Resumen de Forecasting of financial markets: a modeling approach
Las previsiones de la volatilidad de los mercados financieros desempeñan un papel crucial en la toma de decisiones financieras y la necesidad de previsiones exactas es evidente en una serie de ámbitos, como la opción de fijación de precios, estrategias de cobertura, asignación de cartera y de valor en riesgo de cálculos. Lamentablemente, es muy difícil predecir con precisión la volatilidad y el problema se agrava por el hecho de darse cuenta de la aproximación de la volatilidad que ha de ser, ya que es de por sí invisible. Debido a su papel fundamental el tema de la previsión de la volatilidad, no obstante, ha recibido mucha atención y la literatura resultante es considerable.
Una de las principales fuentes de volatilidad de las previsiones son los modelos parámetricos históricos, como los modelos de heteroscedasticidad generalizada autoregresiva condicional (GARCH) y los modelos de volatilidad estocástica (SV). Los parámetros en estos modelos se estiman con datos históricos y posteriormente utilizados para construir la volatilidad de las previsiones fuera de la muestra. El alto grado de persistencia observada en la volatilidad inter-temporal de estos modelos sugieren que la variabilidad del índice bursátil se vuelve muy previsible y que las observaciones anteriores contienen información valiosa para la predicción de la volatilidad futura.
Algunos estudios que compararon la capacidad de previsión de los distintos modelos de volatilidad se han llevado a cabo por una serie de índices bursátiles y el consenso general parece ser que los modelos que atribuyen más peso a las recientes observaciones superan a los demás.
En esta tesis se compara la capacidad de previsión de los modelos de volatilidad estocástica (SV) y los de previsión de la volatilidad implícita en la opción de precios. SV es un modelo propuesto con la volatilidad implícita como una variable explicativa en la ecuación de la varianza, que permite el uso de la estadística de prueba, nos referimos a este modelo como el modelo (SVX). A continuación obtenemos una volatilidad implícita (SIV) estocástica, limitando el modelo de persistencia de la inestabilidad en el parámetro modelo (SVX) a la igualdad de cero. Todos los modelos SV se estiman por máxima verosimilitud exacta usando los métodos de muestreo de MonteCarlo. El rendimiento de los modelos se evalúa tanto dentro de la muestra y fuera de la muestra para los retornos diarios en el Standard & Poor's 100 index. Nuestros resultados confirman la información del contenido de las medidas de la volatilidad implícita como los modelos (SVX) y (SIV) producen estimaciones más eficaces de la volatilidad que el proceso estándar del modelo (SV) basado únicamente en el histórico regreso.
Las previsiones de la volatilidad fuera de la muestra se evalúan con respecto a los retornos diarios cuadrado y la volatilidad interdiaria horizontes para la previsión de medidas que van desde 1 a 20 días. Tanto para el cuadrado y los retornos diarios acumulativos interdiarios cuadrados de 10 minutos nos encontramos con que el modelo (SIV) supera tanto el modelo (SV) y el modelo (SVX) en varios criterios de evaluación, pero que el modelo (SV) produce unas previsiones de volatilidad con el menor sesgo. Todos los modelos subestiman la volatilidad del proceso, en promedio, que en nuestra opinión, está estrechamente relacionado con el hecho de que el nivel medio de la volatilidad en la estimación de muestras es inferior al de la muestra de evaluación.
En un nuevo examen de los resultados, encontramos que los tres modelos producen unas previsiones de la volatilidad que son en promedio muy bajo, y argumentan que esto se debe principalmente al hecho de que los años de las muestras utilizadas para la estimación de parámetros son mucho menos volátiles que la muestra de evaluación.
