Predicción de Volatilidad y Precios de las Opciones: El ...We have employed a trading strategy...
Transcript of Predicción de Volatilidad y Precios de las Opciones: El ...We have employed a trading strategy...
1
Predicción de Volatilidad y Precios de las Opciones: El caso delIbex-35.
Corredor Casado Pilar
Santamaría Aquilué Rafael (*)
Departamento de Gestión de Empresas
Universidad Pública de Navarra
Dirección para correspondencia:
Rafael Santamaría AquiluéUniversidad Pública de NavarraDepartamento de Gestión de EmpresasCampus Arrosadía s/n 31006 Pamplona (Navarra)Teléfono: (948) 169389Fax: (948) 169404e-mail: [email protected]
(*) Los autores desean agradecer la ayuda financiera concedida por laD.G.E.S. (PB97-0676) y por la Universidad de La Rioja (API-98/A22).
2
Predicción de Volatilidad y Precios de las Opciones: El caso delIbex-35.
Resumen
El propósito del presente trabajo es la comparación de la capacidad de
distintas alternativas paramétricas para predecir la volatilidad del Ibex-35.
Para ello se estudian modelos basados en las series históricas de
rentabilidades del subyacente, en particular algunos procesos de volatilidad
condicional autorregresiva, modelos de volatilidades implícitas y
combinaciones de ambos.
Dado que la volatilidad es una variable inobservable, el trabajo establece
la comparación de predicciones en el mercado de opciones, siguiendo las
guías expuestas en el artículo de Noh et al (1994). Para ello se ha empleado
una estrategia de negociación utilizando cinco definiciones alternativas de
opciones at-the-money. Los resultados obtenidos, en términos generales, nos
permiten avalar la superioridad de los modelos basados en volatilidades
implícitas, frente a los otros modelos propuestos.
Abstract:
The aim of this paper is to compare some parametric alternatives in order
to forecast the volatility of the index Ibex-35. We study models based on the
past returns of the underlying, particularly some processes of
autoregressive conditional volatility, models of implied volatilities and
mixed predictions composed by previous predictions.
Following the paper of Noh et al (1994) that consider the volatility as an
unobservable variable, we stablish the comparation in the option market.
We have employed a trading strategy using five different measures of at-
the-money options. In general, the results obtained support that models of
implied volatility outperform other models proposed.
3
1.-Introducción
La importancia de la volatilidad en las decisiones financieras hacen que
su predicción sea uno de los temas de mayor auge en los últimos años. La
controversia se plantea en cuanto a si existe la posibilidad de encontrar
buenas predicciones de la volatilidad del mercado, si las volatilidades
implícitas son la mejor predicción de la volatilidad o si, por el contrario, los
datos históricos recogen información más útil en la predicción.
Los trabajos que han abordado este tema se enmarcan en dos vías
diferentes. Por un lado, aquellos que intentan encontrar el mejor predictor
de la volatilidad en base a comparaciones con volatilidades reales y por otro
aquellos que, justificando que la volatilidad es inobservable, tratan de medir
la capacidad predictiva trasladando esas predicciones a los precios de
mercado de las opciones1.
El objetivo de este trabajo, en línea con el de Noh et al (1994), es evaluar
distintos modelos de predicción de volatilidad comparando los beneficios que
se obtienen al trasladarlos a los precios de las opciones. Las alternativas
que se van a comparar son tres: La primera se obtiene de modelos de
volatilidad condicional en los que se utilizan únicamente datos históricos, la
segunda proviene de la predicción obtenida a través de volatilidades
implícitas y la tercera es una combinación de ambas en la que se utilizará
tanto información histórica como datos de las volatilidades implícitas2.
1 En la primera línea de análisis se encuentran trabajos como los de Gemmil
(1986), Scott y Tucker (1989), Canina y Figleski (1993), Afonso y Lorenzo (1996),Day y Lewis (1992), Lamoreux y Lastrapes (1993), Dewachter y León (1996),Kroner et al (1995), Jorion (1995), Xu y Taylor (1995), Guo (1996), Amin y Ng(1997), Christensen y Prabhala (1998) y Fleming (1998). En la segunda línea seencuentran los de Harvey y Whaley (1992) y Noh et al (1994).
2 La consideración de estas alternativas se inspira en el trabajo de Lamoreux y Lastrapes (1993) peroasumiendo la imposibilidad de observar directamente la volatilidad.
4
La utilización de precios de opciones requiere de la elección de un modelo
de valoración. En un contexto de volatilidad estocástica, el modelo utilizado
debería ser consistente con este aspecto. Sin embargo hay varias razones
que pueden justificar la utilización del modelo B-S:
-Aunque es bien conocido que el modelo posee sesgos no es menos
reconocido que es el más utilizado por los inversores en la valoración de sus
transacciones en el mercado. Como argumentan Canina y Figleski (1993)
existe un conflicto claro al aplicar el modelo Black Scholes (en adelante B-
S). Este modelo asume que el proceso de precios tiene una volatilidad
constante, en una situación en la que la volatilidad se debe predecir ya que
cambia aleatoriamente en el tiempo. Los inversores racionales deberían
utilizar un modelo de precios que incorpore la naturaleza estocástica de la
volatilidad. Sin embargo, tanto a nivel práctico como a nivel académico se
utiliza la volatilidad implícita del modelo B-S para medir las expectativas
de la volatilidad del mercado.
-La aparente contradicción de predecir volatilidades implícitas obtenidas
desde el modelo B-S utilizando procesos de volatilidad condicional para el
subyacente puede quedar resuelta. Por una parte en las opciones at the
money (ATM) se considera que la estimación obtenida de las volatilidades
implícitas en B-S es muy cercana a la estimación obtenida desde el modelo
de Hull y White (H-W), por otra parte Nelson (1990) obtiene una
aproximación del modelo GARCH a un proceso de difusión en tiempo
discreto y Duan (1997) amplia el conjunto de modelos de volatilidad
condicional (entre los que se encuentra el GJR) que pueden aproximarse a
procesos de difusión, lo cual justifica el empleo de modelos de volatilidad
condicional junto con el modelo B-S de obtención de volatilidades implícitas.
No obstante, resulta necesario remarcar que se trata de un contraste
conjunto en el que se impone, como supuesto adicional a la capacidad
predictiva de las distintas estimaciones de volatilidad, la adecuación del
5
modelo B-S para valorar opciones. Por ello el trabajo se podría entender más
como un estudio de cómo se adecúa la aproximación tomada por la mayoría
de los inversores (en la medida en que emplean el modelo B-S para derivar
precios) que como el descubrimiento del auténtico proceso que siguen las
volatilidades. En consecuencia, una forma de interpretar el estudio es la
contrastación de si esta forma de obtener la volatilidad que se va a utilizar
posteriormente en el modelo B-S es una forma eficiente de obtener la
predicción de volatilidad.
El trabajo se estructura atendiendo al siguiente esquema: el apartado
segundo describe la base de datos utilizada, el tercero muestra la
metodología empleada en la obtención de predicciones de volatilidades desde
dos campos diferentes: modelos de volatilidad condicional y volatilidades
implícitas, el cuarto apartado recoge la estrategia planteada en el mercado y
los resultados obtenidos, el quinto apartado engloba la obtención de una
predicción de volatilidad adicional combinada con datos históricos y con
volatilidades implícitas y los resultados obtenidos al aplicar esa predicción a
la estrategia planteada en el apartado anterior y por último el apartado
sexto resume las principales conclusiones que se pueden extraer del trabajo.
2.-Base de Datos
En el presente trabajo se han empleado conjuntamente dos bases de
datos. Por un lado, para la obtención de las volatilidades implícitas se ha
utilizado la base de datos de opciones intradía proporcionada por MEFF
Renta Variable S.A3. Por otro lado para los cálculos de predicciones de
volatilidad obtenidas con datos históricos se ha empleado la base de datos
de precios de cierre del subyacente de la opción durante el periodo
analizado, el índice Ibex-35.
6
Con objeto de evitar transacciones poco representativas se han eliminado
aquellas opciones cuya prima era igual a cero, así como aquellas con
volatilidad implícita nula. Igualmente se han eliminado las operaciones
realizadas fuera de la banda horaria entre las 11 y las 16´45 horas, puesto
que en las horas extremas las volatilidades implícitas tienden a ser más
altas que en el resto del día. Atendiendo a razones de liquidez, pero
tratando de evitar los problemas ligados a los días inmediatos al
vencimiento, se han considerado únicamente opciones con vencimiento
superior a cinco días e inferior a 45 días. Finalmente se han tomado
solamente las opciones ATM. Razones como la linealidad en varianza de
estas opciones o el menor diferencial bid-ask apoyan nuestra decisión. La
volatilidad implícita media diaria utilizada se obtiene cada día promediando
las volatilidades implícitas de las operaciones que mantienen los requisitos.
No se realizan ponderaciones en función de la sensibilidad a la volatilidad o
al volumen negociado puesto que argumentos como los ofrecidos por Beckers
(1981) o Brookfield (1993) redundan en que la media de las opciones ATM
puede ser una buena aproximación.
