Vai alla Home Page About me Courseware Federica Living Library Federica Federica Podstudio Virtual Campus 3D Le Miniguide all'orientamento Gli eBook di Federica La Corte in Rete
 
 
Il Corso Le lezioni del Corso La Cattedra
 
Materiali di approfondimento Risorse Web Il Podcast di questa lezione

Antonio D'Ambrosio » 9.Analisi della volatilità - Parte terza


In questa lezione

Analisi della volatilità;

  • Modelli ARCH;
  • Modello ARCH(1);
  • Modello ARCH(p);
  • Test per effetti ARCH.

Modelli ARCH

L’idea di base sottostante lo studio della volatilità è che la serie r_t dei rendimenti è (a seconda della frequenza) serialmente incorrelata o con correlazioni seriali di basso ordine, ma non indipendente. Consideriamo la media e la varianza condizionata di r_t:

E\left( {r_t |I_{t - 1} } \right) = \mu _t ;{\rm }Var\left( {r_t |I_{t - 1} } \right) = E\left( {\left[ {r_t - \mu _t } \right]^2 |I_{t - 1} } \right) = h_t

Per quanto riguarda la media condizionata, date le caratteristiche dei rendimenti, si assume che r_t segua un modello per serie storiche (ad esempio, un ARMA(p,q)).

r_t = \mu _t + \varepsilon _t ,{\rm~ con ~}\mu _t = \delta + \sum\limits_{i = 1}^p {\varphi _i r_{t - 1} } - \sum\limits_{i = 1}^q {\theta _i \varepsilon _{t - 1} } ,{\rm~~ da~~ cui}

Var\left( {r_t |I_{t - 1} } \right) = Var\left( {\varepsilon _t |I_{t - 1} } \right)

Modelli ARCH (segue)

E’ bene puntualizzare che la variabile dipendente per un modello ARCH per la volatilità è la serie dei rendimenti. Un modello ARCH è composto, quindi, da due equazioni:

r_t = \mu _t + \varepsilon _t {\rm , ~equazione~ per~ la ~media~ (}~mean~{\rm }equation{\rm );}

h_t  = Var\left( {r_t |I_{t - 1} } \right) = Var\left( {\varepsilon _t |I_{t - 1} } \right)

equazione per la volatilità (volatility equation)

Si assume che \varepsilon _t = \eta _t \sqrt {h_t }~~, in~~ cui~~ \eta _t |I_{t - 1} \~N\left( {0,1} \right), ~~\eta _t \bot \sqrt {h_t } .

Questo implica che \varepsilon _t |I_{t - 1} \~N\left( {0,h_t } \right);{\rm }E\left( {\varepsilon _t^2 |I_{t - 1} } \right) = h_t .

Modello ARCH (1)

Il modello ARCH(1) prevede

r_t = \mu _t + \varepsilon _t ;{\rm }\varepsilon _t = \sqrt {h_t } \eta _t ;{\rm }\eta _t \bot \sqrt {h_t } ;{\rm }h_t = \omega + \alpha _1 \varepsilon _{t - 1}^2.

1. La media non condizionata delle innovazioni è pari a
E\left( {r_t } \right) = E\left[ {E\left( {\varepsilon _t |I_{t - 1} } \right)} \right] = E\left( {\sqrt {h_t } E\left[ {\eta _t } \right]} \right) = 0

2. La varianza non condizionata delle innovazioni (considerando che) \epsilon_t~\text{\' e  un processo stazionario con valore atteso nullo e}~Var \left( {\varepsilon _t } \right) = Var\left( {\varepsilon _{t - 1} } \right) = E\left( {\varepsilon _{t - 1}^2 } \right) è pari a:
Var\left( {\varepsilon _t } \right) = E\left[ {E\left( {\varepsilon _t^2 |I_{t - 1} } \right)} \right] = E\left( {\omega + \alpha _1 \varepsilon _{t - 1}^2 } \right) =
= \omega + \alpha _1 E\left( {\varepsilon _{t - 1}^2 } \right) = \frac{\omega }{{1 - \alpha _1 }}

Poiché la varianza deve essere positiva, questo implica che 0 \le \alpha _1 \le 1;{\rm }\omega > 0;

Modello ARCH(1)

3. Si può dimostrare che la curtosi non condizionata è pari a
\frac{{E\left( {\varepsilon _t^4 } \right)}}{{\left[ {Var\left( {\varepsilon _t } \right)} \right]^2 }} = 3\frac{{1 - \alpha _1^2 }}{{1 - 3\alpha _1^2 }} > 3,

Per cui vi è coerenza con l’evidenza empirica di leptocurtosi;

4. Poichè Var\left( {\varepsilon _t } \right) = {\omega \mathord{\left/ {\vphantom {\omega {\left( {1 - \alpha _1 } \right)}}} \right. \kern-\nulldelimiterspace} {\left( {1 - \alpha _1 } \right)}}, simboleggiando la varianza non condizionata con \sigma ^2 , si ha che \omega = \sigma ^2 \left( {1 - \alpha _1 } \right). Sostituendo tale espressione nella volatility equation si ha
h_t = \omega + \alpha _1 \varepsilon _{t - 1}^2 = \sigma ^2 \left( {1 - \alpha _1 } \right) + \alpha _1 \varepsilon _{t - 1}^2 = \sigma ^2 + \alpha _1 \left( {\varepsilon _{t - 1}^2 - \sigma ^2 } \right)<br />
, da cui

\varepsilon _t = \eta _t \sqrt {\sigma ^2 + \alpha _1 \left( {\varepsilon _{t - 1}^2 - \sigma ^2 } \right)}.

