An Empirical Application of a Random Level Shifts Model with Time-Varying Probability and Mean Reversion to the Volatility of Latin-American Forex Markets Returns

• Autor: Gonzáles Tanaka, José Carlos
• Formato: documento de trabajo
• Fecha de Publicación: 2016
• Institución: Pontificia Universidad Católica del Perú
• Repositorio: PUCP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.pucp.edu.pe:20.500.14657/126748
• Enlace del recurso: http://repositorio.pucp.edu.pe/index/handle/123456789/126748
• Nivel de acceso: acceso abierto
• Materia: Forecasting; Forex Return Volatility; Latin American Forex Markets; Long memory; Mean Reversion; Random Level Shifts; Time Varying Probability; http://purl.org/pe-repo/ocde/ford#5.02.00

Following Xu and Perron (2014), this paper uses daily data for six Forex Latin American markets. Four models of the family of the Random Level Shift (RLS) model are estimated: a basic model where probabilities of level shift are driven by a Bernouilli variable but probability is constant; a model where varying probabilities are allowed and introduced via past extreme returns; a model with mean reversion mechanism; and a model incorporating these two features. Our results prove three striking features: first, the four RLS models fit well the data, with almost all the estimates highly significant; second, the long memory property disappears completely from the ACF, including the GARCH effects; and third, the forecasting performance is much better for the RLS models against an overall of four competitor models: GARCH, FIGARCH and two ARFIMA models. Siguiendo el trabajo de Xu y Perron (2014), este documento utiliza datos diarios de volatilidades de retornos cambiarios para seis mercados de América Latina. Cuatro modelos del tipo Random Level Shifts (RLS) son estimados: un modelo básico donde las probabilidades de cambios de nivel son gobernadas por una variable del tipo Bernouilli pero dicha probabilidad es constante; un modelo donde las probabilidades son cambiantes en el tiempo y dependen de los retornos bursátiles extremos negativos del periodo anterior; un modelo con reversión a la media; y un modelo que incorpora los dos aspectos mencionados anteriormente. Los resultados sugieren tres importantes aspectos: el primero es que los cuatro modelos RLS ajustan bien los datos con prácticamente todos los estimados altamente significativos; segundo, la característica de larga memoria desaparece completamente de la ACF, incluyendo los efectos GARCH; y, tercero, la performance de los cuatro modelos en términos de predicción es buena contra diferentes modelos rivales como los modelos GARCH, FIGARCH, y dos modelos ARFIMA.