El periodo analizado comprende desde la introducción del mercado de
derivados sobre renta variable en España en 1992 hasta diciembre de 1996.
El periodo 1992-95 se ha utilizado como periodo previo para establecer los
parámetros de predicción. El año 1996 se ha empleado para las predicciones
fuera de la muestra.
3.-Metodología y Obtención de Predicciones.
3.1-Modelos GARCH
Desde la introducción del modelo ARCH por Engle en 1982 numerosos
estudios han utilizado dicha propuesta así como otros modelos de la misma
3 Agradecemos a Manolo Andrade, Arturo Piñera y Remedios Romeo la aportación de las bases de datos
7
familia para modelizar la volatilidad de las series financieras. Dado que en
un primer paso se quieren utilizar datos históricos, se piensa seguir esta
metodología de los modelos de volatilidad condicional para intentar
encontrar una buena predicción de la volatilidad futura durante la vida de
la opción. Esta decisión se encuentra avalada por el trabajo de Engle et al
(1993) en el que tomando datos históricos realizaron distintas predicciones
según varios métodos. Los resultados que obtienen apoyan al modelo
GARCH como aquel que aporta una mejor predicción de volatilidades frente
a las predicciones realizadas con modelos ARMA o MA o estimaciones MCO,
entre otras.
En primer lugar se va a considerar el modelo de volatilidad condicional
GARCH propuesto por Bollerslev (1986) puesto que parece ser un modelo,
según argumentan Lamoreux y Lastrapes (1990), que recoge de forma
parsimoniosa el comportamiento de la mayoría de las series financieras.
Siguiendo en esta línea de modelización se piensa también estimar el
modelo GJR propuesto por Glosten et al (1993) ya que dicho modelo recoge
las asimetrías que se dan en el comportamiento de la volatilidad ante
shocks positivos y negativos. Este modelo es menos sensible a la presencia
de valores extremos que el EGARCH, Engle y Ng (1993). Además algunos
trabajos como el de Brailsford y Faff (1996) han encontrado que el modelo
GJR predice mejor que otras alternativas de volatilidad que utilizan datos
históricos.
La especificación de los modelos de volatilidad condicional (GARCH y
GJR) habitual va a ser modificada para incluir dentro de los modelos el
posible efecto del fin de semana. Siguiendo los trabajos de Fama (1965),
Odfield (1980) y French y Roll (1986), la justificación de este efecto se puede
encontrar en que la volatilidad puede venir causada, entre otros motivos,
por la propia negociación, la aparición de información privada y/o la
aparición de información pública. Los dos primeros motivos se trasladarán a
empleadas.
8
los precios de los activos exclusivamente en los días de negociación efectiva
de los títulos, sin embargo, la información pública puede darse en momentos
del tiempo en los que no se esté negociando en el mercado, con lo que parte
de la volatilidad aparecería en esos momentos de no negociación. En su
trabajo observan como en los días que no existe negociación la volatilidad
incrementa aunque solamente una parte de lo que le correspondería
aumentar a la volatilidad de un día. Por este motivo se intuye que la
volatilidad después de unos días sin negociación será mayor que la de un
día normal. Si los inversores son conocedores de esta situación lo
incorporarán en sus predicciones.
Con este objetivo, siguiendo el trabajo de Noh et al (1994), se va crear
una variable nt que tomará el valor del número de días de calendario que
han transcurrido desde el último día de negociación. Por tanto, nt tomará el
valor 1 todos los días de la semana excepto los lunes en los que el valor de nt
será 3 y cualquier día después de alguna fiesta que tomará el valor de la
suma de los días que hayan transcurrido sin negociación. Además esta
variable se ajustará por el factor δ, de forma que los días en los que no hay
negociación sólo se incrementa una parte de la volatilidad como se ha
argumentado previamente.
De esta forma los modelos GARCH, sin y con incorporación del
componente fin de semana, respectivamente, seguirían la siguiente
formulación:
Rt Rt ut= + − +α α0 1 1 donde ut sigue una N(0,ht)
siendo ht ut ht= + − + −β β β0 1 12
2 1 cuando no se incluye el elemento estacional
y siendo ( )[ ]ht nt nt ut ht= + −−
− + −δ β δ β β0 1 1 1
22 1 cuando sí se incluye.
9
Cuando el modelo considerado es el GJR la modelización de la varianza
sería:
ht ut ht St ut= + − + − + −−
−β β β β0 1 12
2 1 3 1 12 si no se incorpora el elemento
estacional y
( )[ ]ht nt nt ut ht St ut= + −−
− + − + −−
−δ β δ β β β0 1 1 1
22 1 3 1 1
2 si se incluye, siendo St- una
variable ficticia que toma el valor 1 cuando ut es menor que cero y 0 cuando
ut es positivo.
En una primera fase se han estimado estos modelos para el periodo 1992-
95. Los valores de los coeficientes se encuentran recogidos en el Cuadro I,
tanto para el GARCH como para el GJR, así como para el GARCH y GJR
estacional. Se incluye también información sobre el ajuste de los residuos
sobre los distintos modelos. En general puede decirse que en ningún caso los
residuos estandarizados se ajustan completamente a la normal, aunque los
valores del Jarque-Bera son algo inferiores en los dos modelos GJR. No
obstante, los residuos estandarizados no se encuentran significativamente
explicados por los residuos retardados, lo que supone cierto aval al empleo
de estos modelos.
Tras la estimación resulta necesario obtener para cada día t la volatilidad
estimada media durante la vida de la opción. Cuando se están utilizando
modelos de volatilidad condicional, el proceso consiste en calcular en el día t
una predicción de la volatilidad para t+1, t+2,...., t+τ, siendo τ el día de
vencimiento de la opción. Si el proceso que se considera es un GARCH las
volatilidades tomarán la siguiente expresión:
ht t ut ht+ = + − +1 0 1 12
2, β β β
[ ] ( )ht t E ut t ht t ht t+ = + + + + = + + +2 0 1 12
2 1 0 1 2 1, / , ,β β β β β βΩ
10
:
:
:
( )ht t ht t+ = + + + −τ β β β τ, ,0 1 2 1
Donde por ejemplo ht+2,t es la volatilidad prevista para t+2 con toda la
información disponible en t (Ωt).
Si es un GARCH corregido por el efecto del fin de semana las
volatilidades que se calcularán para cada día en t serán:
( ) ht t nt nt ut ht+ = + + − +1 1 0 12
2,δ β δ β β
[ ]( ) ( )
ht t nt nt E ut t ht t
nt nt ht t
+ = + + +−
+ + + =
= + + +− + +
2 2 0 1 1 12
2 1
2 0 1 1 2 1
, / ,
,
δ β δ β β
δ β δ β β
Ω
:
:
:
( ) ht t nt nt ht t+ = + + + −− + + −τ τ
δ β τδ β β τ, ,0 1 1 2 1
Cuando el modelo para la predicción es el GJR, las volatilidades se
obtendrán:
ht t ut ht St ut+ = + − + + −−
−1 0 1 12
2 3 1 12
, β β β β
[ ] [ ]( )
ht t E ut t ht t E St ut t
ht t
+ = + + + + + −+ =
+ + + +
2 0 1 12
2 1 3 12
0 1 2 3 2 1
, / , /
/ ,
β β β β
β β β β
Ω Ω
:
:
11
:
( )ht t ht t+ = + + + + −τ β β β β τ, / ,0 1 2 3 2 1
De la misma forma si el proceso que se considera es un GJR que
incorpora igualmente el efecto del fin de semana las volatilidades previstas
para τ-t días en este caso se calcularían en un día t como:
( ) ht t nt nt ut ht St ut+ = + + − + + −1 1 0 1
22 3
2,
δ β δ β β β
[ ] [ ]( ) ( )
ht t nt nt E ut t ht t E St ut t
nt nt ht t
+ = + + +−
+ + + + −+ =
= + + +− + + +
2 2 0 1 1 12
2 1 3 12
2 0 1 1 2 3 2 1
, / , /
/ ,
δ β δ β β β
δ β δ β β β
Ω Ω
:
:
:
( ) ht t nt nt ht t+ = + + + −− + + + −τ τ
δ β τδ β β β τ, / ,0 1 1 2 3 2 1
Dado que lo que se necesita para incorporar en el precio de la opción es la
media de las volatilidades durante el tiempo hasta vencimiento, en cada
predicción se deberá calcular la media de estas volatilidades obtenidas en t
hasta el vencimiento τ. Por ello la volatilidad media sería en cada caso:
σ ττ
τt t
ht t ht t ht t+ + =
+ + + + + +1
2 1 2,
, , .. .... ... .... ,
siendo ht+1,t, ht+2,t,........ht+τ,t las volatilidades obtenidas a través del
GARCH, GARCH estacional, GJR o del GJR estacional según se esté
calculando la predicción con uno u otro proceso.
