Modelización y Pronóstico de la Volatilidad del Tipo de Cambio en el Dominio Tiempo-Frecuencia

Tabla de Contenidos

1. Introducción y Visión General

Este artículo presenta un enfoque novedoso para modelar y pronosticar la volatilidad financiera, específicamente para los tipos de cambio, integrando el análisis de datos de alta frecuencia con técnicas de descomposición tiempo-frecuencia. La innovación central radica en potenciar el marco del GARCH Realizado con medidas de volatilidad realizada descompuestas por wavelets y un estimador especializado de saltos. Esto permite al modelo desglosar la volatilidad en componentes correspondientes a diferentes horizontes de inversión (escalas temporales) y contabilizar por separado el impacto de los saltos de precio discontinuos. La investigación está motivada por la naturaleza heterogénea de los participantes del mercado, que operan en horizontes temporales variables, desde los traders de alta frecuencia hasta los inversores a largo plazo.

Los autores demuestran que sus modelos propuestos "Jump-GARCH", estimados tanto por Máxima Verosimilitud como por el marco de Puntuación Autoregresiva Generalizada (GAS), proporcionan pronósticos estadísticamente superiores en comparación con los modelos GARCH convencionales y los populares modelos de volatilidad realizada. El análisis utiliza datos de futuros de divisas que abarcan la crisis financiera de 2007-2008, proporcionando una prueba de estrés robusta para la metodología.

2. Metodología y Marco Técnico

2.1 Marco del GARCH Realizado

El modelo GARCH Realizado salva la brecha entre los modelos GARCH tradicionales y los datos de alta frecuencia incorporando una medida de volatilidad realizada $RV_t$ directamente en la ecuación de volatilidad. La estructura básica involucra una ecuación de retorno, una ecuación GARCH para la volatilidad latente y una ecuación de medición que vincula la volatilidad latente con la medida realizada.

2.2 Descomposición Multiescala Basada en Wavelets

Para capturar la naturaleza multihorizonte de la volatilidad, los autores emplean una transformada wavelet. Esta herramienta matemática descompone la serie de volatilidad realizada en componentes ortogonales que representan diferentes escalas temporales (por ejemplo, dinámicas intradía, diarias, semanales). Si $RV_t$ es la volatilidad realizada, su descomposición wavelet puede representarse como:

$RV_t = \sum_{j=1}^J D_{j,t} + S_{J,t}$

donde $D_{j,t}$ representa el componente de volatilidad ("detalle") en la escala $j$ (correspondiente a una banda de frecuencia específica), y $S_{J,t}$ es el componente suave que captura la tendencia a más largo plazo. Cada $D_{j,t}$ aproxima la actividad de trading y el flujo de información en un horizonte de inversión específico.

2.3 Detección de Saltos y Estimador JTSRV

Un avance crítico es la integración de la variación por saltos. Los autores utilizan un estimador de Volatilidad Realizada de Dos Escalas con Saltos (JTSRV). Este estimador separa la variación cuadrática total en la varianza integrada continua (IV) y la varianza de salto discontinua (JV):

$RV_t \approx IV_t + JV_t$

Esta separación es crucial ya que los saltos y la volatilidad continua suelen tener propiedades de persistencia y pronóstico diferentes.

2.4 Estimación: MLE vs. GAS

Los modelos Jump-GARCH propuestos se estiman utilizando dos métodos: 1) Estimación de Cuasi-Máxima Verosimilitud (QMLE), y 2) el marco de Puntuación Autoregresiva Generalizada (GAS) impulsado por observaciones. El marco GAS, introducido por Creal et al. (2013), actualiza los parámetros basándose en la puntuación de la función de verosimilitud, ofreciendo potencial robustez y adaptabilidad a la mala especificación del modelo.

3. Análisis Empírico y Resultados

3.1 Datos y Configuración Experimental

El estudio utiliza datos de alta frecuencia para futuros de divisas (probablemente pares principales como EUR/USD). El período de la muestra incluye la crisis financiera de 2007-2009, permitiendo examinar el rendimiento del modelo bajo estrés extremo. Los pronósticos se evalúan tanto para horizontes de un día como de múltiples períodos adelante.

3.2 Rendimiento de Pronóstico

Los modelos propuestos se comparan con modelos estándar como GARCH(1,1) y HAR-RV. La evaluación utiliza funciones de pérdida estadística (por ejemplo, MSE, QLIKE). Los resultados clave se presentan en una tabla comparativa (simulada a continuación):

Nota: Los valores son ratios ilustrativos relativos al benchmark GARCH(1,1).

