Modelamiento de la volatilidad de las bolsas de valores de América Latina: Probabilidades variables y reversión promedio en un modelo de cambios de nivel randomizado.

Abstract

Siguiendo el trabajo de Xu y Perron (2014), en este documento se aplica el modelo extendido de cambios de nivel aleatorios (RLS) a los retornos diarios de los mercados bursátiles de Argentina, Brasil, Chile, Mexico y Perú. A diferencia del modelo RLS básico, en este modelo se usan probabilidades cambiantes asociadas a periodos de retornos extremadamente negativos y además se incorpora un mecanismo de reversión a la media el cual depende de los cambios de nivel pasados y de las desviaciones de la media de largo plazo. Así, se estiman cuatro modelos de cambios de nivel aleatorios: el modelos RLS básico, el modelo RLS con probabilidades variantes, el modelo RLS con reversión a la media y finalmente, el modelo RLS que combina los dos aspectos ya mencionados. Los resultados muestran que los coe cientes estimados son signi cativos, en especial cuando se usa el modelo RLS con reversión a la media. Asimismo, se realizan estimaciones de modelos ARFIMA y GARCH a las series de volatilidad a las cuales se le ha sustraído el componente de cambios de nivel. Los resultados, muestran que una vez que dichos componentes son tomados en cuenta, las características de larga memoria y efectos GARCH desaparecen. Finalmente, un análisis de predicción es proporcionado el cual confi rma que los modelos RLS son más e ficientes que otros modelos clásicos de larga memoria.Following Xu and Perron (2014), we applied the extended RLS model to the daily stock market returns of Argentina, Brazil, Chile, Mexico and Peru. This model replaces the constant probability of level shifts for the entire sample with varying probabilities that record periods with extremely negative returns; and furthermore, it incorporates a mean reversion mechanism with which the magnitude and the sign of the level shift component will vary in accordance with past level shifts that deviate from the long-term mean. Therefore, four RLS models are estimated: the basic RLS, the RLS with varying probabilities, the RLS with mean reversion, and a combined RLS model with mean reversion and varying probabilities. The results show that the estimated parameters are highly signi cant, especially that of the mean reversion model. An analysis is also performed of ARFIMA and GARCH models in the presence of level shifts, which shows that once these shifts are taken into account in the modeling, the long memory characteristics and GARCH e¤ects disappear. Our forecasting analysis con firms that the RLS models are more accurate than other classic long-memory models.