12. Modelli stocastici per la volatilità (I parte) (pdf, it, 132 KB, 3/21/07)
12. Modelli stocastici per la volatilità (I parte) (pdf, it, 132 KB, 3/21/07)
12. Modelli stocastici per la volatilità (I parte) (pdf, it, 132 KB, 3/21/07)
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
<strong>Modelli</strong> <strong>stocastici</strong> <strong>per</strong> <strong>la</strong><br />
vo<strong>la</strong>til<strong>it</strong>à<br />
Dai modelli di vo<strong>la</strong>til<strong>it</strong>à a media mobile ai<br />
modelli GARCH<br />
I modelli di vo<strong>la</strong>til<strong>it</strong>à con medie mobili assumono che i rendimenti siano i.i.d. <br />
<strong>la</strong> vo<strong>la</strong>til<strong>it</strong>à è costante nel tempo: forniscono una stima del<strong>la</strong> vo<strong>la</strong>til<strong>it</strong>à non<br />
condizionata, assumendo che essa sia costante, e il valore al tempo corrente<br />
viene utilizzato come previsione.<br />
Le stime del<strong>la</strong> vo<strong>la</strong>til<strong>it</strong>à non cambiano nel tempo <strong>la</strong> variabil<strong>it</strong>à del<strong>la</strong> vo<strong>la</strong>til<strong>it</strong>à è<br />
attribuibile esclusivamente a disturbi casuali (noise). Non c’è alcun parametro<br />
nel modello che leghi <strong>la</strong> variabil<strong>it</strong>à al tempo.<br />
Evidenza empirica:<br />
I rendimenti giornalieri (bassa frequenza) non sono autocorre<strong>la</strong>ti, ma vi sono segni di<br />
elevata corre<strong>la</strong>zione nei loro quadrati.<br />
I rendimenti infragiornalieri (elevata frequenza) possono evidenziare segni di<br />
autocorre<strong>la</strong>zione.<br />
Termine tecnico <strong>per</strong> indicare il vo<strong>la</strong>til<strong>it</strong>y clustering <br />
Eteroschedastic<strong>it</strong>à autoregressiva condizionata<br />
1
Introduzione ai modelli GARCH (Generalized<br />
AutoRegressive Cond<strong>it</strong>ional Heteroschedastic<strong>it</strong>y)<br />
In un modello GARCH si assume che i rendimenti siano generati da un<br />
processo stocastico con vo<strong>la</strong>til<strong>it</strong>à variabile nel tempo <strong>la</strong> varianza<br />
condizionata deriva da un processo autoregressivo.<br />
Nei modelli ARMA abbiamo supposto che <strong>la</strong> media condizionata dei<br />
rendimenti fosse variabile nel tempo mettendo<strong>la</strong> in re<strong>la</strong>zione con alcune<br />
variabili esplicative. La componente d’errore del modello è considerata<br />
omoschedastica, cioè:<br />
2<br />
Var(<br />
ε ) = σ<br />
t<br />
Idea fondamentale dei modelli GARCH: aggiungere una seconda equazione a<br />
quel<strong>la</strong> del<strong>la</strong> media condizionata equazione del<strong>la</strong> varianza condizionata.<br />
Perciò:<br />
2<br />
Vart ( ε t ) = σ t<br />
Evoluzione temporale del<strong>la</strong> varianza condizionata del<strong>la</strong> componente erratica<br />
Introduzione ai modelli GARCH (2)<br />
