QLIKE, y provee condiciones de momento para su uso en las
pruebas de comparacin de prediccin).
1.1. Las funciones de prdidas robustas
Una propiedad, primeramente considerada en Hansen y Lunde (2006), que guiar el anlisis del problema
de comparacin de prediccin es el siguiente:
Denicin 1: Una funcin de prdida, L, es robusta si la clasicacin de cualesquiera dos (posiblemente
imperfectas) predicciones de volatilidad, h
1t
y h
2t
, mediante perdidas esperadas es el mismo que si la clasicacin
es hecha usando la varianza condicional verdadera,
2
t
, o cualquier proxy insesgado condicionalmente,
2
t
. Esto
es, si E
_

2
t
|F
t1
=
2
t
, entonces:
E
_
L
_
2
t
, h
1t
_
E
_
L
_
2
t
, h
2t
_
E
_
L
_

2
t
, h
1t
_
E
_
L
_

2
t
, h
2t
_
1.2. Las funciones de prdidas econmica
El escenario ideal en forecasting es cuando el completo problema de decisin del usuario de la prediccin es
conocido por el productor de la prediccin. En tales casos preferimos usar ls funcines de prdidas econmicas
relevantes - ver West, et al. (1993), Fleming, et al. (2001) o Engle, et al. (1993) como ejemplos.
En tales casos la prediccin se converite solo en un input para la decisin, y la prediccin de volatilidad
ptima no ser generalmente la verdadera varianza condicional. Desafortunadamente, la funcin de prdidas
econmica del usuario de una prediccin de volatilidad es usualmente desconocida, lo que nos lleva a funciones
de prdida estadstica.
Este paper provee una gua acerca de la eleccin de funciones de prdidas estadstica para el forecasting de
volatilidad.
EXPOSITOR: Miguel Ataurima Arellano 3 mataurimaa@uni.pe
REPLICA DE PAPER
1.3. Notacin
Retornos : r
t
|F
t1
F
t
_
0,
2
t
_
Retornos Estandarizados :
t
r
t
/
t
F
t
(0, 1)
Varianza : V
t1
[r
t
] = E
t1
_
r
2
t
=
2
t
Proxy de la volatilidad :
2
t
, tal que E
t1
_

2
t
=
2
t
Prediccin de volatilidad optima : h
t
= arg mn
h
t
E
t1
_
L
_

2
t
, h
t
_
1.4. Funciones de prdida robustas en la literatura
Meddahi (2001) mostr que el R
2
de la regresin Mincer-Zarnowitz

2
t
=
0
+
1
h
it
+e
it
arroja una clasicacin robusta de predicciones de volatilidad.
Hansen y Lunde (2006) mostraron que el R
2
a partir de la regresin MZ en logaritmos no es robusta. Adems,
Hansen y Lunde (2006) proporcionan una condicin suciente para que una funcin de prdida sera robusta
3
L
_

2
t
, h
_
h (
2
t
)
2
= 0
1.5. La Prueba de Diebold-Mariano (1995) - West (1996)
Esta es la prueba mas ampliamente utilizada para la comparacin de prediccin. Sea
d
t
= L
_

2
t
, h
1,t
_
L
_

2
t
, h
2,t
_
por ejemplo d
t
=
_

2
t
h
1,t
_
2
_

2
t
h
2,t
_
2
.
Si dos pronsticos arrojan la misma prdida esperada, para alguna funcin de prdida, entonces
H
0
: E [d
t
] = 0
vs. H
a
: E [d
t
] = 0
Esta prueba puede ser conducida mediante una prueba t, con el error estndar apropiadamente ajustado
para la dependencia serial (Diebold-Mariano) y/o el error estimado en la prediccin (West).
1.6. Funciones de prdida usadas en pruebas DMW
MSE : L
_

2
t
, h
t
_
=
_

2
t
h
t
_
2
QLIKE : L
_

2
t
, h
t
_
= log h
t
+

2
t
h
t
MSE LOG : L
_

2
t
, h
t
_
=
_
log
2
t
log h
t
_
2
MSE SD : L
_

2
t
, h
t
_
=
_

t
_
h
t
_
2
MSE prop : L
_

2
t
, h
t
_
=
_

2
t
h
t
1
_
2
MAE : L
_

2
t
, h
t
_
=

2
t
h
t
MAE LOG : L
_

2
t
, h
t
_
=

log
2
t
log h
t
MAE SD : L
_

2
t
, h
t
_
=
_
h
t
MAE prop : L
_

2
t
, h
t
_
=

2
t
h
t
1

REPLICA DE PAPER
1.7. Una condicin necesaria para robustez
Si una funcin de prdida es robusta
E
_
L
_
2
t
, h
1t
_
E
_
L
_
2
t
, h
2t
_
E
_
L
_

