ComenzarEmpieza gratis

Efecto del modelo de media en las predicciones de volatilidad

Modelar la dinámica de la media suele tener un gran efecto en los rendimientos predichos, pero solo un efecto menor en las predicciones de volatilidad. El efecto sobre las predicciones de volatilidad es tan pequeño que, si solo te interesan las dinámicas de volatilidad, normalmente puedes ignorar la dinámica de la media y asumir la especificación más simple, es decir, el modelo de media constante.

Probemos esto con los rendimientos diarios de Microsoft. La media y la volatilidad predichas de la estimación GARCH bajo el supuesto de media constante y de AR(1) ya están disponibles en la consola como las variables constmean_mean, ar1_mean, constmean_vol y ar1_vol.

Este ejercicio forma parte del curso

Modelos GARCH en R

Ver curso

Instrucciones del ejercicio

  • Completa el código para estimar el modelo GARCH-en-media.
  • Calcula la media y la volatilidad predichas.
  • Completa el código para calcular la correlación entre las predicciones de rendimientos AR(1) y GARCH-en-media.
  • Completa el código para calcular la correlación de las tres predicciones de volatilidad.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# GARCH-in-Mean specification and estimation
gim_garchspec <- ___( 
  mean.model = list(armaOrder = c(0,0), archm = ___, archpow = ___),
  variance.model = list(model = "gjrGARCH"), distribution.model = "sstd")
gim_garchfit <- ___(data = msftret , ___ = ___)

# Predicted mean returns and volatility of GARCH-in-mean
gim_mean <- ___(___)
gim_vol <- ___(___)

# Correlation between predicted return using AR(1) and GARCH-in-mean models
___(___, ___)

# Correlation between predicted volatilities across mean.models
___(merge(constmean_vol, ar1_vol, gim_vol))
Editar y ejecutar código