La variabile dipendente di un modello GARCH <strong>per</strong> <strong>la</strong><br />
vo<strong>la</strong>til<strong>it</strong>à è sempre una serie di rendimenti.<br />
Un modello GARCH è formato da due equazioni:<br />
Equazione <strong>per</strong> <strong>la</strong> media condizionata<br />
Equazione <strong>per</strong> <strong>la</strong> varianza condizionata<br />
2
Introduzione ai modelli GARCH (3)<br />
L’equazione <strong>per</strong> <strong>la</strong> media condizionata<br />
Poiché l’attenzione nei modelli GARCH si concentra sul<strong>la</strong> varianza<br />
condizionata, sol<strong>it</strong>amente l’equazione <strong>per</strong> <strong>la</strong> media condizionata è molto<br />
semplice:<br />
r = μ + ε<br />
t<br />
t<br />
In tale caso <strong>la</strong> costante è pari al<strong>la</strong> media dei rendimenti nel <strong>per</strong>iodo<br />
considerato.<br />
Se <strong>la</strong> funzione di autocorre<strong>la</strong>zione presenta valori significativi <strong>per</strong> alcuni<br />
sfasamenti si potrebbe utilizzare una media condizionata autoregressiva.<br />
Sol<strong>it</strong>amente un modello AR(1) si rive<strong>la</strong> adeguato.<br />
Introduzione ai modelli GARCH (4)<br />
L’equazione <strong>per</strong> <strong>la</strong> varianza condizionata<br />
Diverse tipologie di modelli GARCH in base al<strong>la</strong> forma dell’equazione <strong>per</strong> <strong>la</strong><br />
varianza condizionata<br />
Distinzione fra GARCH simmetrici e GARCH asimmetrici<br />
simmetrici catturano il vo<strong>la</strong>til<strong>it</strong>y clustering ordinario; l’equazione <strong>per</strong> <strong>la</strong><br />
media condizionata e quel<strong>la</strong> <strong>per</strong> <strong>la</strong> varianza condizionata possono essere<br />
stimate separatamente;<br />
Asimmetrici catturano il leverage effect; l’equazione <strong>per</strong> <strong>la</strong> media<br />
condizionata e quel<strong>la</strong> <strong>per</strong> <strong>la</strong> varianza condizionata devono essere stimate<br />
congiuntamente;<br />
3
Un primo modello <strong>per</strong> <strong>la</strong> vo<strong>la</strong>til<strong>it</strong>à<br />
r = μ + ε<br />
t<br />
ε = z<br />
t<br />
h<br />
t t t Equazione <strong>per</strong> <strong>la</strong> varianza condizionata (ht )<br />
N.B.: ht =var(εt |It-1 )= σ 2<br />
t<br />
zt ~ NID(<br />
0,<br />
1)<br />
ht<br />
h indip. da<br />
t<br />
z<br />
t<br />
Equazione <strong>per</strong> <strong>la</strong> media condizionata<br />
2 2<br />
~ WN(<br />
σ , λ )<br />
− h t è collegata al<strong>la</strong> quant<strong>it</strong>à di informazione immessa sul mercato al tempo<br />
t. La varianza dei rendimenti (vo<strong>la</strong>til<strong>it</strong>à) è elevata quando ci sono molte<br />
informazioni nuove.<br />
Un primo modello <strong>per</strong> <strong>la</strong> vo<strong>la</strong>til<strong>it</strong>à (2)<br />
Il modello è coerente con l’ipotesi di leptocurtosi.<br />
Infatti si può dimostrare che:<br />
4<br />
E(<br />
ε t )<br />
