Un enfoque bayesiano en modelos heterocedásticos de series de tiempo y su aplicación en la volatilidad de activos financieros

Abstract

El estudio de la variabilidad de un activo se ha convertido en las últimas décadas en un concepto muy importante en el área financiera. Se han propuesto varios modelos en la literatura para evaluar este fenómeno. En este trabajo, se estudia la modelación de la volatilidad de activos financieros, mediante un enfoque bayesiano. Para la modelación se utilizó modelos de heterocedasticidad condicional autorregresiva generalizada y su principal generalización multivariada, los modelos con correlación condicional dinámica DCC - GARCH. Para los errores de estos modelos se consideraron distribuciones de probabilidad posiblemente asimétricas y leptocúrticas, las cuales se parametrizan en función de la asimetría y el peso de las colas, por lo que se estiman también estos parámetros adicionales a los modelos. La estimación de los parámetros del modelo heterocedástico se realizó mediante la metodología MCMC, algoritmo Metropolis - Hastings caminata aleatoria, presente en el paquete bayesDccGarch software R, considerando datos diarios del 1 de abril del 2015 al 31 de enero del 2020 de las series estadísticas de las bolsas de valores de cierre diario de los índices bursátiles de Frankfurt (DAX), Tokio (NIKKEI225) y París (CAC40), y además del índice General de la Bolsa de Valores de Lima (BVL). El enfoque bayesiano para la estimación de los parámetros del modelo heterocedástico que modela la volatilidad de estos activos financieros facilita la interpretación y brinda la posibilidad de insertar información a priori para los parámetros.