En el presente trabajo se realiza una estimación de la volatilidad para
todas las sesiones diarias de mercado del año 1996. Para cada uno de los
12
cuatro procesos de volatilidad condicional considerados se estiman
diariamente sus parámetros con una muestra constante de 1000
observaciones (forward rolling) y, de acuerdo con los días hasta el
vencimiento de la opción, se obtiene una predicción de la volatilidad media
hasta su vencimiento.
3.2-Volatilidades implícitas
Con el objetivo de obtener predicciones de volatilidad tomando las
volatilidades implícitas se va a seguir el planteamiento utilizado en los
trabajos de Harvey y Whaley (1991) y (1992), Sheikh (1993) y Noh et al
(1994) entre otros. Numerosos estudios han abordado el análisis del efecto
apalancamiento sobre los cambios de volatilidad, encontrándose en todos
ellos un efecto significativo de la rentabilidad retardada sobre la volatilidad.
Igualmente se han incorporado variables ficticias identificativas del día de
la semana, especialmente las que se relacionan con el fin de semana. En la
misma línea es necesario determinar el número de retardos de la variable
dependiente que se deben incluir así como si se deben añadir movimientos
de la volatilidad del otro tipo de opción. En este sentido hay que señalar que
van a utilizarse dos predicciones distintas, aquellas que provienen de datos
medios de volatilidades implícitas de opciones call y put y las que se derivan
de la utilización exclusiva de las opciones call, dado que van a ser éstas el
objeto principal de las estrategias de inversión. Es en este último modelo
donde se podrían incluir las variaciones de las volatilidades implícitas de
las opciones put como variables independientes adicionales.
Puesto que el objetivo final del trabajo es encontrar el modelo que ofrezca
mejores predicciones y no tanto la capacidad de las variables independientes
para explicar la variable dependiente, se han llevado a cabo una serie de
predicciones con distintas alternativas. Se han realizado 20 combinaciones
diferentes teniendo en cuenta distintos retardos de las volatilidades
13
independientes así como, en algunos casos, la inclusión del volumen
negociado como una variable adicional. Estas combinaciones pretenden
encontrar el modelo que mejores predicciones proporciona para emplearlo
como modelo de predicción en el año 1996.
Para llegar a este modelo final se empezó inicialmente de una estimación
de cada uno de estos modelos durante el periodo 1992-95 exceptuando el
último trimestre del 95. De esta forma se fijan los coeficientes que van a
servir de partida para obtener la primera predicción en el último trimestre
del 95 y a partir de esa primera predicción se va añadiendo información
adicional de cada día y se van calculando las predicciones durante todo el
trimestre. Las distintas alternativas de predicción no ofrecen medidas del
error de predicción demasiado diferentes entre sí por lo que se elige el
modelo empleado por Harvey y Whaley (1992) y Noh et al (1994), (Ver
Anexo 1).
En el caso de que se utilicen datos de opciones call como variable
dependiente el modelo seleccionado es el siguiente:
∆ ∆ ∆ ∆ ∆σ β β β β β β β σ β σ β σ β σct Rt DL DM DJ DV tc
tc
tp
tp ut+ = + + + + + + +
−+ + − +1 0 1 2 3 4 5 6 7 1 8 9 1. . . .
Donde ∆σct+1 es el cambio en volatilidad de t a t+1 en las opciones call, Rt
es la rentabilidad en t del activo subyacente. DL, DM, DJ y DV son variables
ficticias que toman los valores 1 los lunes, martes, jueves y viernes
respectivamente y 0 en otro caso. ∆σpt y ∆σpt-1 son los cambios en volatilidad
implícita de las opciones put en t y t-1 y ut es el término de error.
En el caso de que se utilicen datos medios de opciones call y put el modelo
que se va a emplear es el que se detalla a continuación:
∆ ∆ ∆σ β β β β β β β σ β σt t L M J V tR D D D D ut t
+ = + + + + + + + +−
1 0 1 2 3 4 5 6 7 1. . . .
14
Donde la única variación con respecto al anterior es que no se incluyen
los retardos de las volatilidades de las opciones put ya que en este caso
carecería de sentido incluirlos.
Siguiendo el modelo de volatilidades implícitas, la predicción realizada en
t para el día t+1 se obtiene de forma directa, puesto que dichas volatilidades
procedentes del modelo de regresión ya representan por definición la
volatilidad media durante la vida de la opción. El proceso consiste en
estimar en cada día la regresión con toda la información conocida hasta el
momento t y obtener la predicción de la volatilidad implícita σ t t k+ +12
, para el
día siguiente.
Como ya se ha avanzado previamente, existe una inconsistencia al
obtener una volatilidad implícita invirtiendo el modelo B-S y con ellas
proceder a estudiar el comportamiento estocástico de la volatilidad. En
teoría sería deseable invertir un modelo de precios de opciones consistente
con volatilidad estocástica. No obstante existen razones para utilizar los
procedentes de B-S (Jorion, 1995).
- Los modelos de volatilidad estocástica conllevan simulaciones
numéricamente muy costosas.
-Estos modelos asumen un proceso de series temporales específico para la
volatilidad. Este modelo puede estar mal especificado y exigir la estimación
de adicionales parámetros los cuales introducen una fuente suplementaria
de error.
-Para las opciones de corto plazo ATM el modelo B-S está muy cercano a
ser lineal en la volatilidad media y de estimación casi idéntica a aquellos
modelos de volatilidad estocástica.
Por ello se emplearán las volatilidades implícitas al igual que se ha
realizado en la literatura. El esquema que se sigue para predecir los precios
de las opciones es similar independientemente de cual haya sido el proceso
de obtención de la predicción de volatilidad (modelos de volatilidad
15
condicional o modelos de regresión con implícitas). Basándonos en el modelo
de valoración utilizado por los inversores en el mercado se calculará el
precio de la opción que se desee a través de B-S.
En general, cuando se contrasta la eficiencia y se encuentran resultados
contrarios a su cumplimiento éstos suelen atribuirse a procedimientos de
contraste erróneos (por errores de medida o por inferencia estadística
inapropiada) o a procesos ineficientes de información en el mercado. Pero
una razón adicional son los sesgos derivados de la utilización de modelos de
valoración inadecuados. En nuestro caso, esta explicación no puede ser
obviada en la medida en que se utiliza una secuencia de aproximaciones
para hacer uso de las volatilidades implícitas procedentes del modelo B-S.
En particular, dado que se utilizan modelos de volatilidad condicional se
toman los resultados generalizados de Duan (1997) para aprovechar la
convergencia de los procesos GARCH a distintos procesos de difusión
bivariante utilizados en la literatura de precios de opciones con volatilidad
estocástica como el de H-W4, y posteriormente, se utiliza la aproximación de
B-S al modelo de H-W para opciones ATM. Estas aproximaciones aunque
son muy frecuentes en la literatura5 no deben ocultar su posible capacidad
de explicación de resultados contrarios a la eficiencia del mercado.
4.-Estrategia de Negociación y Resultados.
Con el objetivo de llevar a cabo una simulación de estrategias se plantea
una guía lo más cercana posible al mercado real para poder asegurar que
esta estrategia podría realmente haberse implantado en el mercado a los
precios cotizados. La estrategia de negociación toma como referencia nuestra
predicción en t+1 de una opción y según su relación con el precio en t se
4 Anteriormente, Nelson (1990) ya había resuelto una primera aproximación del proceso GARCH amovimientos brownianos geométricos.
5 Estas aproximaciones han sido empleadas en los trabajos de Lamoreux y Lastrapes (1993) o Dewachtery León (1996) entre otros.
16
decide comprar o vender dicha opción para deshacer la posición en t+1. De
esta forma si el precio que se prevé para t+1, según nuestra estimación, es
mayor al que se cotiza en t se comprará la opción hoy para venderla en t+1 y
obtener beneficio; realizándose la operación inversa cuando el precio de la
opción prevista para t+1 sea menor que el que cotiza en t.
Puesto que realizar una estrategia de este tipo conlleva riesgo se cree
oportuno establecer una estrategia con cobertura delta6. Dados los altos
costes que supondría realizar esta estrategia con el subyacente
directamente, que en el periodo analizado es el índice Ibex-35, se toma como
sustituto el futuro sobre el índice al igual que hicieron en su trabajo Harvey
y Whaley (1992). De este modo, en cada día del periodo de predicción (año
1996) se compran (venden) un número de opciones correspondientes a la
inversa de la delta multiplicado por cien y se venden (compran) 100
contratos de futuros. Al día siguiente la operación se deshace, siempre y
cuando exista una opción que cumpla las restricciones planteadas y, si esto
no fuese posible, se realizará en el primer día en el que se cumplan las
condiciones.
La elección de la opción que se va a negociar supone establecer una serie
de criterios que intenten minimizar problemas de sesgos, así como de falta
de liquidez. Por ello, además de las condiciones establecidas a la base de
datos de forma general se añaden otras restricciones como el que se actúe
únicamente sobre opciones call con un vencimiento mayor o igual a 10 días e
inferior a 45 días. De esta forma nos aseguramos la existencia de una opción
de corto plazo con la que negociar y dejamos un margen de unos días para
poder deshacer la posición.
