Resumen

Los modelos GARCH tradicionales describen niveles de volatilidad que evolucionan suavemente con el tiempo, generados por un único régimen GARCH. Sin embargo, los datos de series temporales no estacionarias pueden mostrar cambios abruptos en la volatilidad, lo que sugiere cambios en los regímenes GARCH subyacentes. Además, el número y los momentos de los cambios de régimen no siempre son obvios. Este artículo describe un modelo no paramétrico de mezcla de modelos GARCH que es capaz de estimar el número y el momento de los cambios de régimen de volatilidad mediante la mezcla sobre el proceso Poisson-Kingman. El proceso es una generalización del proceso de Dirichlet típicamente utilizado en modelos no paramétricos para datos dependientes del tiempo, proporciona una estructura de agrupación más rica y su aplicación a datos de series temporales es novedosa. La inferencia es bayesiana, y se describe un algoritmo de Monte Carlo de cadena de Markov para explorar la distribución posterior. La metodología se ilustra en el índice financiero Standard and

• Materias:Modelos de regresión Conjunto borroso Agrupamiento Factores de transcripción Modelo autorregresivo
• Subjects:Regression models Fuzzy set Clustering Transcription factors Autoregressive model
• Palabras claves:Volatilidad; Modelos GARCH; Cambios de régimen; Mezcla no paramétrica; Proceso de Poisson-Kingman; Inferencia bayesiana
• Keywords:Volatility; GARCH models; Regime changes; Nonparametric mixture; Poisson-Kingman process; Bayesian inference