ComenzarEmpieza gratis

La dinámica AR(1)-GJR GARCH de los retornos de MSFT

Has visto en el vídeo que el signo del parámetro autorregresivo en el modelo AR(1) depende de la reacción del mercado ante las noticias

Un valor positivo de \(\rho\) es coherente con la interpretación de que los mercados reaccionan por debajo de lo debido a las noticias, lo que genera momentum en los retornos. Un valor negativo de \(\rho\) es coherente con la interpretación de que los mercados sobrerreaccionan a las noticias, lo que provoca reversión en los retornos.

¿Los retornos diarios de Microsoft se caracterizan por momentum o por un efecto de reversión en su dinámica AR(1)? Vamos a comprobarlo estimando los parámetros del modelo AR(1)-GJR GARCH usando los retornos diarios de Microsoft en msftret.

Este ejercicio forma parte del curso

Modelos GARCH en R

Ver curso

Instrucciones del ejercicio

  • armaOrder = c(1,2) corresponde a un modelo ARMA(1,2). Un modelo AR(1) es lo mismo que ARMA(1,0).
  • Completa el argumento mean.model en ugarchspec para especificar el modelo AR(1) que se va a usar.
  • Estima el modelo.
  • Imprime los dos primeros coeficientes del modelo GARCH estimado.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Specify AR(1)-GJR GARCH model
garchspec <- ugarchspec(mean.model = list(armaOrder = ___ ),
                        variance.model = list(model = "gjrGARCH"),
                        distribution.model = "sstd")

# Estimate the model
garchfit <- ___

# Print the first two coefficients
___(___)[c(1:2)]
Editar y ejecutar código