Se quiere trabajar con las opciones ATM. Con el objetivo de determinar
posibles variaciones en los resultados en función del ratio tomado (precio de
6 La cobertura delta únicamente cubre el riesgo instantáneamente, por lo que el empleo de otrascoberturas más completas muy probablemente reduciría en mayor medida los posibles beneficios que sepuedan obtener siguiendo la estrategia planteada.
17
ejercicio entre precio del subyacente) se realiza el análisis con cinco ratios
diferentes dentro de los habitualmente considerados como ATM. Los ratios
considerados son 0.99-1.01, 0.98-1.02, 0.97-1.03, 0.96-1.04 y 0.95-1.05. Para
cada uno de ellos se establece la muestra y se realiza la estrategia
anteriormente comentada, por lo que dispondremos finalmente de cinco
resultados para valorar la capacidad predictiva de las distintas alternativas.
La rentabilidad obtenida por el inversor será:
( ) ( )R
a C C d b F F
Ctt t t t
t
=− + −+ +1 1 100
Donde Ct es la prima de la opción en el momento t; Ft es el precio del
futuro en el momento t; d es el inverso de la delta; a toma el valor 1 si la
opción se compra o el valor -1 si la opción se vende y b toma los valores -1 y
1 según se compre o se venda la opción, respectivamente.
Además, si el inversor vende en t la opción se le permite que invierta en
activo libre de riesgo. Ello supone que la rentabilidad anterior se modifica
en el caso de la venta puesto que es necesario añadir la rentabilidad
adicional derivada de los resultados de su inversión en activo libre de riesgo
en el periodo (t, t+1). La expresión anterior de rentabilidad debe ser
complementada con la incorporación de los costes de transacción, con objeto
de tener una medida de rentabilidad efectiva de la operación. Por ello el
numerador se verá minorado en 25 pesetas por contrato de opción
negociado, además de un 0.5% del valor de la prima de la opción y 50
pesetas por cada contrato de futuro que se negocie7.
El Cuadro II recoge los datos referidos a las volatilidades previstas según
los distintos modelos. Se muestran cuatro predicciones de volatilidad
obtenidas con datos históricos que son las que se refieren a los modelos de
7 Estos costes se han recogido de la Circular 1/96 de MEFF.
18
volatilidad condicional, y dos predicciones obtenidas con volatilidades
implícitas. En dicho cuadro se presentan únicamente aquellas relativas al
ratio 0.95-1.05, puesto que los valores del resto de predicciones son muy
similares y, en aras a una mayor claridad, se recogen en el Anexo 2. Cabe
destacar que las predicciones de volatilidad obtenidas con los modelos de
volatilidad condicional (especialmente con el GARCH y el GARCH
estacional) ofrecen valores mayores que las que proceden de los modelos de
volatilidades implícitas en todos los casos analizados. Este hecho puede ser
debido a que las predicciones de estos modelos se calculan con datos de
cierre del subyacente, considerados normalmente algo superiores a los de
las transacciones del día. Dentro de las volatilidades implícitas el valor más
alto lo tiene aquella predicción que se obtiene con valores de opciones call,
quedando la predicción con volatilidades implícitas medias con el valor más
bajo de todas ellas.
Un primer análisis de las predicciones puede realizarse a través de los
coeficientes de correlación entre las distintas predicciones puesto que nos
ofrecen información acerca de sus componentes comunes. Así, se observa
como los cuatro modelos de volatilidad condicional tienen coeficientes de
correlación que van del 0.93 (entre GARCH estacional y GJR) al 0.99 (entre
GJR y GJR estacional o GARCH y GARCH estacional) lo que refleja
claramente el movimiento conjunto de todas ellas, consecuencia de la
similitud entre la información que subyace en cada uno de estos modelos.
Por otro lado, también las dos volatilidades implícitas parecen moverse
juntas, ya que su coeficiente de correlación es 0.90. Sin embargo, la
correlación entre cualquiera de las predicciones desde los modelos de
volatilidad condicional con algunas de las predicciones desde volatilidades
implícitas desciende pasando a unos valores comprendidos entre 0.60 (entre
implícitas medias y GJR) y 0.67 (entre implícitas con call y put separadas
con el GARCH). Estas diferencias sugieren que los conjuntos de información
en los que se sustentan ambos grupos resultan algo distintos en algunos
19
momentos del tiempo, por lo que los distintos métodos pueden proporcionar
predicciones de volatilidad sensiblemente diferentes.
El Cuadro III muestra los datos referentes a los precios previstos según
los distintos métodos, así como los precios reales según los distintos ratios
considerados. Un primer hecho se mantiene en todos los casos: la media de
los precios reales es superior a los precios previstos. También se cumple que
los precios previstos con los distintos modelos GARCH y GJR son más
elevados que los derivados de los modelos basados en volatilidades
implícitas, por lo que sus valores medios son más próximos a los precios
medios reales. No obstante, estos resultados medios pueden ser el resultado
de compensación de sesgos sistemáticos y, por tanto, pueden ocultar
mayores errores de predicción. Con objeto de analizar esta posibilidad,
hacemos uso del coeficiente de correlación que nos indicará la medida de
variación conjunta entre predicción y realización y podrá servir de
complemento a los resultados presentados.
Un primer aspecto destacable es que la correlación entre todos los precios
previstos, tanto los procedentes de modelos de volatilidad condicional como
los procedentes de volatilidades implícitas, es bastante elevada. En cuanto a
la correlación entre precios reales y previstos, ésta varía según los precios
previstos procedan de uno u otro conjunto de información. Así, para todos
los ratios considerados, el mayor coeficiente de correlación se presenta en el
modelo de volatilidades implícitas con opciones call (de 0.72 a 0.86). Las
predicciones con volatilidades implícitas con calls y puts y las obtenidas con
volatilidades condicionales presentan correlaciones menores (0.68 a 0.85),
siendo todas ellas, muy próximas entre sí, aunque inferiores a las que se
derivan del modelo de implícitas con datos medios de calls y puts en el ratio
0.99-1.01. Estos resultados sobre la correlación entre precios reales y
previstos puede ser un avance de los resultados que se obtienen a
continuación.
20
Los datos relativos a las rentabilidades obtenidas según la estrategia
planteada sin considerar los costes de transacción se recogen en el Cuadro
IV. El Cuadro V presenta las rentabilidades efectivas tras incorporar los
costes de transacción derivados de las estrategias de negociación
planteadas. Según el Cuadro IV la rentabilidad diaria media más alta se
obtiene con las volatilidades implícitas de call, independientemente del ratio
que se tome. En todos los casos éstas son superiores a las que se obtienen
con los modelos de volatilidad condicional. La rentabilidad diaria obtenida
con las volatilidades de las call va desde un un 1.50% (cuando el ratio es
0.99-1.01) hasta un 3.17% (cuando el ratio es 0.96-1.04). Las rentabilidades
procedentes de las volatilidades condicionales previstas varían dentro del
rango 0.50%-2.66%. Puede observarse que, casi en todos los casos, los
modelos que incorporan la corrección por el fin de semana tienen
rentabilidades medias superiores a los que no lo hacen y, en general, el GJR
estacional es el que mayor rentabilidad muestra. Cabe destacar, por último,
las bajas rentabilidades que se obtienen con la predicción realizada con
datos de volatilidades implícitas medias.
No obstante, aun cuando en la mayoría de casos las rentabilidades son
positivas, los valores de las desviaciones típicas hacen prever una situación
real más incierta. El estadístico t es significativo en los cinco intervalos
cuando se utilizan las volatilidades implícitas de calls y en todos los modelos
de volatilidad condicional cuando se observan los ratios 0.97-1.03 y 0.98-
1.02. En el resto de casos las rentabilidades medias diarias no son
significativamente distintas de cero. La validez de este estadístico queda
garantizada si se supone que las rentabilidades obtenidas por las
estrategias de negociación de cada día son independientes.
Los resultados obtenidos ofrecen un mayor aval empírico en el terreno
predictivo a la utilización de volatilidades implícitas que a los modelos de
volatilidad condicional. No obstante, las conclusiones no pueden
generalizarse más allá del activo, periodo y mercado en el que se han
21
obtenido. En este sentido, el mejor comportamiento de la predicción de
volatilidades implícitas puede deberse a su relación con la liquidez del
mercado, ya que incrementos de la volatilidad implícita podrían reflejan
expectativas sobre incrementos de la volatilidad futura, así como posibles
situaciones de iliquidez. Por otro lado, puede ocurrir que las volatilidades
implícitas sean un input más común para formar expectativas futuras y, en
consecuencia, ofrezcan mejores predicciones independientemente de su
adecuación real. Es conveniente remarcar que el análisis realizado nos
aporta especial información sobre la volatilidad que va a tener cotizada el
mercado de opciones al día siguiente más que determinar si realmente una
u otra forma de predecir volatilidad recoge mejor la volatilidad futura del
subyacente.
