3 votos

Modelización de la volatilidad coeficiente GJR-GARCH-X negativo

He estimado GARCH y GJR-GARCH con varias variables exógenas. Algunas de las variables exógenas tienen coeficientes negativos que son estadísticamente significativos. Por ejemplo, puedo escribir mi estimación GJR-GARCH como

$h_t = 0.213 + 0.011 u_{t-1}^2 + 0.847 h_{t-1} + 0.196 u^2_{t-1}I_{t-1<0} - 0.026 X_{t-1} $

Donde $u_{t-1}^2$ es el término ARCH retardado, $I_t$ es la variable ficticia que modela el efecto de apalancamiento asimétrico y $X_{t-1}$ es la variable exógena.

Mi principal preocupación es que el coeficiente de $X_{t-1}$ es negativo. ¿Cómo puedo verificar que mi volatilidad no es negativa? ¿Es suficiente con un gráfico de la varianza condicional a lo largo del periodo de la muestra?

He intentado estimar el modelo GJR-GARCH-X, pero he obtenido algunos coeficientes negativos. No estoy seguro de cómo verificar que estos coeficientes negativos hagan que la volatilidad sea negativa.

2voto

xrost Puntos 129

Positividad de los modelos GARCH-X:

Cuando se trata de modelos GARCH con regresores exógenos, es más "complicado" asegurar la positividad del modelo, debido a la dinámica del modelo no especificada de su regresor exógeno ( además, los regresores exógenos pueden tener características drásticamente diferentes ). Sin ninguna especificación del modelo sobre el regresor exógeno $X_{t-1}$ es habitual restringir el espacio de parámetros del modelo para garantizar la positividad.


Para simplificar, definamos vagamente el modelo GJR-GARCH(1,1)-X con rendimientos degradados, $r_t$ : \begin{align*} r_t \vert \mathcal{F}_{t-1} &= \varepsilon_t\\ \varepsilon_t &= \sigma_t \cdot z_t\\ \sigma^2_t &= \omega + \alpha \varepsilon_{t-1}^2 + \beta \sigma_{t-1}^2 + \gamma I_{t-1} \varepsilon_{t-1}^2 + \nu X_{t-1}, \end{align*} donde $z_t \overset{iid}{\sim} D(0,1)$ es una distribución estandarizada y

$$I_{t-1} =\begin{cases} 1 & \text{if } \varepsilon_{t-1} < 0 \\ 0 & \text{if } \varepsilon_{t-1} \geq 0 \end{cases}.$$

He detallado algunas de mis observaciones:

  • Cuando se trabaja con el GJR-GARCH(1,1) la positividad se satisface cuando imponemos $\omega, \beta,\alpha > 0$ et $\alpha + \gamma > 0$ . Esta última condición es una declaración más amplia que la imposición de $\alpha, \gamma >0$ ya que podemos permitir que uno de los parámetros sea negativo (en este caso, $\gamma$ ). He hecho una respuesta en profundidad detallando el modelo GJR-GARCH(1,1), la positividad, la estacionariedad de la covarianza y las interpretaciones económicas de las estimaciones de los parámetros.

  • Cuando se trabaja con el GJR-GARCH(1,1)-X podemos asegurar aún más la positividad restringiendo adicionalmente el regresor exógeno de manera que $\omega + \nu X_{t-1} \geq 0$ . Aquí, permitimos $\nu$ para variar libremente ( desde $\omega > 0$ ) siempre que se cumpla la condición anterior. La motivación principal para la restricción adicional, proviene de la observación de la varianza incondicional ( calculado bajo la hipótesis de estacionariedad de la covarianza ) del modelo GJR-GARCH-X:

\begin{equation} \mathbb{V}ar(r_t) = \frac{\omega + \nu \mathbb{E}\left[X_{t-1}\right]}{1 - \alpha - \beta - \kappa \gamma}. \end{equation} Para garantizar la varianza incondicional no negativa del proceso de retorno, necesitamos específicamente $\omega + \nu \mathbb{E}\left[X_{t-1}\right] \geq 0$ que se satisface al imponer $\omega + \nu X_{t-1} \geq 0$ para todos $t$ .

En conclusión, imponer $\omega, \beta, \alpha > 0$ , $\alpha + \gamma > 0$ et $\omega + \nu X_{t-1}>0$ , garantiza la obtención de estimaciones de volatilidad no negativas.


Cuando $X_{t-1}$ es estrictamente positivo, es común dejar que $\nu \geq 0$ . Esto también se destaca en el artículo de Han, H. (2015) que investiga los resultados asintóticos del modelo GARCH-X cuando $X_{t-1}$ sigue un proceso fraccionado. En general, es común en el mundo académico asumir una forma funcional en el regresor exógeno, ( véase, por ejemplo, (C1 - C4) en este documento p.699 ). Esto también se hace en el modelo GARCH realizado que incorpora datos intradía para obtener mejores previsiones ( He detallado este modelo ici si está interesado ). Espero que esto ayude .

0 votos

Esta respuesta es muy útil. Sin embargo, tengo un par de preguntas que hacer y estaré agradecido si usted puede responder por mí: 1- Mi variable exógena $X_{t}$ es una variable de sentimiento de las noticias que toma valores negativos con noticias negativas y positivos con noticias positivas, es decir, no es estrictamente positiva. Mi segunda pregunta viene en un comentario diferente debido a las restricciones de número de caracteres.

0 votos

2- Estoy usando el paquete rugarch en R para mi modelo, este es mi código: ug_spec_x <- ugarchspec(media.modelo = list(armaOrder=c(0,0)), varianza.modelo = list(modelo="sGARCH", garchOrder = c(1,1), externos.regresores = matrix(C \$all.news)) ,distribution.model = "std" ) setbounds(ug_spec_x) <- list(vxreg1=c(-1,1)) ugfit_x <- ugarchfit(spec = ug_spec_x, data = C\$ GSPC.Adjusted, solver= "solnp") ¿Cómo puedo imponer en mi código la restricción que me ha aconsejado? es decir $\omega + \nu X_{t-1} \geq 0$

0 votos

@Moataz No estoy seguro de que sea implementable en el paquete rugarch. Intentaré profundizar a ver si encuentro una solución alternativa. Si no, probablemente borraré mi respuesta. Perdón por la confusión.

Finanhelp.com

FinanHelp es una comunidad para personas con conocimientos de economía y finanzas, o quiere aprender. Puedes hacer tus propias preguntas o resolver las de los demás.

Powered by:

X