Efecto de los acontecimientos en la volatilidad intradía y grandes valores atípicos

Question

Tengo un evento que tiene lugar durante un periodo de unos días, y quiero estimar el efecto que tiene sobre la volatilidad del mercado utilizando datos intradía con una frecuencia de un minuto. El problema es que, por ejemplo, GARCH, EGARCH y GJR no son capaces de dar cuenta de la asimetría en la distribución de las observaciones, porque hay varias observaciones que se sitúan fuera de la distribución normal (por ejemplo, muchas de las acciones tienen 20+ 5 sigma retornos durante el período de la muestra, la mayoría de ellos durante la ventana del evento).

Como estoy interesado en el efecto que el acontecimiento mencionado tiene sobre la volatilidad, estoy intentando comprender cómo tratar estos valores atípicos. Es evidente que contienen información relevante, por lo que incluir variables ficticias para tener en cuenta cada valor atípico parecería poco práctico y poco razonable Mi intuición inicial para resolver el problema era ejecutar cualquier modelo ARCH que diera el mejor ajuste e incluir variables ficticias para el periodo del evento, pero ahora estoy empezando a cuestionarme si, después de todo, este es el método correcto con los datos con los que estoy trabajando.

Todos los consejos y referencias a artículos que pueda haberme perdido son muy apreciados.

Answer 1

Hay varias alternativas a su problema:

1. Si considera que la distribución Normal no es adecuada, puede utilizar otras distribuciones como la distribución t, la distribución t sesgada, la distribución de error generalizada, la GED sesgada, etc. Todas estas distribuciones están disponibles en R (paquete rugarch) y también en Eviews.

2. Como le interesa estudiar el impacto de un acontecimiento en la volatilidad, lo mejor es utilizar variable ficticia del acontecimiento . No es necesario utilizar una variable ficticia para los valores atípicos. De este modo, puede medir el impacto del evento en la volatilidad.

3. Si las dos opciones anteriores no funcionan, también puede utilizar modelos de salto . Existe una vasta literatura sobre los modelos de salto (basta con buscar en Google), pero estos modelos son difícil de calibrar . Por lo tanto, mantenga estos modelos siempre sus últimas opciones.