Estimadores de volatilidad basados en información de alta frecuencia del índice de capitalización accionaria (Colcap) en Colombia
Derechos de autor 2021 Semestre Económico
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial 4.0.
- Articles
- Enviado: febrero 19, 2021
-
Publicado: julio 30, 2021
Resumen
El propósito del artículo es determinar el comportamiento de la volatilidad del Índice de Capitalización de la Bolsa de Valores de Colombia (Colcap) en el periodo del 17 de enero de 2008 al 30 de abril de 2020. Se utilizaron los modelos autorregresivos de heteroscedasticidad condicional propuestos por Engle (1982), Bollersev (1986) y la extensión Egarch planteada por Nelson (1991), por su amplia aplicación en investigaciones que buscan determinar los riesgos subyacentes en series de tiempo financieras. Los resultados sugieren que el uso de las especificaciones Garch (1,1) y Egarch (1,1), son los más eficientes para capturar los cambios repentinos en la volatilidad de los retornos del índice, que se hace más notoria en periodos con presencia de choques externos, tales como la crisis financiera de 2008, la guerra de precios del petróleo y más recientemente por la pandemia de la COVID-19, ocasionando mayores niveles de riesgo e incertidumbre para los inversionistas. En esta investigación, la extensión Egarch tiene coeficiente de asimetría positivo, lo que significa que ante anuncios inesperados no generarán cambios drásticos en la varianza de los retornos.
Referencias
- Acevedo, N. M., Jiménez, L. M. y Castaño, N. E. (2017). Relación de causalidad de variables macroeconómicas locales y globales sobre el índice Colcap. Espacios, 38(21), 38. http://www.revistaespacios.com/a17v38n21/a17v38n21p38.pdf
- Agudelo, D. y Gutierrez, A. (2011). Anuncios macroeconnmicos y mercados accionarios: El caso latinoamericano. Revista Latinoamericana de Administración, 48, 46-60. https://doi.org/10.2139/ssrn.2407178
- Ahmad, N., Raheem Ahmed, R., Vveinhardt, J. y Streimikiene, D. (2016). Empirical Analysis of Stock Returns and Volatility: Evidence from Asian Stock Markets. Technological and Economic Development of Economy, 22(6), 808-829. https://doi.org/10.3846/20294913.2016.1213204
- Amin, A., Colman, A. y Grunske, L. (2012). An Approach to Forecasting QoS Attributes of Web Services Based on Arima and Garch Models. 2012 IEEE 19th International Conference on Web Services, 74-81. https://doi.org/10.1109/ICWS.2012.37
- Arbeláez, D. (2016). Efectos estacionales en los mercados de capitales de la Alianza del Pacífico. Estudios Gerenciales, 32(141), 358-368. https://doi.org/10.1016/j.estger.2016.10.002
- Arboleda, S. S. (2017). Puede explicarse la estructura de dependencia del ´Indice General de la Bolsa de Valores de Colombia y Colcap por medio de modelos Switching de Markov con heterocedasticidad condicional? [tesis de maestría, Universidad Nacional de Colombia]. Repositorio Institucional UN. https://repositorio.unal.edu.co/handle/unal/59948
- Bollsersev, T. (1986). Generalized Autoregressive Conditional Heteroskedasticity. Journal of Econometrics, 31(3), 307-327. https://doi.org/10.1016/0304-4076(86)90063-1
- Bolsa de Valores de Colombia. (2018). Metodología para el cálculo del índice colcap. https://www.bvc.com.co/pps/tibco/portalbvc/Home/Mercados/descripciongeneral/indicesbursatiles?com.tibco.ps.pagesvc.action=updateRenderState&rp.currentDocumentID=5057504f_154e26bf23c_7ee30a0a600b&rp.revisionNumber=1&rp.attachmentPropertyName=Attachment&co
- Brugger, S. y Ortiz, E. (2012). Mercados accionarios y su relación con la economía real en América Latina. Revista Problemas del Desarrollo, 43(168), 63-93. http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S0301-70362012000100004
- Chou, R. Y. (1988). Volatility Persistence and Stock Valuations: Some Empirical Evidence Using Garch. Journal of Applied Econometrics, 3(4), 279-294. https://www.jstor.org/stable/2096644
- Duran, R. V., Lorenzo, A. V. y Ruiz, A. P. (2013). Un modelo Garch con asimetria condicional autorregresiva para modelar series de tiempo: una aplicacion para los rendimientos del Indice de Precios y Cotizaciones de la BMV. Munich personal Archive, 24. https://mpra.ub.unimuenchen.de/46328/1/MPRA_paper_46328.pdf
- Engle, R. F. (1982). Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation. Econometrica, 50(4), 987. https://doi.org/10.2307/1912773
- Engle, R. F. y Ng, V. K. (1993). Measuring and Testing the Impact of News on Volatility. The Journal of Finance, 48(5), 1749-1778. https://www.scirp.org/(S(351jmbntvnsjt1aadkposzje))/reference/referencespapers.aspx?referenceid=2096151
- Fama, E. y Malkiel, B. (1970). Efficient Capital Markets: A Review of the Theory and empirical work. The Journal of Finance, 25(2), 383-417. https://doi.org/10.2307/2325486
- Fernandez, H. C. (2010). Egarch: un modelo asimétrico para estimar la volatilidad de series financieras. Revista Ingenierías Universidad de Medellín, 9(16), 45-60. https://revistas.udem.edu.co/index.php/ingenierias/article/view/240
- Flannery, M. J. y Protopapadakis, A. A. (2002). Macroeconomic Factors Do Influence Aggregate Stock Returns. The review of financial studies, 15(3), 751-782. https://doi.org/10.1093/rfs/15.3.751
- Geweke, J. (1986) Modeling the persistence of conditional variances: a comment. Econometric Review 5, 57–61.