3.3 Hallazgos Clave y Perspectivas

• La Separación de Saltos es Clave: Desentrañar la variación por saltos de la varianza integrada mejora consistentemente la precisión del pronóstico.
• Dominancia de Alta Frecuencia: La escala temporal más informativa para la volatilidad futura es el componente de alta frecuencia (horizonte corto) de la descomposición wavelet.
• Superioridad del Modelo: Los nuevos modelos Jump-GARCH propuestos con descomposición wavelet superan estadísticamente tanto a los modelos GARCH convencionales como a los modelos GARCH Realizado estándar.
• Resiliencia en Crisis: Los modelos demuestran un rendimiento robusto durante el período de la crisis financiera.

4. Perspectiva Central y del Analista

Perspectiva Central: Este artículo transmite un mensaje poderoso, aunque poco apreciado: la volatilidad no es un proceso monolítico, sino estratificado. Al negarse a tratar el mercado como una entidad única y homogénea y, en su lugar, usar wavelets para diseccionarlo en sus horizontes de inversión constituyentes, los autores abren la caja negra de la dinámica de la volatilidad. El hallazgo de que los componentes de corto plazo y alta frecuencia impulsan los pronósticos es un desafío directo a los modelos que sobreponderan las tendencias a más largo plazo y subraya la creciente dominancia del trading algorítmico y de alta frecuencia en el descubrimiento de precios y la formación de la volatilidad.

Flujo Lógico: El argumento está elegantemente construido. Comienza con el hecho empírico bien establecido de los agentes de mercado heterogéneos (del modelo HAR de Corsi). Luego pregunta lógicamente: si los agentes operan en diferentes escalas temporales, ¿no deberían nuestros modelos reflejar eso? La descomposición wavelet es la respuesta técnica perfecta. La posterior integración del riesgo de salto—otra realidad no gaussiana y discontinua de los mercados—completa el panorama. El flujo desde la intuición económica (heterogeneidad) hacia la herramienta matemática (wavelets) y el resultado empírico (mejora del pronóstico) es convincente.

Fortalezas y Debilidades: La principal fortaleza es la fusión exitosa de econometría sofisticada (GARCH Realizado, wavelets, detección de saltos) en un marco coherente y empíricamente exitoso. Va más allá de las simples comparaciones de modelos para proporcionar una verdadera perspectiva sobre la fuente de la previsibilidad. El uso del marco GAS también es visionario. La principal debilidad, común en esta literatura, es la sensación de "dentro de la muestra" de la verificación de robustez. Aunque se incluye el período de crisis, una prueba verdadera fuera de la muestra con datos completamente no vistos (por ejemplo, el crash del COVID de 2020) sería más convincente. Además, la complejidad computacional del modelo wavelet-GARCH-salto puede limitar su aplicación en tiempo real en algunos sistemas de trading, un obstáculo práctico no abordado.

Perspectivas Accionables: Para los cuantitativos y gestores de riesgo, este artículo es un plano. Primero, descomponga, luego modele. Aplicar un simple filtro wavelet a su serie de volatilidad antes de alimentar su modelo de ML o econométrico favorito podría generar ganancias inmediatas. Segundo, trate los saltos por separado. Construir una señal dedicada para la detección de saltos y modelar su impacto de forma independiente, como se hace con el JTSRV, es una mejor práctica no negociable para cualquier modelo de volatilidad serio posterior a 2008. Finalmente, enfoque su energía de pronóstico en la capa de alta frecuencia. Asigne más recursos de investigación y computación para entender y predecir las dinámicas de volatilidad intradía, ya que es donde reside la señal predictiva más significativa.

5. Detalles Técnicos y Formulación Matemática

El modelo Jump-GARCH central con componentes wavelet se puede resumir de la siguiente manera:

Ecuación de Retorno: $r_t = \sqrt{h_t} z_t$, donde $z_t \sim i.i.d.(0,1)$.

Ecuación GARCH: $h_t = \omega + \beta h_{t-1} + \gamma \xi_{t-1}$.

Ecuación de Medición (Mejorada):
$\log(RV_t) = \xi + \phi \log(h_t) + \tau_1 z_t + \tau_2 (z_t^2 - 1) + \sum_{j=1}^J \delta_j D_{j,t} + \lambda J_t + u_t$
donde $u_t \sim i.i.d.(0, \sigma_u^2)$. Aquí, $D_{j,t}$ son los componentes de detalle wavelet de $RV_t$, y $J_t$ es el componente de salto significativo identificado por el estimador JTSRV.