≥ 3 4<br />
σ<br />
N.B.:<br />
2<br />
var( ε t ) = var( zt<br />
) var( ht<br />
) = σ<br />
Si noti che anche <strong>parte</strong>ndo da un’assunzione di normal<strong>it</strong>à si arriva ad<br />
una distribuzione leptocurtica.<br />
2<br />
-Il modello non spiega le corre<strong>la</strong>zioni di<br />
ε t , infatti si può dimostrare che<br />
2 2<br />
Cov( ε , ε<br />
t<br />
t−k<br />
) = 0<br />
-Un possibile modo <strong>per</strong> tenere conto delle corre<strong>la</strong>zioni di<br />
( ε ,... )<br />
ht = f ε t<br />
t−1,<br />
−2<br />
2<br />
ε t<br />
4
Il modello ARCH(1)<br />
Eteroschedastic<strong>it</strong>à condizionata autoregressiva (Autoregressive Cond<strong>it</strong>ional<br />
Heteroskedastic<strong>it</strong>y)<br />
ε = z<br />
t<br />
z t<br />
t<br />
h<br />
~ IID(<br />
0,<br />
1)<br />
t<br />
εt<br />
| It −1<br />
~ IID(<br />
0,<br />
ht<br />
)<br />
2 ( ε t | It<br />
−1 ) ht<br />
E =<br />
(1)<br />
eventualmente normale<br />
<strong>per</strong> cui<br />
ε t condizionatamente eteroschedastico.<br />
2<br />
Si può dimostrare che <strong>la</strong> varianza non condizionata di ε σ t è una costante ( ).<br />
Il modello ARCH(1) (2)<br />
Il modello ARCH(1) è:<br />
ht = ε t<br />
dove<br />
2<br />
ω + α1<br />
−1<br />
(2)<br />
ω > 0, α1<br />
≥ 0 <strong>per</strong> garantire <strong>la</strong> non negativ<strong>it</strong>à del<strong>la</strong> varianza<br />
Alcune considerazioni sui modelli ARCH(1)<br />
1)<br />
E (ε ) = E<br />
t<br />
( z ) E(<br />
h )<br />
t<br />
t<br />
2) Affinchè <strong>la</strong> varianza esista fin<strong>it</strong>a deve essere 1 1 < α<br />
3) <strong>per</strong> 1 0 = α <strong>la</strong> serie degli εt è condizionatamente omoschedastica<br />
5
Il modello ARCH(1) (3)<br />
I modelli ARCH(1) catturano il vo<strong>la</strong>til<strong>it</strong>y clustering<br />
Sost<strong>it</strong>uendo <strong>la</strong> (2) nel<strong>la</strong> (1) si ha:<br />
ε t = zt ω + α ε t<br />
3<br />
2<br />
1<br />
0<br />
-1<br />
-2<br />
2<br />
1 −1<br />
Shock elevati (bassi) in valore assoluto tendono ad essere segu<strong>it</strong>i da shock<br />
elevati (bassi).<br />
100 200 300 400 500 600 700 800<br />
ARCH1<br />
Modello ARCH(1) simu<strong>la</strong>to con<br />
α 0.<br />
7 , T=800.<br />
I modelli ARCH(1) (4)<br />
I modelli ARCH catturano <strong>la</strong> leptocurtosi delle serie finanziarie<br />
a) La curtosi di<br />
1 =<br />
[ ] [ ] 2<br />
2 4 2<br />
E(<br />
h ) E(<br />
z ) E(<br />
)<br />
E ε<br />
4<br />
4 2<br />
4<br />
( ε t ) = E(<br />
zt<br />
) E(<br />
ht<br />
) ≥ E(<br />
zt<br />
) t = t t<br />
Per cui si può scrivere: 2 [ E(<br />
ε ) ]<br />
4<br />
E(<br />
ε t )<br />
4<br />
≥ E(<br />
zt<br />
) = 3<br />
t<br />
2<br />
b) <strong>per</strong> i modelli ARCH(1) si può anche dimostrare che <strong>la</strong> curtosi di εt è data da:<br />
β 2 ( ε t ) =<br />
4<br />
E(<br />
ε t )<br />
2 2<br />
E(<br />
ε )<br />
2<br />
3(<br />
1−<br />
α1<br />
)<br />
=<br />
