Modelamiento de la volatilidad de las bolsas de valores de América Latina: Probabilidades variables y reversión promedio en un modelo de cambios de nivel randomizado.

Siguiendo el trabajo de Xu y Perron (2014), en este documento se aplica el modelo extendido de cambios de nivel aleatorios (RLS) a los retornos diarios de los mercados bursátiles de Argentina, Brasil, Chile, Mexico y Perú. A diferencia del modelo RLS básico, en este modelo se usan probabilidades cam...

Descripción completa

Autor Principal: Rodríguez, Gabriel
Formato: info:eu-repo/semantics/workingPaper
Idioma: spa
Publicado: Pontificia Universidad Católica del Perú. Departamento de Economía 2016
Materias:
Acceso en línea: http://repositorio.pucp.edu.pe/index/handle/123456789/52504
Etiquetas: Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!
Sumario: Siguiendo el trabajo de Xu y Perron (2014), en este documento se aplica el modelo extendido de cambios de nivel aleatorios (RLS) a los retornos diarios de los mercados bursátiles de Argentina, Brasil, Chile, Mexico y Perú. A diferencia del modelo RLS básico, en este modelo se usan probabilidades cambiantes asociadas a periodos de retornos extremadamente negativos y además se incorpora un mecanismo de reversión a la media el cual depende de los cambios de nivel pasados y de las desviaciones de la media de largo plazo. Así, se estiman cuatro modelos de cambios de nivel aleatorios: el modelos RLS básico, el modelo RLS con probabilidades variantes, el modelo RLS con reversión a la media y finalmente, el modelo RLS que combina los dos aspectos ya mencionados. Los resultados muestran que los coe cientes estimados son signi cativos, en especial cuando se usa el modelo RLS con reversión a la media. Asimismo, se realizan estimaciones de modelos ARFIMA y GARCH a las series de volatilidad a las cuales se le ha sustraído el componente de cambios de nivel. Los resultados, muestran que una vez que dichos componentes son tomados en cuenta, las características de larga memoria y efectos GARCH desaparecen. Finalmente, un análisis de predicción es proporcionado el cual confi rma que los modelos RLS son más e ficientes que otros modelos clásicos de larga memoria.