El análisis detallado de las rentabilidades obtenidas, después de tener en
cuenta los costes de transacción, podría aportar alguna información
adicional a lo ya comentado. Los resultados que se ofrecen en el Cuadro V
son unánimes. En la práctica totalidad de casos las rentabilidades diarias
son negativas aunque no son significativas, salvo para el caso de la
utilización de volatilidades implícitas medias. La excepción de alguna
rentabilidad positiva cuando se predice con volatilidades implícitas de las
calls no hace sino reafirmar las conclusiones que se han obtenido cuando se
ha efectuado el análisis sin tener en cuenta los costes de transacción, por lo
que parece que el mejor predictor es la volatilidad implícita.
Es posible que el origen de las rentabilidades negativas se explique,
además de por la evolución de los precios, por los propios costes de
transacción. Un inversor que prevea un beneficio bruto esperado de una
estrategia que sea inferior al coste de transacción cierto de su realización
muy probablemente evitará llevarla a cabo. Considerando este aspecto, se
ha realizado una prueba adicional para todos los modelos y con todas las
submuestras asociadas a los cinco ratios ATM. Los resultados que se han
obtenido siguiendo este esquema no alteran las conclusiones finales (Ver
22
Anexo 3). De forma general se obtienen rentabilidades superiores con todas
las predicciones de volatilidad a las obtenidas con la anterior estrategia pero
el ranking de mejoras de unas frente a otras previsiones de volatilidad se
mantiene inalterado.
Una información adicional es la que se presenta en el Cuadro VI. En él se
muestran, para todos los ratios y tipos de predicción de volatilidad, los
porcentajes de compras y ventas que se ha realizado con las estrategias a lo
largo del año. Con ello se pretende determinar si existe algún posible sesgo
que se pudiese relacionar con los resultados. Estos datos revelan que el
porcentaje de compras y ventas es bastante próximo prácticamente en todas
las predicciones, excepto en las que se obtienen con volatilidades implícitas
medias en las que el número de ventas es mucho más elevado que el de las
compras. Obviando esta excepción no se puede hablar de un patrón de
comportamiento, aunque se aprecie un porcentaje ligeramente superior de
las compras frente a las ventas.
5.-Predicción de volatilidad combinando volatilidades
implícitas y datos históricos.
Una tercera vía alternativa de obtener predicciones de volatilidad es
aquella en la que se intenta combinar la información que proviene de datos
históricos con la de las expectativas futuras sobre la volatilidad
(volatilidades implícitas) puesto que cada una de ellas puede contener
información complementaria más que sustitutiva. Una vez observados los
resultados con las dos predicciones de volatilidad más utilizadas, se
pretende extender el trabajo calculando una nueva predicción de volatilidad
que sea una combinación de ambas, permitiendo, de este modo,
aprovecharse de las fuentes de predicción contenidas en ambos conjuntos de
información.
23
Para formalizar esta idea es preciso buscar los parámetros que van a
ponderar cada una de esas predicciones previas para formar la nueva
predicción. Para ello se ha pensado utilizar el último trimestre del 95 como
periodo de referencia en el que realizar predicciones fuera de la muestra.
Estas se emplean como variables independientes en un modelo en el que
como variable dependiente se toma la volatilidad implícita media realizada
en el día t+1. Este tipo de regresiones se conocen en la literatura como
regresiones encompasadas y se han empleado básicamente para determinar
si predicciones obtenidas de distintos modelos poseen información adicional.
Su planteamiento es el siguiente:
σ α β βt F F+ = + +1 0 1 1 1 2 2 2( ) ( )Ω Ω
Este modelo representa la volatilidad realizada en función de dos
estimaciones de la volatilidad F1(Ω1) y F2(Ω2) donde la segunda predicción
posee información que se encuentra contenida en la primera Ω2 ⊂ Ω1. Para
confirmar esta hipótesis, se debe contrastar que el coeficiente β1 sea igual a
1 y el coeficiente β2 sea igual a cero, ya que F2(Ω2) no contiene información
adicional a la que posee F1(Ω1) para predecir σt+1. Fair y Shiller (1990) o Day
y Lewis (1992), entre otros, utilizan este tipo de regresiones para analizar la
capacidad predictiva de distintas estimaciones.
En nuestro caso el objetivo es ligeramente diferente puesto que
únicamente se quieren obtener los coeficientes de ponderación. Con este
propósito estimamos el anterior modelo empleando GMM, en donde σt+1 es la
volatilidad implícita media realizada, F1(Ω1) es la predicción obtenida
mediante un modelo de volatilidad condicional determinado y F2(Ω2) es la
predicción obtenida desde las volatilidades implícitas (en este caso
únicamente se van a utilizar las predicciones de volatilidades implícitas con
las calls). Por tanto, contamos con cuatro combinaciones distintas de
predicciones una por cada modelo de volatilidad condicional empleado
24
(GARCH, GARCH estacional, GJR y GJR estacional) unido a la volatilidad
implícita prevista de las calls.
Los resultados de la estimación de este modelo en el último trimestre de
1995 se recogen en el Cuadro VII, en el que se estiman las distintas
ponderaciones para derivar en las predicciones del año 1996. Los valores de
los coeficientes, así como la significatividad asociada a ellos, dejan al
descubierto la importancia de las volatilidades implícitas, puesto que el
coeficiente de ponderación relacionado con ellas es superior al 90% y
significativo mientras que el asociado a la volatilidad condicional en los
distintos modelos no supera el 5% y no es significativo.
No obstante, como el objetivo del trabajo es buscar una predicción de
volatilidad combinada, se toman dichas ponderaciones. Dado que ya se han
obtenido las predicciones procedentes de los modelos de volatilidad
condicional y de los modelos de volatilidades implícitas para el año 1996, la
predicción combinada en cada día t, para el día t+1, será aquella que se
obtenga de sumar los productos de cada una de esas predicciones por el
coeficiente de ponderación obtenido. De esta forma contamos con cuatro
predicciones adicionales con datos combinados.
Los resultados de las estrategias realizadas con estas cuatro predicciones
combinadas se recogen en los Cuadros VIII y IX, antes y después de los
costes de transacción, respectivamente. A nivel general, las rentabilidades
obtenidas con estas predicciones de volatilidad combinadas aportan peores
resultados que aquellas obtenidas con datos separadamente de modelos de
volatilidad condicional y de volatilidades implícitas. Esto ocurre así salvo
para uno de los ratios analizados, el más amplio (0.95-1.05). En este caso las
predicciones combinadas ofrecen mejores resultados que las obtenidas con
las predicciones procedentes de modelos de volatilidad condicional
individualmente. Además, en una combinación en concreto: GARCH e
implícitas se superan los resultados que se obtuvieron exclusivamente con
25
volatilidades implícitas que, como ya se había señalado, eran las que más
beneficios reportaban.
Observando el Cuadro IX, donde se ofrecen los resultados después de
tener en cuenta los costes de transacción, se detecta el mismo
comportamiento que se ha comentado para los resultados obtenidos antes de
costes de transacción. Finalmente se realizó la estrategia únicamente
cuando el valor esperado de los beneficios era superior a los costes de
transacción de llevarla a cabo, los resultados mantienen las mismas
conclusiones8.
Por último el Cuadro X recoge el porcentaje de compras y ventas
realizadas según las distintas predicciones y ratios. Al igual que ocurría en
el caso de las predicciones con modelos de volatilidad condicional y con
volatilidades implícitas individualmente no se observan grandes diferencias
entre compras y ventas lo cual indica que los resultados no se deben a
tendencias en el mercado. Unicamente podría apreciarse alguna diferencia
cuando el ratio es 0.99-1.01, en donde se observa un porcentaje de las ventas
más elevado.
Estos resultados avalan, la capacidad predictiva de las volatilidades
implícitas en nuestro mercado frente a otras alternativas empleadas en la
literatura, como los modelos de volatilidad condicional o combinaciones de
datos históricos con volatilidades implícitas, puesto que los beneficios
obtenidos con ellas son superiores prácticamente en todos los casos. No
obstante, los resultados de este apartado en las opciones dentro del ratio
0.95-1.05 dejan abierta la posible exploración de otras combinaciones de
estas volatilidades o su empleo en otros ratios menos negociados en el
mercado español. Igualmente queda abierto un campo de trabajo
contemplando estimaciones no paramétricas con el empleo de Redes
8 Los resultados están disponibles si se solicitan a los autores.
26
Neuronales Artificiales o su utilización como técnica de agregación no lineal
de combinaciones paramétricas9.
6.-Conclusiones
El presente trabajo aborda una cuestión de gran interés en la literatura
financiera: la predicción de la volatilidad a través del mercado de opciones.
Desde la perspectiva de los distintos trabajos que han estudiado este tema,
se ha optado por la vía de analizar la mejoría predictiva de distintas
alternativas atendiendo a sus efectos en precios, dado que su comparación
con volatilidades realizadas parece difícil por ser éstas no observables
directamente en el mercado.
Con dicho objetivo se han empleado dos tipos de volatilidades las
obtenidas a través de modelos de volatilidad condicional utilizando datos
históricos y las obtenidas a través de volatilidades implícitas. El análisis se
ha realizado en el mercado español de renta variable y más concretamente
utilizando el mercado de opciones sobre el Ibex-35. El periodo estudiado
comprende desde 1992 hasta finales de 1996.