- Gyamerah, S. A. (2019). Modelling the Volatility of Bitcoin Returns Using Garch Models Modelling the Volatility of Bitcoin Returns Using Garch Models. Quantitative Finance an economics, 3(4), 739-753. https://doi.org/10.3934/QFE.2019.4.739
- Investing. (2020). Datos históricos Colcap. https://es.investing.com/indices/colcap-historical-data
- Kalovwe, S. K., Mwaniki, J. I. y Simwa, R. O. (2021). On Stock Returns Volatility and Trading Volume of the Nairobi Securities Exchange Index. RMS: Research in Mathematics & Statistics, 8(1), 1889765. https://doi.org/10.1080/27658449.2021.1889765
- Kristjanpoller, W. y Minutolo, M. C. (2018). A Hybrid Volatility Forecasting Framework Integrating Garch , Artificial Neural Network , Technical Analysis and Principal Components Analysis. Expert Systems With Applications, 109, 1-11. https://doi.org/10.1016/j.eswa.2018.05.011
- Lama, A., Jha, G. K., Paul, R. K. y Gurung, B. (2015). Modelling and Forecasting of Price Volatility: An Application of GARCH and Egarch models. Agricultural Economics Research Review, 28(1), 73-82. https://doi.org/10.5958/0974-0279.2015.00005.1
- Laopodis, N. T. (2011). Equity Prices and Macroeconomic Fundamentals: International Evidence. Journal of International Financial Markets, Institutions & Money, 21(2), 247-276. https://doi.org/10.1016/j.intfin.2010.10.006
- Lawrence, G. R., Jagnnathan, R. y Runkle, D. E. (1993). On the Relation Between the Expected Value and the Volatility of the Nominal Excess Return on Stocks. The Journal of Finance, 48(5), 1779-1801. https://doi.org/10.1111/j.1540-6261.1993.tb05128.x
- León, S. J. C. y Trespalacios, A. C. (2015). Factores macroeconómicos que influyen en la volatilidad del indice Colcap. https://repository.eafit.edu.co/bitstream/handle/10784/7749/SusanJuliette_LeonCristancho_2015.pdf?sequence=2&isAllowed=y
- Lin, Z. (2018). Modelling and Forecasting the Stock Market Volatility of SSE Composite Index using Garch Models. Future Generation Computer Systems, 79, 960-972. https://doi.org/10.1016/jfuture.2017.08.033
- Liu, M., Lee, C. C. y Choo, W. C. (2021). The Role of High-Frequency Data in Volatility Forecasting: Evidence from the China Stock Market. Applied Economics, 53(22), 2500-2526. https://doi.org/10.1080/00036846.2020.1862747
- Nelson, D. B. (1991). Conditional Heteroskedasticity in Asset Returns: A New Approach. Econometrica, 59(2), 347-370. https://doi.org/10.2307/2938260
- Niomy, T. y Nathaniel, S. P. (2019). Modeling Rates of Inflation in Nigeria: an Application of ARMA, Arima and Garch models. Munich Personal RePEc Archive, 1-29. https://mpra.ub.uni-muenchen.de/91351/
- Pantula, S.G. (1986). Modeling the Persistence of Conditional Variances: a Comment. Econometric Review, 5, 71–74.
- Quesada, M. (2011). Análisis de series. Modelos heteroscedásticos [tesis de maestría, Universidad de Granada]. https://masteres.ugr.es/moea/pages/tfm1011/analisisdeseriesmodelosheterocedasticos/!
- Rangel, J. G. (2011). Macroeconomic News , Announcements , and Stock Market Jump Intensity Dynamics. Journal of Banking & Finance, 35(5), 1263-1276. https://doi.org/10.1016/j.jbankfin.2010.10.009
- Ruffo, A. y Costa, J. M. (2019). Volatildiad e inestabildiad financiera en los mercados de capitales latinoamericanos. Una ilustracion del efecto de contagio durante la crisis de hipotecas sub-prime. Revista de investigación en modelos financieros, 1, 1-22. http://157.92.136.232/index.php/RIMF/article/view/1546/2178
- Sarwar, G. y Khan, W. (2016). The Effect of US Stock Market Uncertainty on Emerging Market Returns. Emerging Markets Finance and Trade, 53(7), 1-16. https://doi.org/10.1080/154049 6X.2016.1180592
- Su, C. (2010). Application of EGARCH Model to Estimate Financial Volatility of Daily Returns: The empirical case of China. University of Gutemberg. https://core.ac.uk/download/pdf/16327036.pdf
- Su, F. y Wang, L. (2020). Conditional Volatility Persistence and Realized Volatility Asymmetry: Evidence from the Chinese Stock Markets. Emerging Markets Finance and Trade, 56(14), 3252-3269. https://doi.org/10.1080/1540496X.2019.1574566
- Zhang, D., Hu, M. y Ji, Q. (2020). Financial Markets Under the Global Pandemic of COVID-19. Finance Research Letters, 36. https://doi.org/10.1016/j.frl.2020.101528
- Zhang, J., Lai, Y. y Lin, J. (2016). The day-of-the-Week effects of stock markets in different countries. Finance Research Letters, 20, 1-16. https://doi.org/10.1016/j.frl.2016.09.006