En inglés: Autoregressive Conditional Heteroskedasticity – ARCH
Qué es’Heteroskedasticidad condicional autorregresiva – ARCH’
La heterosquedasticidad condicional autorregresiva (ARCH, por sus siglas en inglés) es un modelo estadístico de series de tiempo utilizado para analizar los efectos no explicados por los modelos econométricos. En estos modelos, el término de error es el resultado residual que el modelo deja sin explicar. El supuesto de los modelos econométricos es que la varianza de este término será uniforme. Esto se conoce como «homosexualidad». Sin embargo, en algunas circunstancias, esta variación no es uniforme, sino «heteroskedástica».
DESCONEXIÓN ‘Heterosquedasticidad condicional autorregresiva – ARCH’
De hecho, la varianza de estos términos de error no sólo no es uniforme, sino que se ve afectada por las varianzas que la preceden. A esto se le llama «autoregresión». Del mismo modo, en estadística, cuando la varianza de un término se ve afectada por la varianza de una o más variables, es «condicional».
Esto es particularmente cierto en los análisis de series temporales de los mercados financieros. Por ejemplo, en los mercados de valores, los períodos de baja volatilidad suelen ir seguidos de períodos de alta volatilidad. Por lo tanto, la varianza del término de error que describe estos mercados variaría dependiendo de la varianza de períodos anteriores.
El problema con la heteroskedasticidad es que hace que los intervalos de confianza sean demasiado estrechos, lo que da una mayor sensación de precisión que la que garantiza el modelo econométrico. Los modelos ARCH intentan modelar la varianza de estos términos de error, y en el proceso corregir los problemas resultantes de la heteroskedasticidad. El objetivo de los modelos ARCH es proporcionar una medida de volatilidad que pueda utilizarse en la toma de decisiones financieras.
En los mercados financieros, los analistas observan algo que se denomina agrupamiento de la volatilidad, en el que los períodos de baja volatilidad van seguidos de períodos de alta volatilidad y viceversa. Por ejemplo, la volatilidad para el S&P 500 fue inusualmente baja durante un período prolongado durante el mercado alcista de 2003 a 2007, antes de subir a niveles récord durante la corrección del mercado de 2008. Los modelos ARCH son capaces de corregir los problemas estadísticos que surgen de este patrón de tipo en los datos. Como resultado, se han convertido en pilares en el modelado de mercados financieros que exhiben volatilidad. El concepto ARCH fue desarrollado por el economista Robert F. Engle, por el cual ganó el Premio Nobel de Ciencias Económicas en 2003.