Los resultados obtenidos parecen sugerir una mayor capacidad predictiva
de las predicciones que proceden de volatilidades implícitas frente a las
otras alternativas. Adicionalmente se han empleado unas predicciones de
volatilidad calculadas combinando las predicciones obtenidas con datos
históricos y con datos de volatilidades implícitas. En general se obtienen
peores resultados que los obtenidos únicamente con volatilidades implícitas.
Por último, nos parece interesante remarcar que si bien los resultados
obtenidos apoyan la capacidad predictiva de los modelos empleados para
obtener los precios futuros de las opciones, la inclusión de los costes de
9 En este sentido, algunas de estas alternativas se recogen en la Tesis Doctoral de Marco (1998).
27
transacción anula sus beneficios potenciales, lo cual supone un aval
empírico para el mantenimiento de la hipótesis de eficiencia de mercado.
28
Referencias Bibliográficas
Afonso J. A. y Lorenzo R. M (1996) “Predicción de volatilidad: una aplicación
al mercado español de opciones sobre el Ibex-35” Documento de Trabajo
Univ. de la Laguna.
Amin K. I. y Ng V. K (1997) “Inferring future volatility from the information
in implied volatility in eurodollar options: a new approach” The Review of
Financial Studies, 10, 2, 333-367.
Beckers S. (1981) “Standard deviations implied in option prices as
predictors of future stock price variability” Journal of Banking and
Finance, 5, 363-381.
Bollerslev T. (1986) “Generalized autoregressive conditional
heteroskedasticity” Journal of Econometrics, 31, 307-327.
Brailsford T. J. y Faff R. W (1996) “An evaluation of volatility forecasting
techniques” Journal of Banking & Finance, 20, 419-438.
Brookfiel D. (1993) “Traded options, capital gains and the term structure of
implied volatilities” Applied Financial Economics, 3, 1-13.
Canina L. y Figlewski S.(1993) “The informational content of implied
volatility” The Review of Financial Studies, 6, 3, 659-681.
Christensen B. J., y Prabhala N. R. (1998) “The relation between implied
and realized volatility” Journal of Financial Economics, 50, 125-150.
Day T. E. y Lewis C. M (1992) “Stock market volatility and the information
content of stock index options” Journal of Econometrics, 52, 267-287.
Dewachter H. y León A (1996) “The information content of options on the
Ibex-35” Revista Española de Economía, 13, 2, 159-180.
Duan J-C. (1997) “Augmented GARCH(p,q) process and its diffusion limit”
Journal of Econometrics, 79, 97-127.
Engle R. F. (1982) “Modelling the persistence of conditional variances”
Econometrica, 50, 987-1008.
29
Engle R.F., Hong C, Kane A. y Noh J. (1993) “Arbitrage valuation of
variance forecasts with simulated options” Advances in Futures and
Options Research, 6, 393-415.
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.
Fair R. C. y Shiller R. J. (1990) “Comparing information in forecasts from
econometric models” The American Economic Review, 80, 375-389.
Fama E. F. (1965) “The behavior of stock market prices” Journal of
Business, 38, 34-105.
Fleming J. (1998) “The quality of market volatility forecasts implied by S&P
100 index option prices” Journal of Empirical Finance, 5, 317-345.
French K. R. y Roll R. (1986) “Stock return variances. The arrival of
information and the reaction of traders” Journal of Financial Economics,
17, 5-26.
Gemmill G. (1986) “The forecasting perfomance of stock options on the
London traded option market” Journal of Business Finance and
Accounting, 13, 4, 535-546.
Glosten L. R., Jagannathan 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.
Guo D. (1996) “The predictive power of implied stochastic variance from
currency options” The Journal of Futures Markets, 16, 8, 915-942.
Harvey C. R. y Whaley R. E. (1991) “S&P 100 Index option volatility” The
Journal of Finance, 46, 4, 1551-1561.
Harvey C. R. y Whaley R. E. (1992) “Market volatility prediction and the
efficiency of the S&P 100 index option market” Journal of Financial
Economics, 31, 43-73.
Hull J. y White A. (1987) “The pricing of options on assets with stochastic
volatilities” Journal of Finance, 42, 2, 281-300.
Jorion P. (1995) “Predicting volatility in the foreign exchange market”,
Journal of Finance, 50, 2, 507-528.
30
Kroner K. F, Kneafsey K. P y Claessens S.(1995) “Forecasting volatility in
commodity markets” Journal of Forecasting, 14, 77-95.
Lamoreux C. G. y Lastrapes W. D. (1990) “Persistence in variance,
structural change, and the GARCH model” Journal of Business &
Economic Statistics, 8, 2, 225-234.
Lamoreux C. G. y Lastrapes W. D (1993) “Forecasting stock-return variance:
toward an understanding of stochastic implied volatilities” The Review of
Financial Studies, 6, 2, 293-325.
Marco P. (1998) “Modelos de volatilidad en el mercado español de divisas”
Tesis Doctoral, Universidad de València, Departamento de Economía
Financiera y Matemática.
Nelson D. B. (1990) “ARCH models as diffusion approximations” Journal of
Econometrics, 45, 7-38.
Noh J., Engle R. F. y Kane A. (1994) “Forecasting volatility and option
prices of the S&P 500 index” The Journal of Derivatives, fall, 17-30..
Oldfield G. S. Jr y Rogalski R. J. (1980) “A theory of common stock returns
over trading and non-trading periods” Journal of Finance, 35, 729-751.
Scott E. y Tucker A. L. (1989) “Predicting currency return volatility,
Journal of Banking & Finance, 13, 6, 839-851.
Sheikh A. M. (1993) “The behavior of volatility expectations and their
effects on expected returns” Journal of Business, 66, 1, 93-116.
Xu X. y Taylor S. J. (1995) “Conditional volatility and the informational
efficiency of the PHLX currency options market” Journal of Banking &
Finance, 19, 803-821.
31
GARCH
GARCHS
GJR
GJRS
β0
*104
0.13
0.12
0.13
0.13
t (4.57)
(4.51)
(4.57)
(4.58)
β1 0.10
0.10
0.02
0.02
t (4.37)
(4.35)
(1.30)
(1.39)
β2 0.77
0.77
0.78
0.78
t (18.67)
(17.77)
(18.06)
(17.36)
β3 0.12
0.12
t (3.18)
(3.12)
δ 0.13
0.11
t (1.83)
(1.56)
L-L 4086.24
4087.33
4065.77
4066.64
J-B 60.76
60.39
51.70
51.81
c1*10
-0.03
0.04
0.3 0.3
t (-0.11)
(0.14)
(1.05)
(1.21)
c2*10
-0.1 -0.1 0.03
0.02
t (-0.42)
(-0.45)
(0.11)
(0.09)
Cuadro I. Coeficientes de la estimación de los modelos devolatilidad condicional y algunos descriptivos. GARCHS: GARCHestacional, GJRS: GJR estacional. L-L: Logaritmo de la función deverosimilitud. J-B: Contraste de Jarque-Bera. c1 coeficiente de laregresión ut c ut et= − +1 1 , c2: coeficiente de la regresión ut c c ut et
20 2 1
2= + − + ,
siendo ut el residuo estandarizado
GARCH
GARCHS
GJR
GJRS
IMP C
IMP M
Media
15.75
15.75
15.72
15.70
15.49
14.65
Desv.
0.95
0.87
1.09
0.92
1.99
2.31
GARCH
GARCHS
GJR
GJRS
IMP C
IMP M
32
GARCH
1 0.99
0.96
0.98
0.67
0.63
GARCHS
1 0.93
0.96
0.66
0.62
GJR
1 0.99
0.66
0.60
GJRS
1 0.66
0.61
IMP C
1 0.90
IMP M
1
Cuadro II. Media, desviación típica y correlaciones de laspredicciones de volatilidades cuando el ratio considerado es 0.95-1.05. GARCHS: GARCH estacional, GJRS: GJR estacional, IMP C:Predicciones con implícitas de calls, IMP M: Predicciones conimplícitas medias.
Media
Desv.
Media
Desv.
Media
Desv.
Media
Desv.
Media
Desv.
(1) (2) (3) (4) (5)R
eal6
7.713
3.406
5.103
9.256
0.924
2.975
7.624
2.655
7.614
6.04G
arch6
5.472
0.956
2.522
8.425
8.503
2.475
5.913
4.585
7.344
1.22G
archs6
5.472
0.996
2.522
8.425
8.513
2.485
5.923
4.595
7.344
1.22G
jr6
5.252
0.846
2.322
8.335
8.313
2.375
5.723
4.425
7.154
1.08G
jrs6
5.182
0.856
2.252
8.305
8.253
2.365
5.663
4.415
7.084
1.07I
mp c6
4.082
1.906
1.282
9.005
7.383
2.785
4.843
5.055
6.354
1.41I
mp m6
0.632
2.525
7.972
9.375
4.253
3.115
1.753
5.335
3.354
1.81Cuadro III. Descriptivos de Precios previstos y reales. (1)
Ratio 0.99-1.01, (2) Ratio 0.98-1.02, (3) Ratio 0.97-1.03, (4) Ratio0.96-1.04, (5) Ratio 0.95-1.05. GARCHS: GARCH estacional, GJRS:GJR estacional, IMP C: Predicciones con implícitas de calls, IMP M:Predicciones con implícitas medias.
