Modelación y predicción de la volatilidad con innovaciones de colas pesadas distribuidas: evidencia empírica para los petróleos Maya y Mezcla Mexicana de Exportación

• Autores: Raúl de Jesús Gutiérrez, Lidia Carvajal Gutiérrez
• Localización: Paradigma económico, ISSN 2007-3067, Año 5, Nº. 1, 2013, págs. 67-105
• Idioma: español
• Títulos paralelos:
  • Volatility modeling and forecasting with independent and identically distributed heavy-tailed innovations: Empirical evidence for Maya and Export Mexican crude oil blends
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    El objetivo de este trabajo es evaluar la capacidad predictiva de una familia de modelos garch para predecir la volatilidad condicional de los rendimientos del petróleo Maya y Mezcla Mexicana de Exportación para el periodo 2 de enero de 1989 al 30 de diciembre de 2011. Los modelos de volatilidad se estimaron bajo tres distribuciones condicionales para las innovaciones:

    normal, t-student y errores generalizada. Los hallazgos empíricos señalan que el modelo egarch, con innovaciones t-student es más eficiente en el proceso de predicción de la volatilidad dentro de la muestra que los modelos basados en las distribuciones de errores generalizada y normal. Sin embargo, los resultados de la prueba de Diebold-Mariano muestran que los modelos cgarch, con innovaciones de errores generalizados y normales, superan el desempeño predictivo óptimo de los modelos garch con innovaciones t-student cuando se consideran las predicciones de la volatilidad fuera de la muestra.

  • English

    The purpose of this article is to evaluate the predictive ability of a garch-class model family to forecast the conditional volatility of Maya and Export Mexican Blend crude oil returns over the period from January 2, 1989 to December 30, 2011.

    The volatility forecasting models were estimated under three alternative conditional distributions for innovations: normal, student-t and generalized error. The empirical findings suggest that the egarch model with student-t innovations is more efficient in the procedure of the in-sample volatility forecast than the competing models based on the generalized error and normal distributions. However, the results of Diebold-Mariano test show that the cgarch models driven by generalized error and normal distributed innovations outperform the optimal predictive performance of the garch models with studentt innovations when the out-of-sample volatility forecasts are considered.