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 » 13.Analisi della volatilità - Parte settima


In questa lezione

  • Analisi della volatilità;
  • Modelli con effetti asimmetrici;
  • Funzione di impatto delle notizie.

TGARCH

Un semplice modello asimmetrico è il Threshold GARCH (TGARCH), definito da:
r_t = \mu _t + \varepsilon _t ;{\rm }\varepsilon _t = \sqrt {h_t } \eta _t ;{\rm }\eta _t \bot \sqrt {h_t } ;

h_t = \omega + \sum\limits_{i = 1}^p {\alpha _i \varepsilon _{t - p}^2 } + \sum\limits_{i = 1}^q {\beta _i h_{t - i} } + \gamma \delta _{t - 1}^ - \varepsilon _{t - 1}^2

Dove \delta _{t - 1}^ - è una variabile dummy che vale uno se \varepsilon_{t - 1} < 0.

Nel caso più semplice di un TGARCH(1,1) si ha

h_t = \omega + \alpha \varepsilon _{t - 1}^2 + \beta h_{t - 1} + \gamma \delta _{t - 1}^ - \varepsilon _{t - 1}^2.

TGARCH

E’ immediato verificare che se \varepsilon_{t - 1} > 0 si ha

h_t = \omega + \alpha \varepsilon _{t - 1}^2 + \beta h_{t - 1}

mentre se \varepsilon_{t - 1} < 0 si ottiene

h_t = \omega + \alpha \varepsilon _{t - 1}^2 + \beta h_{t - 1} + \gamma \delta _{t - 1}^ - \varepsilon _{t - 1}^2 = \omega + \left( {\alpha + \gamma } \right)\varepsilon _{t - 1}^2 + \beta h_{t - 1}

TGARCH

Il coefficiente γ>0 misura l’effetto differenziato per shock negativi.

Vi è volatilità più elevata se ci sono innovazioni negative e quanto più queste sono “pesanti” (e misurate dal quadrato delle stesse).

E’ possibile testare l’effetto leverage implementato nel modello TGARCH su di una serie storica per mezzo di un test t sul coefficiente γ.

EGARCH

La stima dei coefficienti del modello TGARCH potrebbero violare le condizioni di non negatività (si ricordi che la volatility equation è l’equazione per la varianza condizionata, che per definizione è non negativa).

Nel caso in cui un parametro stimato non appartiene all’insieme dei valori ammissibili, si dovrebbe procedere a stime vincolate imponendo le condizioni che sono alla base del modello.

Nella specificazione del modello asimmetrico EGARCH (Exponential GARCH) non si deve tener conto di questa eventuale possibilità. Infatti per costruzione rende impossibile ottenere varianze negative. Inoltre rende possibile misurare effetti asimmetrici proporzionali all’entità delle innovazioni

EGARCH

Un modello EGARCH(1,1) è scritto come

r_t = \mu _t + \varepsilon _t ;{\rm }\varepsilon _t = \sqrt {h_t } \eta _t ;{\rm }\eta _t \bot \sqrt {h_t } ;

\ln \left( {h_t } \right) = \omega + \alpha \left( {\left| {\eta _{t - 1} } \right| - E\left( {\eta _{t - 1} } \right)} \right) + \gamma \eta _{t - 1} + \beta \ln \left( {h_{t - 1} } \right)

Se \eta _t si distribuisce normalmente si ha E\left( {\eta _t } \right) = \sqrt {\frac{2}{\pi }},

e poiché \eta _t = \frac{{\varepsilon _t }}{{\sqrt {h_t } }}

L’espressione diviene

\ln \left( {h_t } \right) = \omega + \alpha \left( {\frac{{\left| {\varepsilon _{t - 1} } \right|}}{{\sqrt {h_{t - 1} } }} - \sqrt {\frac{2}{\pi }} } \right) + \gamma \frac{{\varepsilon _{t - 1} }}{{\sqrt {h_{t - 1} } }} + \beta \ln \left( {h_{t - 1} } \right)

Proprietà del modello EGARCH

La non negatività della varianza è assicurata dalla trasformazione esponenziale.

Il modello è stazionario se 0 < \beta < 1. La persistenza della volatilità è «caturata» dal termine \beta \ln \left( {h_{t - 1} } \right).

Il termine \gamma \eta _{t - 1} evidenzia l’effetto asimmetrico del modello.

Funzione di impatto delle notizie

Nel valutare l’effetto leverage consentito dai modelli GARCH, soprattutto asimmetrici, uno strumento utile è costituito dalla funzione di impatto delle notizie (NIC, da News Impact Curve).

La NIC produce un determinato valore di ht, fissate le altre variabili del modello ai loro valori stazionari.

Pertanto, misurando la reazione della volatilità a realizzazioni delle innovazioni, si è in grado di rappresentare graficamente come le innovazioni si traducono in volatilità.

Funzione di impatto delle notizie

E’ noto che il GARCH è un modello simmetrico. La NIC, per un GARCH(1,1), risulta essere pari a

\begin{array}{l}NIC^G = A^G + \alpha \varepsilon _{t - 1}^2 ; \\A^G = \omega + \beta \sigma ^2 ; \\\sigma ^2 = \frac{\omega }{{1 - \alpha - \beta }} \\\end{array}

La NIC per un GARCH(1,1)


NIC per GARCH, TGARCH e EGARCH


Funzione di impatto delle notizie

Un modello TGARCH è, lo sappiamo, un modello asimmetrico. La NIC è data da
\begin{array}{l}NIC^T = A^T + \alpha \varepsilon _{t - 1}^2 + \gamma \varepsilon _{t - 1}^2 = A^T + \left( {\alpha + \gamma } \right)\varepsilon _{t - 1}^2 {\rm se }\varepsilon _{t - 1} < 0; \\NIC^T = A^T + \alpha \varepsilon _{t - 1}^2 {\rm se }\varepsilon _{t - 1} \ge 0; \\A^T = \omega + \beta \sigma ^2 ; \\ \sigma ^2 = \frac{\omega }{{1 - \alpha - \beta }} \\\end{array}

La NIC per un TGARCH


Funzione di impatto delle notizie

Per un modello EGARCH la NIC è data da
\begin{array}{l}NIC^E = A^E \exp \left( {\frac{{\gamma - \alpha }}{\sigma }\varepsilon _{t - 1} } \right){\rm se }\varepsilon _{t - 1} < 0; \\ NIC^E = A^E \exp \left( {\frac{{\gamma + \alpha }}{\sigma }\varepsilon _{t - 1} } \right){\rm se }\varepsilon _{t - 1} \ge 0; \\A^E = \exp \left( {\omega - \alpha \sqrt {\frac{2}{\pi }} } \right)\sigma ^2 ^\beta \\ \end{array}

La NIC per un EGARCH


Nella prossima lezione

  • Analisi della volatilità;
  • Previsione;
  • Diagnostica.
  • 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