(1) (2)
eal s s c m eal s s c m
eal .68 .68 .68 .69 .72 .70 .81 .81 .81 .81 .83 .81
.95 .93 .99 .97 .96
s .95 .92 .99 .97 .95
33
.95 .92 .97 .96
s .95 .92 .97 .95
c .98 .98
m(3) (4)
eal s s c m eal s s c m
eal .83 .83 .83 .83 .85 .83 .83 .83 .83 .83 .85 .83
.98 .97 .98 .98
s .98 .97 .98 .97
.98 .97 .98 .98
s .98 .97 .98 .98
c .99 .99
m(5)
eal s s c m
eal .85 .85 .85 .85 .86 .85
.99 .98
s .99 .98
.99 .98
s .99 .98
c .99
mCuadro III (Continuación).. Descriptivos de Precios
previstos y reales. (1) Ratio 0.99-1.01, (2) Ratio 0.98-1.02, (3) Ratio0.97-1.03. (4) Ratio 0.96-1.04, (5) Ratio 0.95-1.05. G: GARCH, GS:GARCH estacional, J: GJR, JS: GJR estacional, IC: Prediccionescon implícitas de calls, IM: Predicciones con implícitas medias.
Med.
Desv.
t Med.
Desv.
t Med.
Desv.
t
34
(1) (2) (3)G
arch0
.561
0.29(
0.85)1
.131
2.66(
1.39)2
.091
5.10(
2.16)G
archs0
.671
0.29(
1.02)1
.251
2.65(
1.55)2
.181
5.08(
2.25)G
jr0
.541
0.31(
0.81)1
.141
2.77(
1.40)2
.171
5.20(
2.22)G
jrs0
.501
0.33(
0.76)1
.371
2.74(
1.68)2
.181
5.18(
2.23)I
mp c1
.501
0.15(
2.30)2
.451
3.27(
2.87)3
.041
5.27(
3.10)I
mp m0
.181
0.10(
0.28)-
0.001
3.47(
-0.00)0
.181
5.12(
0.19)(4) (5)
Garch
1.98
17.98
(1.72)
1.14
18.20
(0.97)
Garchs
2.56
17.90
(2.23)
1.71
18.14
(1.47)
Gjr
2.56
18.03
(2.21)
1.69
18.26
(1.44)
Gjrs
2.66
17.99
(2.30)
1.79
18.22
(1.53)
Imp c
3.17
17.37
(2.85)
2.25
16.96
(2.06)
Imp m
0.09
16.93
(0.08)
-0.04
16.43
(-0.40)
Cuadro IV. Rentabilidades antes de costes de transacción. (1) Ratio0.99-1.01, (2) Ratio 0.98-1.02, (3) Ratio 0.97-1.03, (4) Ratio 0.96-1.04, (5) Ratio0.95-1.05. GARCHS: GARCH estacional, GJRS: GJR estacional, IMP C:Predicciones con implícitas de calls, IMP M: Predicciones con implícitasmedias.
Med.
Desv.
t Med.
Desv.
t Med.
Desv.
t
(1) (2) (3)G
arch-
1.521
0.25(
-1.74)-
0.831
2.44(
-1.05)-
0.151
4.74(
-0.16)G
archs-
1.031
0.25(
-1.57)-
0.711
2.43(
-0.89)-
0.061
4.72(
-0.06)G
jr-
1.771
0.27(
-1.77)-
0.821
2.55(
-1.02)-
0.071
4.84(
-0.07)G
jrs-
1.211
0.29(
-1.83)-
0.601
2.52(
-0.74)-
0.061
4.82(
-0.07)I
mp c-
0.201
0.08(
-0.32)0
.481
2.98(
0.58)0
.801
5.02(
0.83)I
mp m-
1.521
0.05(
-2.35)-
1.951
3.48(
-2.25)-
2.021
5.16(
-2.07)(4) (5)
G - 1 ( - 1 (
35
arch 0.58 7.60 -0.51) 1.57 8.19 -1.35)G
archs-
0.001
7.48(
-0.00)-
1.001
8.10(
-0.86)G
jr-
0.011
7.59(
-0.01)-
1.031
8.22(
-0.88)G
jrs0
.091
7.56(
0.08)-
0.921
8.18(
-0.79)I
mp c0
.621
7.04(
0.56)-
0.451
6.98(
-0.41)I
mp m-
2.431
6.88(
-2.24)-
3.091
6.43(
-2.93)
Cuadro V. Rentabilidades después de costes de transacción. (1) Ratio0.99-1.01, (2) Ratio 0.98-1.02, (3) Ratio 0.97-1.03, (4) Ratio 0.96-1.04, (5) Ratio0.95-1.05. GARCHS: GARCH estacional, GJRS: GJR estacional, IMP C:Predicciones con implícitas de calls, IMP M: Predicciones con implícitasmedias.
%C.
%V.
%C.
%V.
%C.
%V.
%C.
%V.
%C.
%V.
(1)
(2)
(3)
(4)
(5)
Garch
54.32
45.68
54.51
45.49
54.92
45.08
55.33
44.67
55.74
44.26
Garchs
53.49
46.51
53.69
46.31
54.10
45.90
53.69
46.31
53.69
46.31
Gjr
55.96
44.04
55.33
44.67
56.56
43.44
56.56
43.44
56.97
43.03
Gjrs
55.14
44.86
53.28
46.72
54.92
45.08
54.10
45.90
54.51
45.49
Imp c
41.97
58.03
46.72
53.28
51.23
48.77
52.87
47.13
52.87
47.13
Imp m
19.34
80.66
21.72
78.28
24.60
75.40
25.41
74.59
25.41
74.59
Cuadro VI. Porcentajes de compras y ventas.(1) Ratio 0.99-1.01, (2)Ratio 0.98-1.02, (3) Ratio 0.97-1.03, (4) Ratio 0.96-1.04, (5) Ratio 0.95-1.05.GARCHS: GARCH estacional, GJRS: GJR estacional, IMP C: Predicciones conimplícitas de calls, IMP M: Predicciones con implícitas medias.
β0
t β1
t β2
t
(a) 1.88
(0.89)
-0.10
(-0.59)
0.98
(17.99)
(b) 1.68
(0.86)
-0.08
(-0.54)
0.97
(18.91)
(c) - ( 0 ( 0 (1
36
0.59 -0.25) .09 0.44) .94 2.79)(d) -
0.70(
-0.30)0
.10(
0.49)0
.94(1
3.38)
Cuadro VII. Resultados estimación GMM. (a) Garch + implícitas, (b)Garch estacional + implícitas, (c) Gjr + implícitas, (d) Gjr estacional +implícitas.
37
Med.
Desv.
t Med.
Desv.
t Med.
Desv.
t
(1) (2) (3)(
a)-
0.481
7.45(
-0.43)0
.621
6.75(
0.57)1
.851
8.10(
1.59)(
b)-
0.501
7.40(
-0.45)0
.481
6.70(
0.44)1
.191
8.14(
1.02)(
c)-
0.391
7.50(
-0.35)0
.531
6.78(
0.49)1
.131
8.14(
0.97)(
d)-
0.421
7.46(
-0.37)0
.551
6.76(
0.51)1
.141
8.14(
0.98)(4) (5)
(a)
1.79
19.10
(1.46)
2.77
17.03
(2.53)
(b)
1.26
19.20
(1.02)
2.19
17.03
(2.01)
(c)
1.07
19.11
(0.87)
2.07
16.95
(1.90)
(d)
1.09
19.14
(0.89)
2.08
16.99
(1.91)
Cuadro VIII. Rentabilidades con predicciones de volatilidadcombinadas, antes de costes de transacción. (1) Ratio 0.99-1.01, (2) Ratio0.98-1.02, (3) Ratio 0.97-1.03, (4) Ratio 0.96-1.04, (5) Ratio 0.95-1.05. (a):GARCH, (b): GARCH estacional, (c): GJR, (d): GJR estacional.
Med.
Desv.
t Med.
Desv.
t Med.
Desv.
t
(1) (2) (3)(
a)-
2.101
7.29(
-1.89)-
1.281
6.69(
-1.20)-
0.361
7.82(
-0.31)(
b)-
2.121
7.25(
-1.92)-
1.421
6.65(
-1.33)-
1.011
7.94(
-0.88)(
c)-
2.011
7.34(
-1.81)-
1.361
6.72(
-1.27)-
1.071
8.04(
-0.92)(
d)-
2.031
7.31(
-1.83)-
1.351
6.70(
-1.26)-
1.051
8.04(
-0.91)(4) (5)
(a)
-0.76
18.79
(-0.63)
0.05
16.77
(0.05)
(b)
-1.29
18.95
(-1.06)
-0.05
17.07
(-0.48)
(c)
-1.48
18.96
(-1.21)
-0.63
16.94
(-0.59)
(d)
-1.46
18.99
(-1.19)
-0.63
16.99
(-0.58)
Cuadro IX. Rentabilidades con predicciones de volatilidad combinadas,después de costes de transacción. (1) Ratio 0.99-1.01, (2) Ratio 0.98-1.02, (3)
38
Ratio 0.97-1.03, (4) Ratio 0.96-1.04, (5) Ratio 0.95-1.05. (a): GARCH, (b):GARCH estacional, (c): GJR, (d): GJR estacional.