1−<br />
3α<br />
1<br />
[ ] 2<br />
t<br />
2<br />
2<br />
poiché ( 1−<br />
α ) > 1−<br />
3α<br />
allora β ( ε ) > 3<br />
1<br />
Esempio di simu<strong>la</strong>zione ARCH(1)<br />
εt è sempre su<strong>per</strong>iore a quel<strong>la</strong> di zt N.B.: Ricordare <strong>la</strong> disuguaglianza di Jensen<br />
1<br />
2<br />
t<br />
6
I modelli ARCH(1) (5)<br />
Stima di un modello ARCH(1)<br />
su dati reali (ENI)<br />
mediana<br />
varianza<br />
minimo<br />
massimo<br />
asimmetria<br />
curtosi<br />
jarque-bera<br />
p-value jb<br />
n.oss<br />
0.0014<br />
0.0019<br />
-0.1586<br />
0.1829<br />
0.0900<br />
4.0485<br />
47.1143<br />
0.0000<br />
999<br />
La forma distributiva di un<br />
processo ARCH(1) simu<strong>la</strong>to<br />
Coefficient(s):<br />
Estimate Std. Error t value Pr(>|t|)<br />
a0 1.604e-04 5.222e-06 30.709 < 2e-16 ***<br />
a1 2.398e-01 3.140e-02 7.638 2.2e-14 ***<br />
I modelli ARCH(1) (6)<br />
Struttura di dipendenza dei quadrati degli shock in un modello ARCH(1)<br />
Funzione di autocorre<strong>la</strong>zione <strong>per</strong> gli ε in un modello ARCH(1)<br />
Rappresentazione AR di un processo ARCH<br />
Un modello ARCH(1) può essere riscr<strong>it</strong>to come un modello AR(1) rispetto a<br />
Infatti, aggiungendo ad ambo i membri del<strong>la</strong><br />
si ottiene:<br />
ht 2<br />
= ω + α1ε<br />
t −1<br />
<strong>la</strong> quant<strong>it</strong>à<br />
2<br />
ε t<br />
2<br />
= ω + α1ε<br />
t −1<br />
+ vt<br />
dove ( 1)<br />
2<br />
2<br />
vt = ε t − ht<br />
= ht<br />
zt<br />
−<br />
Poiché un ARCH(1) può essere scr<strong>it</strong>to come un AR(1), <strong>per</strong> garantire <strong>la</strong><br />
stazionarietà del processo deve essere 1 1 < α<br />
L’autocorre<strong>la</strong>zione al <strong>la</strong>g k <strong>per</strong> 2<br />
εt è pari a<br />
2<br />
t<br />
k<br />
α1<br />
2<br />
εt<br />
2<br />
ε t<br />
− h<br />
t<br />
7
Dal processo ARCH(1) ai processi ARCH(p)<br />
Correlogramma sui rendimenti al<br />
quadrato del NASDAQ<br />
Caratteristiche del<strong>la</strong> funzione di<br />
autocorre<strong>la</strong>zione <strong>per</strong> i rendimenti al<br />
quadrato delle attiv<strong>it</strong>à finanziarie:<br />
- Valore basso al primo <strong>la</strong>g<br />
- Valore decrescente molto lentamente<br />
Correlogramma <strong>per</strong> i quadrati di un<br />
ARCH(1) simu<strong>la</strong>to<br />
Il modello ARCH(1) non riesce a<br />
riprodurre tale andamento <strong>per</strong>ché<br />
un basso valore al primo <strong>la</strong>g<br />
implicherebbe una riduzione molto<br />
rapida del<strong>la</strong> funzione di<br />
autocorre<strong>la</strong>zione.<br />
Dal processo ARCH(1) ai processi ARCH(p) (2)<br />
-Caratteristiche del processo ARCH(1) rispetto alle proprietà osservate<br />
empiricamente su molte serie storiche finanziarie<br />
stazionarietà sì OK<br />
incorre<strong>la</strong>zione sì OK<br />
corre<strong>la</strong>zione quadrati sì !<br />
