En el análisis de series temporales financieras, la capacidad de comprender y predecir la volatilidad es esencial tanto para investigadores como para profesionales de mercados. Desde los primeros esfuerzos para modelar la media condicional de la serie hasta los sofisticados esquemas que capturan la heterocedasticidad agrupada, cada avance ha permitido afinar la evaluación del riesgo.
Los modelos ARMA tradicionales ofrecen una visión clara de las tendencias de la media, pero se quedan cortos al afrontar la naturaleza cambiante de la varianza que caracteriza a los mercados. Para abordar periodos de estabilidad y de agitación, nacen los modelos ARCH y su evolución más robusta, GARCH, que revolucionan la predicción de la volatilidad financiera.
Comprendiendo los Modelos ARMA
Los modelos ARMA (Autorregresivo de Media Móvil) se aplican a series estacionarias o convertidas a estacionarias mediante diferenciación. Su enfoque principal es modelar la media condicional \(y_t\) a partir de sus propios rezagos y de los choques pasados.
La forma básica ARMA(p,q) se expresa como:
\[ y_t = \alpha_0 + \sum_{i=1}^p \alpha_i y_{t-i} + \sum_{j=1}^q \beta_j \varepsilon_{t-j} + \varepsilon_t, \quad \operatorname{Var}(\varepsilon_t)=\sigma^2. \]
Aunque muy útiles para identificar tendencias en la media, los ARMA asumen una varianza constante, lo que limita su aplicación en entornos con periodos de alta volatilidad agrupada.
Evolución hacia ARCH y GARCH
Para modelar la dinámica de varianza condicional no constante, Robert Engle propuso en 1982 los modelos ARCH, que posteriormente Tim Bollerslev generalizó al esquema GARCH.
Los hechos estilizados de las series financieras, que justifican estos desarrollos, incluyen:
- tendencias crecientes o decrecientes sin estacionariedad
- periodos de volatilidad agrupada que se alternan con calma
- colas pesadas y extremos frecuentes en los rendimientos
- persistencia en los choques pasados que afecta la varianza futura
El modelo ARCH(1) se define por:
\[ \varepsilon_t = z_t h_t^{1/2}, \quad h_t = \alpha_0 + \alpha_1 \varepsilon_{t-1}^2, \quad z_t\sim i.i.d.(0,1). \]
Su principal limitación es la necesidad de muchos rezagos para capturar la persistencia, lo cual complica la estimación.
El modelo GARCH(p,q) amplía esta idea incorporando términos autoregresivos de la varianza:
\[ h_t = \omega + \sum_{i=1}^q \alpha_i \varepsilon_{t-i}^2 + \sum_{j=1}^p \beta_j h_{t-j}, \quad \sum\alpha_i+\sum\beta_j<1. \]
Modelos Simétricos y Asimétricos de Volatilidad
En los modelos simétricos clásicos, como GARCH, los choques positivos y negativos impactan la volatilidad de igual forma, pues se trabaja con los cuadrados de los residuos. Sin embargo, en finanzas existe un efecto apalancamiento muy marcado, donde las caídas suelen generar más incertidumbre que las subidas equivalentes.
Para reflejar esta asimetría se crearon extensiones como:
EGARCH (Nelson, 1991), que modela el logaritmo de la varianza y permite coeficientes negativos sin restricciones de no negatividad.
TGARCH (Threshold GARCH), que distingue el impacto de los choques positivos y negativos mediante un término que activa un umbral.
Identificación y Selección de Modelos
La adecuada identificación de un modelo de volatilidad implica analizar correlogramas de residuos y de residuos al cuadrado para detectar autocorrelación en la varianza. La estimación se efectúa mediante máxima verosimilitud, otorgando mayor peso a los datos recientes para reflejar cambios bruscos de forma más rápida.
Entre los criterios de selección más utilizados destacan:
- AIC (Criterio de Información de Akaike): \(-2\ln L + 2k\).
- BIC (Criterio de Schwarz): \(-2\ln L + k\ln T\).
- Pruebas de no correlación en residuales y en residuales cuadrados.
Aplicaciones Prácticas en Predicción de Volatilidad
Los modelos GARCH permiten generar pronósticos de volatilidad futura, fundamentales para:
- gestión de portafolios y cobertura de riesgos, adaptando posiciones según la incertidumbre prevista.
- valoración de opciones, donde la volatilidad es un parámetro clave en las fórmulas de Black–Scholes.
- estimación de métricas de riesgo como el VaR (Valor en Riesgo).
Al comparar los pronósticos basados en GARCH con métodos de volatilidad histórica simple, se observa una mejor adaptación a picos bruscos de volatilidad y una asignación dinámica de pesos.
Comparación entre ARMA y ARCH/GARCH
En síntesis, la integración de modelos ARMA para la media y GARCH para la volatilidad constituye un enfoque integral y robusto para anticipar movimientos del mercado, gestionar riesgos y tomar decisiones informadas en gestión de riesgos. La flexibilidad de estas herramientas, junto a la mejora continua en criterios de selección y estimación, asegura una predicción eficaz y adaptada a la complejidad de los datos financieros.