%C.
%V.
%C.
%V.
%C.
%V.
%C.
%V.
%C.
%V.
(1) (2) (3) (4) (5)(
a)3
3.746
6.264
0.575
9.435
1.234
8.775
3.284
6.725
4.514
5.49(
b)3
5.396
4.614
3.035
6.975
4.514
5.495
7.384
2.625
8.614
1.39(
c)3
0.046
9.963
5.256
4.754
4.675
5.334
6.725
3.284
7.955
2.05(
d)3
1.286
8.723
6.896
3.114
6.315
3.694
8.365
1.644
9.595
0.41
Cuadro X. Porcentajes de compras y ventas. Volatilidadescombinadas (1) Ratio 0.99-1.01, (2) Ratio 0.98-1.02, (3) Ratio 0.97-1.03, (4)Ratio 0.96-1.04, (5) Ratio 0.95-1.05. (a): GARCH + Implícitas, (b): GARCHestacional + implícitas, (c): GJR + Implícitas, (d): GJR estacional +Implícitas.
39
Anexo 1
Call Call+PutE
CM√ /
/% √ /
/%
(a) 1
0.0393
0.0295
88.72
0.0435
0.0334
102.60
2 0.0389
0.0292
90.93
0.0338
0.0400
115.18
3 0.0388
0.0290
90.85
0.0410
0.033
110.84
4 0.0387
0.0292
91.16
0.0408
0.0319
108.34
5 0.0391
0.0291
91.25
0.0412
0.0322
107.28
(b) 1
0.0380
0.0282
82.67
2 0.0378
0.0280
86.57
3 0.0380
0.0281
86.02
4 0.0384
0.0289
89.39
5 0.0391
0.0291
86.80
(c) 1
0.0398
0.0307
108.00
0.0411
0.0320
98.70
2 0.0392
0.0297
101.87
0.0410
0.0321
105.97
3 0.0391
0.0296
101.87
0.0410
0.0323
110.86
4 0.0390
0.0295
99.48
0.0408
0.0319
108.35
5 0.0394
0.0294
97.75
0.0412
0.0327
107.26
(d) 1
0.0384
0.0295
101.04
2 0.0379
0.0285
94.15
3 0.0385
0.0294
103.56
4 0.0388
0.0299
104.08
5 0.0394
0.0300
100.02
Resultados de las medidas del error de predicción. (a):modelo con retardos de la variable dependiente, (b): modelocon retardos de la variable dependiente más retardos del otrotipo de opción, (c): modelo (a) incluyendo el volumen denegocio, (d): modelo (b) incluyendo el volumen negociado.
40
Anexo 2
(1) (2) (3) (4)M
ediaD
esv.M
ediaD
esv.M
ediaD
esv.M
ediaD
esv.G
arch1
5.770
.941
5.770
.941
5.760
.951
5.760
.94G
archs1
5.770
.871
5.760
.871
5.750
.871
5.760
.87G
jr1
5.731
.091
5.731
.091
5.721
.091
5.721
.09G
jrs1
5.710
.921
5.710
.921
5.700
.921
5.700
.92I
mp c1
5.491
.991
5.491
.991
5.491
.991
5.491
.99I
mp m1
4.652
.311
4.652
.311
4.652
.311
4.652
.31
Volatilidades previstas según los distintos ratios (1) Ratio0.99-1.01, (2) Ratio 0.98-1.02, (3) Ratio 0.97-1.03, (4) Ratio 0.96-1.04
(1) (2)
s s c mG
sJ J
sI
cI
m
.99 .96 .98 .67 .630
.990
.960
.980
.670
.63
s .94 .97 .65 .621 0
.930
.960
.660
.62
.99 .65 .591 0
.990
.660
.60
s .66 .601 0
.660
.60
c .901 0
.90
m1
(3) (4)
s s c mG
sJ J
sI
cI
m
.99 .96 .98 .67 .630
.990
.960
.980
.670
.63
s .93 .96 .66 .621 0
.930
.960
.660
.62
.99 .66 .601 0
.990
.660
.60
s .66 .611 0
.660
.61
c .901 0
.90
m1
Correlaciones de las predicciones de volatilidad (1) Ratio 0.99-1.01, (2)Ratio 0.98-1.02, (3) Ratio 0.97-1.03, (4) Ratio 0.96-1.04. G: Garch, Gs: Garchestacional, J: GJR, Js: GJR estacional, Ic: Implícitas con calls, Im: Implícitascon medias.
41
Anexo 3
ed esv. ed esv.t
ed esv.(1) (2) (3)
Garch .86 0.84 1.14) .61 3.11
(1.79) .50 5.72 2.34)
Garchs .96 0.84 1.27) .52 3.14
(1.71) .42 5.72 2.28)
Gjr .78 0.73 1.07) .52 3.07
(1.73) .42 5.63 2.29)
Gjrs .94 0.69 1.30) .76 2.99
(2.00) .64 1.07 1.86)
Imp c .66 0.89 2.09) .59 4.34
(2.56) .26 5.30 2.98)
Imp m .21 0.35 0.31) .08 3.80
(0.09) .21 5.42 0.20)
(4) (5)G
arch .93 8.63 2.29) .95 8.96(
1.50)G
archs .82 8.64 2.20) .86 8.92(
1.43)G
jr .87 8.73 2.23) .87 9.04(
1.43)G
jrs .11 8.54 2.46) .13 8.82(
1.66)I
mp c .46 7.86 2.71) .48 7.24(
2.00)I
mp m .53 6.31 0.48) 0.19 5.79(
-0.18)
Rentabilidades antes de costes de transacción confiltro. (1) Ratio 0.99-1.01, (2) Ratio 0.98-1.02, (3) Ratio 0.97-1.03, (4) Ratio 0.96-1.04, (5) Ratio 0.95-1.05.
Med
Desv.
ted
Desv.
t Med
Desv.
t
(1) (2) (3)G
arch-
0.861
0.78(
-1.15) 0.371
2.82(
-0.42)0
.231
5.33(
0.22)G
archs-
0.761
0.78(
-1.01) 0.471
2.86(
-0.53)0
.131
5.34(
0.12)G
jr-
0.941
0.69(
-1.29) 0.441
2.77(
-0.51)0
.161
5.32(
0.16)G
jrs-
0.761
0.64(
-1.06) 0.191
2.67(
-0.23)0
.381
5.17(
0.37)I
mp c-
0.041
0.82(
-0.06) .611
4.03(
0.62)1
.111
4.99(
1.03)I
mp m-
1.491
0.29(
-2.19) 1.851
3.82(
-1.99)-
1.981
5.48(-
1.93)(4) (5)
Garch
0.29
18.20
(0.24) 0.86
18.95
(-0.66)
Garchs
0.17
18.22
(0.14) 0.96
18.90
(-0.74)
Gjr
0.25
18.26
(0.20) 0.93
19.01
(-0.71)
Gjrs
0.50
18.07
(0.40) 0.66
18.78
(-0.52)
42
Imp c
0.89
17.45
(0.71) 0.20
17.01
(-0.16)
Imp m
-1.95
16.22
(-1.79) 2.80
15.79
(-2.61)
Rentabilidades después de costes de transacción con filtro. (1) Ratio0.99-1.01, (2) Ratio 0.98-1.02, (3) Ratio 0.97-1.03, (4) Ratio 0.96-1.04, (5)Ratio 0.95-1.05.
43
%C.
%V.
%C.
%V.
%C.
%V.
(1) (2) (3)G
arch5
4.814
5.195
4.634
5.3756.48
43.52
Garchs
53.14
46.86
54.13
45.87
55.96
44.04
Gjr
53.67
46.33
54.50
45.50
55.91
44.09
Gjrs
51.85
48.15
52.04
47.96
53.85
46.15
Imp c
37.70
62.30
44.55
55.45
51.02
48.98
Imp m
17.90
82.10
18.75
81.25
22.37
77.63
(4) (5)G
arch5
6.604
3.405
6.604
3.40G
archs5
5.874
4.135
6.074
3.93G
jr5
5.874
4.135
5.874
4.13G
jrs5
3.494
6.515
3.704
6.30I
mp c5
2.794
7.215
2.314
7.69I
mp m2
2.177
7.832
2.487
7.52
Filtro. Porcentajes de compras y ventas.(1) Ratio 0.99-1.01, (2) Ratio 0.98-1.02, (3) Ratio 0.97-1.03, (4) Ratio 0.96-1.04, (5) Ratio 0.95-1.05.