indipendenza no OK<br />
normal<strong>it</strong>à no OK<br />
leptocurtosi sì OK<br />
“prevedibil<strong>it</strong>à”<br />
del<strong>la</strong> media cond. no OK<br />
del<strong>la</strong> varianza cond. sì OK<br />
- La corre<strong>la</strong>zione dei quadrati non è del tipo osservato empiricamente<br />
- Lim<strong>it</strong>are <strong>la</strong> memoria del processo ad un solo istante può essere riduttivo<br />
- Un passo avanti consiste nel considerare p r<strong>it</strong>ardi<br />
<strong>Modelli</strong> ARCH(p)<br />
8
I processi ARCH(p)<br />
ε = z<br />
t<br />
z t<br />
t<br />
h<br />
~ IID(<br />
0,<br />
1)<br />
t<br />
2 2<br />
2<br />
ht = ω + α1<br />
εt<br />
− 1 + α 2ε<br />
t−<br />
2 + ... + α pε<br />
t−<br />
p<br />
ω > 0 , α ≥ 0,<br />
<strong>per</strong> i = 1,<br />
2,...,<br />
p <strong>per</strong> <strong>la</strong> non negativ<strong>it</strong>à del<strong>la</strong> varianza<br />
i<br />
z t<br />
~ NID(<br />
0,<br />
1)<br />
⇒<br />
εt<br />
| It −1<br />
~ N(<br />
0,<br />
ht<br />
)<br />
I processi ARCH(p) (2)<br />
Rappresentazione AR(p)<br />
2<br />
2 2<br />
2<br />
t = ω + α1ε<br />
t−1<br />
+ α 2ε<br />
t−2<br />
+ ... + α pε<br />
t−<br />
p<br />
ε + v <strong>per</strong> cui<br />
t<br />
σ<br />
2<br />
=<br />
ω<br />
−α<br />
−α<br />
−...<br />
−α<br />
1 1 2<br />
- Esistono dei risultati che forniscono le condizioni <strong>per</strong> l’esistenza dei momenti,<br />
in partico<strong>la</strong>re del momento quarto. Quando quest’ultimo esiste, evidenzia<br />
leptocurtosi.<br />
- Il processo ARCH(p) lineare con ω > 0, α1<br />
≥ 0,<br />
<strong>per</strong> i = 1,<br />
2,...,<br />
p<br />
è (debolmente) stazionario se e solo se ( α1<br />
+ α 2 + ... + α p ) < 1<br />
- Questa condizione coincide con <strong>la</strong> richiesta che tutte le radici dell’equazione<br />
caratteristica associata al polinomio autoregressivo del<strong>la</strong> rappresentazione AR di 2<br />
ε t<br />
risultino esterne al cerchio di raggio un<strong>it</strong>ario nel caso di parametri pos<strong>it</strong>ivi.<br />
2<br />
- ε t ha una funzione di autocorre<strong>la</strong>zione simile a quel<strong>la</strong> di un AR(p) c<strong>la</strong>ssico.<br />
Risultato utile a formu<strong>la</strong>re una strategia <strong>per</strong> l’identificazione preliminare<br />
dell’ordine p del processo ARCH.<br />
- Procedura Box-Jenkins sulle autocorre<strong>la</strong>zioni dei quadrati.<br />
p<br />
9
I processi ARCH(p) (3)<br />
Correlogramma <strong>per</strong> i quadrati<br />
di un ARCH(5) simu<strong>la</strong>to<br />
Stima di un modello ARCH(5) su<br />
dati reali (ENI)<br />
Coefficient(s):<br />
Estimate Std. Error t value Pr(>|t|)<br />
a0 6.442e-05 6.143e-06 10.488 < 2e-16 ***<br />
a1 1.244e-01 2.326e-02 5.348 8.91e-08 ***<br />
a2 1.224e-01 2.717e-02 4.503 6.69e-06 ***<br />
a3 1.272e-01 2.574e-02 4.943 7.70e-<strong>07</strong> ***<br />
a4 1.852e-01 3.002e-02 6.170 6.82e-10 ***<br />
a5 1.612e-01 3.515e-02 4.587 4.49e-06 ***<br />
10