Predicción en modelos de componentes inobservables condicionalmente heteroscedásticos

  1. Pellegrini, Santiago
Supervised by:
  1. Esther Ruiz Ortega Director
  2. Antoni Espasa Terrades Director

Defence university: Universidad Carlos III de Madrid

Fecha de defensa: 08 June 2009

Committee:
  1. Daniel Peña Sánchez de Rivera Chair
  2. Carles Bretó Martínez Secretary
  3. Gabriel Pérez-Quirós Committee member
  4. Pilar Poncela Blanco Committee member
  5. Ana Pérez Espartero Committee member

Type: Thesis

Teseo: 304180 DIALNET

Abstract

EN ESTA TESIS, ESTUDIAMOS DOS MODELOS ALTERNATIVOS PARA MODELAR SERIES QUE CONTIENEN, A LA VEZ, HETEROSCEDASTICIDAD CONDICIONAL Y TENDENCIAS ESTOCÁSTICAS. ÉSTOS SON LOS MODELOS DE COMPONENTES INOBSERVABLES CON HETEROSCEDASTICIDAD CONDICIONAL Y LOS MODELOS DE FORMA REDUCIDA ARIMA-GARCH. PRIMERO DERIVAMOS LOS MOMENTOS DE CADA UNO DE ELLOS, Y LUEGO ANALIZAMOS COMPARATIVAMENTE LOS INTERVALOS DE PREDICCIÓN QUE SE DERIVAN DE ELLOS. ADEMÁS, ESTUDIAMOS UN MODELO IMA CON UN ESQUEMA DE ESTIMACIÓN DE MUESTRAS DESLIZANTES QUE ES UTILIZADO EN LA LITERATURA PARA MODELAR LA INFLACIÓN MENSUAL Y COMPARAMOS EL PODER PREDICTIVO DE DICHO MODELO CON EL DE COMPONENTES INOBSERVADOS CON HETEROSCEDASTICIDAD CONDICIONAL. FINALMENTE, TAMBIEN ESTUDIAMOS LA COBERTURA DE INTERVALOS DE PREDICCIÓN PARA UN ÍNDICE AGREGADO, YA SEA ESTIMANDO VECTORIALMENTE UN MODELO PARA LOS COMPONENTES O AJUSTANDO UN MODELO A LA SERIE AGREGADA CON LA INFORMACIÓN DE SU PROPIO PASADO. COMO CONCLUSIÓN GENERAL, MOSTRAMOS QUE LOS MODELOS ARIMA-GARCH NO PUEDEN DISTINGUIR EL TIPO DE SHOCKS DE VOLATILIDAD (SI SON TRANSITORIOS O PERMANENTES), LLEVANDO A GENERAR INTERVALOS DE PREDICCIÓN CON COBERTURAS IMPRECISAS. ASÍ, SE SUGIERE QUE LA ESTIMACIÓN DIRECTA DE LOS COMPONENTES HETEOSCEDÁSTICOS PUEDE BRINDAR INTERVALOS DE PREDICCIÓN MÁS PRECISOS.