Statistica per l’economia e l’impresa
Capitolo 10
Cenni ai modelli ARCH-GARCH
Motivazione all’introduzione di nuovi modelli:
• Fino agli inizi degli anni ‘80 gli studi econometrici per la stima di serie storiche si sono focalizzati alla misurazione di valori nominali, reali o medie di grandezze micro o macroeconomiche.
•Più recentemente si è iniziato invece ad
indagare sulla cosidetta volatilità e sugli
effetti che tale volatilità ha sui valori reali o
nominali delle serie storiche.
Definizione di Volatilità
• Supponiamo che Si sia il valore diuna variabile (es.prezzo) all’istante (giorno) i.
• La volatilità giornaliera è definita come la standard deviation di ln(Si /Si-1), ovvero il suo scarto
quadratico medio
• Normalmente i giorni nei quali i mercati sono chiusi vengono ignorati per il calcolo della
volatilità
• Chiaramente la Varianza è il quadrato volatilità
3
Standard approach per stimare la Volatilità
• Sia Si il valore della market variabile alla fine del giorno i
• Si definisca ui= ln(Si/Si-1)
• Allora la volatilità “per day” tra il giorno n-1 e il giorno n, stimata alla fine del giorno n-1, è definite come:
4
n n i
i m
i n i m
m u u
u m u
2 2
1
1
1 1 1
( )
Esempio di Volatilità: S&P 500
5
Riprendiamo il modello di regression lineare
• La forma generale per la relazione lineare di Yt su:
• La variance del termine di errore è costante over time. Questa proprietà è definita “unconditional homoscedasticity”
) σ N(0,
~ ε
ε X
β ...
X β
X β
β Y
2 t
1 t kt
k t
2 2
t 1 1
0 1
t
is X
,..., X
,
X
1t 2t ktDistinzione tra Varianza Conditional e Unconditional
• La varianza “unconditional” è semplicemente la classica misura della varianza, ovvero:
var(x) =E(x -E(x))2
• La varianza “conditional” è invece la misura di incertezza rispetto ad una variabile, dato un modello e un set di informazioni :
cond var(x) =E(x-E(x| ))2 questa è la vera misura dell’incertezza.
Volatility Clustering (read books)
9
10
t t 1
t t
1 t
t
E [Y | X ] σ ε
Y
La varianza “Conditional”
varia nel tempo
• Per introdurre una varianza conditional non- costante nel modello, si moltiplica l’errore per lo scarto quadratic medio conditional:
• dove t è chiaramente non-negativo in quanto è una standard deviation
ARCH e GARCH
11
12
N(0,1)
~ ε
where ε
σ βX
Y
t
t
t t tARCH(q) Model
Engle(1982)
Auto-Regressive Conditional Heteroscedasticity
Dove V
Lè la varianza di “lungo termine”
q
1 i
i
q 1 i
2 i t i t i
L 2
t
1 α
γ
where
) ε
(σ α
γV σ
GARCH (p,q) Bollerslev (1986)
Nei lavori empirici, l’ordine q dei modelli ARCH risulta essere spesso molto grande.
Sono stati quindi proposti modelli più
parsimoniosi, definiti Generalised ARCH model:
L
q 1 j
j 2t j p
1 i
2 1 t 2
i t t i
2
γV ω
σ β ε
σ α ω
σ
13
Riferimenti bibliografici
• Engle, R.F. (1982), Autoregressive Conditional
Heteroskedasticity with Estimates of the Variance of U.K.
• Bollerslev, T.P. (1986), Generalized Autoregresive Conditional Heteroscedasticity.
• Bollerslev T., Engle R. F. and D. B. Nelson (1994), ARCH Models
• Engle, R. F. (2001), GARCH 101: The Use of
ARCH/GARCH Models in Applied Econometrics.