Modello ARCH(1)

Riordiniamo le idee.

  • Il coefficiente ω deve essere strettamente positivo, inoltre -1 <\alpha <1. Le due proprietà devono essere verificate per la positività della varianza;
  • Il modello cattura la leptocurtosi;
  • Il modello cattura il fenomeno della volatility clustering. Dalla struttura del modello si può vedere come grandi shock al quadrato nel passato implicano una grande varianza condizionata attuale per i rendimenti (centrati rispetto alla media), con la conseguenza che le innovazioni tendono ad avere un grande valore in valore assoluto;
  • La varianza condizionata è pari alla somma tra la varianza non condizionata e una frazione della differenza tra l’ultima innovazione al quadrato e la varianza non condizionata stessa.

Modello ARCH(p)

E’ riduttiva la limitazione della memoria al primo ritardo. Il modello più generale è infatti il modello ARCH(p).
r_t  = \mu _t  + \varepsilon _t ;{\rm  }\varepsilon _t  = \sqrt {h_t } \eta _t ;{\rm  }\eta _t \sim N\left( {0,1} \right);{\rm  }\varepsilon _t |I_{t - 1} \sim N\left( {0,h_t } \right);

h_t = \omega + \alpha _1 \varepsilon _{t - 1}^2 + \alpha _2 \varepsilon _{t - 2}^2 + ... + \alpha _p \varepsilon _{t - p}^2 .

La varianza non condizionata è pari a
Var\left( {\varepsilon _t } \right) = E\left( {\varepsilon _t^2 } \right) = \sigma ^2 = \frac{\omega }{{1 - \sum\limits_{i = 1}^p {\alpha _i } }}

Le condizioni per la non negatività della varianza sono

\omega > 0;{\rm }\alpha _i \ge 0{\rm }\left( {i = 1,...,p} \right);{\rm }\sum\limits_{i = 1}^p {\alpha _i < 1}.

Test per effetti ARCH

Un primo test per la verifica di effetti ARCH interviene sui residui del modello principale.

\hat \varepsilon _t = r_t - \mu _t.

Si regrediscono i quadrati di questi residui su una costante e su p valori passati:
\hat \varepsilon _t^2 = \alpha _0 + \alpha _1 \hat \varepsilon _{t - 1}^2 + \alpha _2 \hat \varepsilon _{t - 2}^2 + ... + \alpha _p \hat \varepsilon _{t - p}^2 r_t + u_t .<br />

L’ipotesi nulla di assenza di effetti ARCH è
H_0 :\alpha _1 = \alpha _2 = ... = \alpha _p = 0
La statistica test utilizzata è TR^2 \underrightarrow{d} \chi _p^2
in cui R^2 è l’indice di determinazione lineare della regressione prima specificata (test LM-ARCH).

Test per effetti ARCH (segue)

Un test alternativo per la verifica di effetti ARCH è il ricorso all’usuale test F per la significatività congiunta di tutti i p coefficienti stimati dalla regressione.
\hat \varepsilon _t = r_t - \mu _t ;

\hat \varepsilon _t^2 = \alpha _0 + \alpha _1 \hat \varepsilon _{t - 1}^2 + \alpha _2 \hat \varepsilon _{t - 2}^2 + ... + \alpha _p \hat \varepsilon _{t - p}^2 r_t + u_t .

L’ipotesi nulla di assenza di effetti ARCH è:

H_0 :\alpha _1 = \alpha _2 = ... = \alpha _p = 0.

La statistica test utilizzata è :
F = \frac{{T - p}}{p}\frac{{R^2 }}{{1 - R^2 }}.

Nella prossima lezione

  • Analisi della volatilità;
  • Rappresentazione AR di un modello ARCH;
  • Un esempio;
  • Limiti dei modelli ARCH.
  • Contenuti protetti da Creative Commons
  • Feed RSS
  • Condividi su FriendFeed
  • Condividi su Facebook
  • Segnala su Twitter
  • Condividi su LinkedIn
Progetto "Campus Virtuale" dell'Università degli Studi di Napoli Federico II, realizzato con il cofinanziamento dell'Unione europea. Asse V - Società dell'informazione - Obiettivo Operativo 5.1 e-Government ed e-Inclusion