El modelo estima los parámetros $\theta = (\omega, \beta, \gamma, \xi, \phi, \tau_1, \tau_2, \{\delta_j\}, \lambda)$ para capturar las dinámicas entre la volatilidad latente, las medidas realizadas, los saltos y los componentes multiescala.

6. Marco de Análisis: Caso de Ejemplo

Escenario: Un fondo de cobertura cuantitativo quiere mejorar su pronóstico diario de Valor en Riesgo (VaR) para un libro de trading EUR/USD.

Paso 1 - Preparación de Datos: Adquirir retornos intradía de 5 minutos para EUR/USD. Calcular una volatilidad realizada de referencia (por ejemplo, RV) y aplicar una transformada wavelet (usando una biblioteca como PyWavelets en Python) para descomponerla en 3 escalas: D1 (dinámicas de 2-4 horas), D2 (4-8 horas), D3 (8-16 horas). Por separado, aplicar el estimador JTSRV para extraer la serie de saltos diaria $J_t$.

Paso 2 - Especificación y Estimación del Modelo: Estimar el modelo Jump-GARCH de la Sección 5, donde la ecuación de medición incluye D1, D2, D3 y $J_t$ como variables exógenas. Comparar la log-verosimilitud y los criterios de información con un modelo GARCH Realizado estándar.

Paso 3 - Pronóstico y Aplicación: Generar el pronóstico de volatilidad a un día $\hat{h}_{t+1}$ a partir del modelo estimado. Usar este pronóstico para calcular el VaR (por ejemplo, $VaR_{t+1}^{\alpha} = -\Phi^{-1}(\alpha) \sqrt{\hat{h}_{t+1}}$). Realizar backtesting de los pronósticos de VaR contra el P&L real para evaluar la precisión de la cobertura.

Resultado Esperado: Los pronósticos de VaR del modelo Jump-GARCH con wavelets deberían exhibir una cobertura más precisa (menos excepciones) y ser menos propensos a subestimar el riesgo tras días con saltos altos o patrones específicos de volatilidad intradía.

7. Aplicaciones Futuras y Direcciones de Investigación

• Integración con Aprendizaje Automático: Los componentes wavelet $D_{j,t}$ y la serie de saltos $J_t$ podrían servir como características altamente informativas para modelos de aprendizaje automático (por ejemplo, LSTM, Gradient Boosting) para el pronóstico de volatilidad, yendo más allá de la estructura GARCH lineal/paramétrica.
• Contagio de Volatilidad entre Activos: Aplicar la descomposición multiescala para estudiar cómo se transmite la volatilidad entre clases de activos (por ejemplo, de acciones a divisas) en diferentes horizontes temporales. ¿Una caída del mercado de valores se transmite a través de componentes de volatilidad a corto o largo plazo?
• Señales de Trading en Tiempo Real: Desarrollar estrategias de trading que utilicen explícitamente la discrepancia entre los componentes de volatilidad de horizonte corto y largo como señal de reversión a la media o de momentum.
• Análisis de Bancos Centrales y Políticas: Usar el marco para analizar el impacto de los anuncios de política monetaria en la volatilidad de divisas, distinguiendo entre el "pico de noticias" inmediato de alta frecuencia y la asimilación a más largo plazo de la información.
• Extensión a Criptomonedas: Probar el modelo en los mercados de criptomonedas 24/7, caracterizados por saltos extremos y comportamiento multiescala de los inversores, desde bots algorítmicos hasta "HODLers" a largo plazo.

8. Referencias

1. Barunik, J., Krehlik, T., & Vacha, L. (2015). Modeling and forecasting exchange rate volatility in time-frequency domain. Preprint, arXiv:1204.1452v4.
2. Corsi, F. (2009). A simple approximate long-memory model of realized volatility. Journal of Financial Econometrics, 7(2), 174-196.
3. Hansen, P. R., & Lunde, A. (2005). A forecast comparison of volatility models: does anything beat a GARCH(1,1)? Journal of Applied Econometrics, 20(7), 873-889.
4. Creal, D., Koopman, S. J., & Lucas, A. (2013). Generalized autoregressive score models with applications. Journal of Applied Econometrics, 28(5), 777-795.
5. Gençay, R., Selçuk, F., & Whitcher, B. (2005). Multiscale systematic risk. Journal of International Money and Finance, 24(1), 55-70.
6. McAleer, M., & Medeiros, M. C. (2008). A multiple regime smooth transition heterogeneous autoregressive model for long memory and asymmetries. Journal of Econometrics, 147(1), 104-119.
7. Andersen, T. G., & Bollerslev, T. (1998). Answering the skeptics: Yes, standard volatility models do provide accurate forecasts. International Economic Review, 39(4), 885-905.