2
t
, h
1t
_
E
_
L
_

2
t
, h
2t
_
entonces se sigue inmediatamente que la prediccin ptima bajo aquella funcin de prdida debe ser la varianza
condicional.
Podemos as vericar una condicin necesaria para la robustez determinando si la funcin de prdida implica
h
t
=
2
t
.
1.8. Prediccin ptima bajo prdidas MSE
La prdida MSE es la funcin de prdida empleada mas comn. La prediccin ptima bajo prdidas MSE
es la varianza condicional verdadera:
h
t
arg mn
h
E
t1
_
_
r
2
t
h
_
2
_
cuya condicin de primer orden es
h
t
= E
t1
_
r
2
t
=
2
t
Asi, la funcin de prdida satisface la condicin necesaria. (Esto tambin satisface la condicin de suciencia
de Hansen y Lunde).
1.9. Prediccin ptima bajo prdidas MAE
Una de las funcin de prdida alternativa empleada comnmente es la del criterio de error absoluto L
_
r
2
t
, h
t
_
=
r
2
t
h
t
, la cual arroja:
h
t
= Mediana
t1
_
r
2
t
=
2
t

2
Mediana [F
1,
] , si r
t
|F
t1
t
_
0,
2
t,
_
, > 2
=
2
t
Mediana
_
2
1
, si r
t
|F
t1
N
_
0,
2
t
_
,
0,45
2
t
por lo tanto, esta funcin de prdida no satisface la condicin necesaria para robustex. MAE es una funcin de
prdida no robusta.
1.10. Predicciones ptimas bajo prdidas MSE-SD
Otra funcin de prdida comn es la MSE sobre desviaciones estndar:
L
_
r
2
t
, h
t
_
=
_
|r
t
|
_
h
t
_
2
h
t
= (E
t1
[|r
t
|])
2
=
2
_
1
2
_
2
2
_
2

2
t
si los retornos tienen distribucin t
=
2
2
t
0,64
2
t
si los retornos estn distribuidos normalmente
Para ambas funciones de prdida, MAE y MSE-SE, la distorcin est exacerbada cuando los retornos tienen
exceso de kurtosis.
REPLICA DE PAPER
1.11. Prediccin ptima bajo diversas funciones de prdida
Distribucin de retornos diarios
Funcin de Prdida r
t
|F
t1

_
0,
2
t
_
t
_
0,
2
t,
_
N
_
0,
2
t
_
MSE, QLIKE
2
t

2
t

2
t
MSE-LOG exp
_
E
t1
_
log
2
t
_
2
t
0,22
2
t
0,28
2
t
MSE-SD (E
t1
[|r
t
|])
2
0,56
2
t
0,64
2
t
MSE-prop Kurtosis
t1
[r
t
]
2
t
6,00
2
t
3,00
2
t
MAE Mediana
t1
_
r
2
t
0,34
2
t
0,45
2
t
MAE-SD Mediana
t1
_
r
2
t
0,34
2
t
0,45
2
t
MAE-prop n/a 2,73
2
t
2,36
2
t
1.12. Usando mejores proxies de volatilidad
Consideremos el siguiente simple DGP: hay m observaciones igualmente espaciadas por da de trading, y
denotemos como r
i,m,t
al retorno intra diario i-simo del da t.
r
t
= d ln P
t
=
t
dW
t
=
t
t 1, t]
r
i,m,t

i/m
(i1)/m
r
d =
t
i/m
(i1)/m
dW
{r
i,m,t
}
m
i=1
iid N
_
0,

2
t
m
_
Un proxy de volatilidad alternativo es la volatilidad realizada, ver Anderson, et al. (2001a, 2003), y Barndor-
Neilsen y Shepard (2002,2004):
RV
(m)
t

m
i=1
r
2
i,m,t
Otra alternativa comnmente usada a los retornos al cuadrado es el rango intra diario, ver Parkinson (1980)
y Feller (1951):
RG
t
sup
log P
nf
log P
, t 1 < t
La comparacin de eciencia bajo este DGP es:
MSE
t1
_
r
2
t
= 2
4
t
MSE
t1
_
RV
(m)
t
_
= 2
4
t
/m
MSE
t1
_
RG
2
t
0,4073
4
t
1.13. Prediccin ptima - Analtica, volatilidad constante
Volatilidad Realizada
Funcin de Diario: 30-min: 5-min: Verdadera:
Prdida Rango m = 1 m = 13 m = 78 m
MSE, QLIKE
2
t

