Modelo autorregresivo con heterocedasticidad condicionada generalizada fraccionalmente integrado. Caso: Estimación de la volatilidad del tipo de cambio nominal del Perú

Abstract

Analiza el cambio de paradigma de un movimiento browniano ordinario a un movimiento browniano fraccional en el proceso de la volatilidad del tipo de cambio, es decir el elemento de persistencia en una serie caótica muy sensible a cambios en las condiciones iniciales, los cuales generan impactos decisivos en la dinámica de su movimiento de esta manera identificándose patrones en su conducta a primera vista aleatoria, pero fractalmente con un patrón a modelar, se demuestra que la serie de tiempo sujeto de estudio es un proceso con incrementos no estacionarios y dependientes distinguidas por la no linealidad negando la posibilidad de ser un proceso martingala, debido a la evidencia del coeficiente de Hurts y otras pruebas semiparamétricas que la respaldan por lo que se demuestra también que la variación cuadrática del proceso es cero. Por otro lado se muestra que dicha persistencia tiende a desaparecer de manera hiperbólica para ello se utilizó la función impulso respuesta acumulativa también llamada memoria larga. Por lo tanto el centro neurálgico de esta investigación es la persistencia en modelos no lineales heterocedásticos (FIGARCH), modelos autoregresivos con heterocedasticidad condicionada generalizada fraccionalmente integrados. Utilizando las principales propiedades de procesos gaussianos y los casos específicos de movimiento browniano y movimiento browniano fraccional. Para dicha aplicación se utilizó a la variable tipo de cambio y mediante modelos de series de tiempo de memoria larga poder analizar la persistencia del efecto existente en la volatilidad de dicha serie. Considerando que existen muchos puntos de vistas acerca del estudio de este fenómeno caótico, se logra la formulación y estimación econométrica para entender de mejor manera la naturaleza de un indicador macroeconómico clave en la toma de decisiones estatales. De esta manera poder demostrar la dependencia de los intervalos ajenos si importar su distancia en un proceso estocástico, es decir la existencia de la dependencia no lineal entre los incrementos de una serie de tiempo.