2
t

2
t

2
t

2
t
MSE-LOG 0,85
2
t
0,28
2
t
0,91
2
t
0,98
2
t

2
t
MSE-SD 0,92
2
t
0,56
2
t
0,96
2
t
0,99
2
t

2
t
MSE-prop 1,41
2
t
3,00
2
t
1,15
2
t
1,03
2
t

2
t
MAE 0,83
2
t
0,46
2
t
0,95
2
t
0,99
2
t

2
t
MAE-SD 0,83
2
t
0,46
2
t
0,95
2
t
0,99
2
t

2
t
MAE-prop 1,19
2
t
2,36
2
t
1,10
2
t
1,02
2
t

2
t
REPLICA DE PAPER
1.14. Prediccin ptima - Simulacin, GARCH SV
MSE, QLIKE 0,99
2
t

2
t

2
t

2
t

2
t
MSE-LOG 0,83
2
t
0,28
2
t
0,92
2
t
0,98
2
t

2
t
MSE-SD 0,91
2
t
0,63
2
t
0,96
2
t
0,99
2
t

2
t
MSE-prop 1,40
2
t
3,02
2
t
1,16
2
t
1,03
2
t

2
t
MAE 0,82
2
t
0,46
2
t
0,94
2
t
0,99
2
t

2
t
MAE-SD 0,82
2
t
0,46
2
t
0,94
2
t
0,99
2
t

2
t
MAE-prop 1,18
2
t
2,37
2
t
1,10
2
t
1,01
2
t

2
t
1.15. Prediccin ptima - Simulacin, log-normal SV
MSE, QLIKE 0,99
2
t

2
t

2
t

2
t

2
t
MSE-LOG 0,83
2
t
0,28
2
t
0,92
2
t
0,98
2
t

2
t
MSE-SD 0,91
2
t
0,63
2
t
0,96
2
t
0,99
2
t

2
t
MSE-prop 1,40
2
t
3,03
2
t
1,16
2
t
1,03
2
t

2
t
MAE 0,82
2
t
0,46
2
t
0,94
2
t
0,99
2
t

2
t
MAE-SD 0,82
2
t
0,46
2
t
0,94
2
t
0,99
2
t

2
t
MAE-prop 1,18
2
t
2,37
2
t
1,10
2
t
1,02
2
t

2
t
1.16. Prediccin ptima - Simulacin, dos factores SV
MSE, QLIKE
2
t
1,01
2
t

2
t

2
t

2
t
MSE-LOG 0,35
2
t
0,12
2
t
0,37
2
t
0,41
2
t

2
t
MSE-SD 0,57
2
t
0,40
2
t
0,58
2
t
0,62
2
t

2
t
MSE-prop 0,79
2
t
20,6
2
t
9,03
2
t
6,70
2
t

2
t
MAE 0,31
2
t
0,17
2
t
0,32
2
t
0,35
2
t

2
t
MAE-SD 0,31
2
t
0,17
2
t
0,32
2
t
0,35
2
t

2
t
MAE-prop 3,47
2
t
6,60
2
t
3,33
2
t
2,98
2
t

2
t
1.17. Modelos SV usados en las simulaciones
Para las simulaciones usaron los mismos modelos y valores de parmetros usados en Goncalves y Meddahi
(2005):
1. Difusin GARCH, como en Anderson y Bollerslev (1998):
d log P
t
= 0,0314dt +
t
_
0,576dW
1t
+
_
1 0,576
2
dW
2t
_
d
2
t
= 0,035
_
0,636
2
t
_
dt + 0,144
2
t
dW
1t
2. Difusin log-normal, como en Anderson, Benzoni y Lund (2002):
d log P
t
= 0,0314dt +
t
_
0,576dW
1t
+
_
1 0,576
2
dW
2t
_
d log
2
t
= 0,0136
_
0,8382 + log
2
t
_
dt + 0,1148dW
1t
REPLICA DE PAPER
3. Difusin 2 factores, como en Chernov, Gallant, Ghysels y Tauchen (2003):
d log P
t
= 0,030dt +
t
_
0,30dW
1t
0,30dW
2t
+
_
1 0,3
2
0,3
2
dW
3t
_
2
t
= s exp
_
1,2 + 0,04
2
1t
+ 1,5
2
2t
_
d
2
1t
= 0,00137
2
1t
dt +dW
1t
d
2
2t
= 1,386
2
2t
dt +
_
1 + 0,25
2
2t
_
dW
2t
1.18. Generalizacin de los resultados
Usando una expansin de valor en media de segundo orden para L, la condicin de primer orden es:
0 = E
t1
_
L
_

2
t
, h
t
_
h
_
=
L
_
2
t
, h
t
_
h
+

3
L
_

2
t
, h
t
_
(
2
t
)
2
h
1
2
V
t1
_

2
t
1. Si

3
L(
2
t
,h
t
)
(
2
t
)
2
h
= 0 para todo
_
2
, h
_
, entonces h
t
=
2
t
. Esta es un resultado de Hansen y Lunde (2006).
2. Si

3
L(
2
t
,h
t
)
(
2
t
)
2
h
> 0 para todo
_
2
, h
_
, entonces tenemos que
L
h
< 0 implicando que h
t
<
2
t
. Por ejemplo:
Las funciones de prdida MSE-SD y MSE-log.
3. Si

3
L(
2
t
,h
t
)
(
2
t
)
2
h
< 0 para todo
_
2
, h
_
, entonces tenemos que
L
h
> 0 implicando que h
t
>
2
t
. Por ejemplo:
La funcin de prdida MSE-prop.
2. Una clase de funciones de prdidas robustas
Las funciones de prdidas MSE y QLIKE arrojan la varianza condicional como la prediccin ptima. Esto
conduce a la pregunta: Existe alguna clase general de tales funciones de prdida?
La siguiente proposicin sugiere una clase de funciones de prdida, relacionadas a la familia lineal - expo-
nencial de densidades de Gourieroux, et al. (1984), y a Gourieroux, et al. (1987).
2.1. Supuestos:
1. E
_

2
t
|F
t1
=
2
t
.
2.
2
t
|F
t1
F
t

F, el conjunto de toas las funciones de distribucin continuas absolutamente sobre R
+
.
3. L es doblemente diferenciable continuamente con respecto a h y
2
, y tiene un nico mnimo en
2
= h.
4. Existe algn h
t
int (H) tal que h
t
= E
t1
_

2
t
, donde H es un subconjunto compacto de R

++
.
5. L y F
t
son tales que
a) E
t1
_
L
_

2
t
, h
_
< para algn h H;
b) E
t1
_
L(
2
t
,
2
t
)
h
_
< ; y
c)
E
t1
_
2
L(
2
t
,
2
t
)
h
2
_
< para todo t.

Proposicin 2: Manteniendo los supuestos del 1 al 5, la funcin de prdida L es robusta si y solo si toma
la siguiente forma:
L
_

2
t
, h
_
=

C (h) +B
_

2
_
+C (h)
_

2
h
_
donde B y C son diferenciables continuamente dos veces, C es una funcin estrictamente decreciente sobre H,
y

C es la anti-derivada de C.
REPLICA DE PAPER
Proposicin 3:
1. La funcin de prdida MSE es la nica funcin de prdida robusta que depende nicamente del error
de prediccin,
2
h.
2. La funcin de prdida QLIKE es la unica funcin de prdida robusta que depende nicamente del error
de prediccin estandarizado,
2
/h.
2.2. Una familia paramtrica de funciones de prdida para la comparacin de
predicciones de volatilidad
Ahora buscamos una familia paramtrica de funciones de prdida dentro la amplia clase de funciones de
prdida robustas, que contiene a las funciones de prdida MSE y QLIKE.
Observe que las funciones de prdida MSE y QLIKE tienen condiciones de primer orden que pueden ser
escritas como:
E
t1
_
L
_

2
t
,
t
_
h
_
= 0 = h
k2
t
_
E
t1
_

2
t
t
_
, k R
Proposicin 4:
1. La siguiente familia de funciones
L
_

2
t
, h; k
_
=
_
_
1
(b+1)(b+2)
_

2b+4
h
b+2
_
1
b+1
h
b+1
_

2
h
_
, para b / {1, 2}
h
2
+
2
log
_

2
h
_
, para b = 1

2
h
log
_

2
h
_
1, para b = 2
satisface L(h, h; k) = 0 para todo h H, y son de la forma de la Proposicin 2.
2. La familia de funciones de prdida en la parte 1 corresponde a los subconjuntos completos de funciones
de prdida robustas homogneas. El grado de homogeneidad es igual a b + 2.
L
_

2
, h
_
=
b+2
L
_

2
, h
_
, > 0
2.3. Unidades de medida y clasicaciones de prediccin
La eleccin de unidades en diversos problemas econmicos y nancieros es arbitrario (precios en dlares
versus centavos, retornos en porcentaje versus decimales).
Proposicin 5:
1. La clasicacin de cuaqluiera dos (posiblemente imperfectas) predicciones de volatilidad mediante prdidas
esperadas es invariante a un reescalamiento de los datos si la funcin de prdidas es robusta y homognea.
2. La clasicacin de cuaqluiera dos (posiblemente imperfectas) predicciones de volatilidad mediante prdidas
esperadas no es invariante a un reescalamiento de los datos si la funcin de prdidas es robusta pero no
homognea.
3. Aplicacin Emprica para la prediccin de la volatilidad de los
retornos de IBM
Datos diarios e intradiarios de IBM desde Enero de 1993 hasta Diciembre del 2003, 2772 observaciones.
El autor considera dos modelos de volatilidad simples que son ampliamente utilizados
Rolling window : h
1t
=
1
60
60
j=1
r
2
tj
Riskmetrics : h
2t
= h
2t1
+ (1 ) r
2
t1
, = 0,94
Las primeras 272 observaciones (aproximadamente 1 ao) son usadas para la inicializacin de la estimacin
Riskmetrics, las 2500 ltimas observaciones son usadas para comparar las predicciones.
REPLICA DE PAPER
0 0.5 1 1.5 2 2.5 3 3.5 4
0
0.5
1
1.5
2
2.5
hhat (r2=2)
p
r
d
i
d
a
Diversas funciones de prdida robustas

b=1
b=0.5
b=0 (MSE)
b=0.5
b=1
b=2 (QLIKE)
b=5
Figura 1. Funciones de prdida para diversas elecciones de b. En este ejemplo el verdadero valor es
2
= 2, con la prediccin de
volatilidad en el rango entre 0 y 4, b = 0 y b = 2 corresponden a las funciones de prdida MSE y QLIKE respectivamente.
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
0
0.5
1
1.5
2
2.5
Error de prediccin (r2=2)
p
r
d
i
d
a
Razn de prdida desde errores de prediccin negativos hasta errores de prediccin positivos

b=1
b=0.5
b=0 (MSE)
b=0.5
b=1
b=2 (QLIKE)
b=5
Figura 2. La razn de prdidas a partir de los errores de prediccin negativos hasta los errores de prediccin positivos, para
diversos valores de b. En este ejemplo, el verdadero valor es
2
= 2, con la prediccin de volatilidad en el rango entre 0 y 4, b = 0
y b = 2 corresponden a las funciones de prdida MSE y QLIKE respectivamente.
REPLICA DE PAPER
3.1. Resultados de la regresin Mincer-Zarnowitz
Las regresiones MZ son

2
t
=
0
+
1
h
it
+e
it
Proxy de Volatilidad
Retornos cuadrados diarios Vol realizado 5-min
0
(s.e.)
2,13
(0,48)
2,13
(0,40)
Rolling Window

1
(s.e.)
0,55
(0,09)
0,53
(0,07)
2
2
stat 25,63
43,86
0
(s.e.)
2,39
(0,46)
2,43
(0,42)
RiskMetrics

1
(s.e.)
0,550
(0,09)
0,51
(0,09)
2
2
stat 32,99
35,93
Quedando claro que estamos comparando dos predicciones imperfectas

Jan94 Jan95 Jan96 Jan97 Jan98 Jan99 Jan00 Jan01 Jan02 Jan03 Dec03
0
5
10
15
20
25
30
35
Predicciones de varianza condicional
V
a
r
i
a
n
z
a

c
o
n
d
i
c
i
o
n
a
l

Rolling window a 60 das
RiskMetrics
Figura 3. Predicciones de varianza condicional para los retornos de IBM a partir de los modelos simples Rolling window - 60 das
y un RiskMetrics, Enero 1994 a Diciembre 2003.
En la siguiente tabla se presentan los estadsticos t de la prueba de Diebold y Mariano de precisin predictiva
para una prediccin Rolling Window a 60 das y una prediccin RiskMetrics, para IBM sobre el periodo Enero
1994 a Diciembre 2003. Un estadstico t mayor a 1.96 en valor absoluto indica un rechazo de la hiptesis nula de
precisin predictiva al 5 % de nivel de signicancia. Estos estadsticos son marcados con asterisco. El signo del
estadstico t indica cual prediccin performa mejor de entre las funciones de prdida: un estadstico t positivo
indica que la prediccin Rolling window produce mas grandes perdidas promedio que la prediccin RiskMetrics,
mientras que un signo negativo indica lo contrario.
Estadstico t Proxy de volatilidad
Diario 65 min. 15 min. 5 min.
Funcin de Prdida Retornos al cuadrado Vol realizado Vol realizado Vol realizado
b = 1 1,58 1,66 1,30 1,35
b = 0 (MSE) 0,59 0,88 0,03 0,13
b = 1 1,30 1,04 1,65 1,55
b = 2 (QLIKE) 1,94 2,21
2,73
2,41
b = 5 0,17 0,25 1,63 0,65

REPLICA DE PAPER
Bajo prdidas QLIKE, Riskmetrics supera signicativamente a las predicciones Rolling window.
Bajo prdidas MSE, Rolling window supera dbilmente a las predicciones Riskmetrics.
4. Conclusiones
Se ha mostrado algunos de los problemas a los que se arriban cuando un proxy imperfecto es empleado para
comparar predicciones de volatilidad, extendiendo el trabajo de Andersen y Bollerslev (1998), Meddahi
(2001) y Hansen y Lunde (2006).
Proxies de volatilidad de mayor precisin han sido mostrados para aliviar estos problemas, pero no
lo eliminan por completo.
Se ha presentado una condicin necesaria y suciente en la forma usada de las funciones de prdida para la
comparacin de prediccin de volatilidad, descartando algunas funciones de prdida previamente usadas.
Una nueva familia paramtrica de funciones de prdida ha sido propuesta, la cual contiene a MSE y
QLIKE, y trabaja con proxies de volatilidad ruidosos.
5. Anexo
5.1. Cdigo Fuente
El cdigo fuente desarrollado por Andrew Patton (Duke University), es un conjunto de archivos M que
hacen uso del Toolbox Econometrics desarrollado por James P.LeSage (University of Toledo). Los archivos M
que replican las guras del paper estn organizados de la siguiente manera:
Script (1):
robust_example_code.m: cdigo que centraliza las invocaciones a las funciones que permiten replicar
los resultados empricos y realizar las grcas usando una familia robusta de funciones de prdida
para la comparacin de predicciones de volatilidad
Funciones (5):
dates2.m: convierte fecha en formato vectorial
garchsimulate.m: simula una serie de tiempo GARCH(p,q)
nines.m: retorna una matriz con todos los elementos en -999.99.
nwest.m: calcula una Regresin de Minimos Cuadrados consistente Newey-West ajustado por hete-
roscedasticidad serial.
robust_loss_1.m: modela la familia paramtrica de funciones de prdidas propuestas en el paper
Datos (1):
robust_ibm_data_apr06.txt: contiene la base de datos de la serie para IBM
5.2. Fuentes de Descarga
Todos los cdigos desarrollados por Andrew Patton para la rplica del paper se encuentran en el archivo
comprimido Patton_robust_loss_apr06.zip que puede ser descargado desde
http://public.econ.duke.edu/~ap172/Patton_robust_loss_apr06.zip
El Toolbox Econometrics desarrollado por James P.LeSage se encuentra en el archivo comprimido jplv7.zip
que puede ser descargado desde
http://www.spatial-econometrics.com/html/jplv7.zip

Ataurima-Arellano M. (2014) Réplica de Paper Financiero Con MATLAB PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Ataurima-Arellano M. (2014) Réplica de Paper Financiero Con MATLAB PDF

Uploaded by

Copyright:

Available Formats

UNIVERSIDAD NACIONAL DE INGENIERA

Facultad de Ingeniera Econmica, Estadstica y Ciencias Sociales

EXPOSITOR: Miguel Ataurima Arellano 4 mataurimaa@uni.pe

, donde H es un subconjunto compacto de R

< para todo t.

Quedando claro que estamos comparando dos predicciones imperfectas

b = 5 0,17 0,25 1,63 0,65

You might also like