METODOLOGÍA BOOTSTRAP EN

SERIES HETEROCEDÁSTICAS. UNA APLICACIÓN

AL IBEX-35

Jesús A. Miguel Álvarez - jamiguel@posta.unizar.es

Pilar Olave Rubio - polave@posta.unizar.es
Universidad de Zaragoza

Reservados todos los derechos.

Este documento ha sido extraído del CD Rom “Anales de Economía Aplicada. XIV Reunión ASEPELT-España. Oviedo,
22 y 23 de Junio de 2000”.
ISBN: 84-699-2357-9
 METODOLOGÍA BOOTSTRAP EN SERIES
HETEROCEDÁSTICAS. UNA APLICACIÓN AL IBEX-35.

Jesús A. MIGUEL1 y Pilar OLAVE2

Dpto. Métodos Estadísticos
Universidad de Zaragoza

Resumen
En este trabajo se presenta la metodología bootstrap como una alternativa para
construir intervalos de predicción en series temporales cuando las hipótesis usuales de
los métodos clásicos no son sostenidas por los datos, o cuando el tamaño muestral no es
suficientemente elevado para garantizar los resultados asintóticos que dichos métodos
ofrecen.
Aunque existen diferentes revisiones de la metodología bootstrap para series
temporales [véase, por ejemplo, Li y Maddala (1996) y Cao (1999)], este artículo
proporciona un estudio de los métodos bootstrap cuando las series analizadas son
heterocedásticas, haciendo especial énfasis en la predicción de modelos
heterocedásticos condicionalmente autorregresivos (ARCH).
Por último, se presenta un estudio empírico sobre el índice IBEX-35 con datos
diarios desde 1992 hasta 1998 y se compara la metodología bootstrap con los métodos
tradicionales utilizados en la construcción de intervalos de predicción. En los modelos
de rentabilidad-riesgo de tipo GARCH-M la predicción bootstrap muestra un excelente
comportamiento en el corto y medio plazo.

Palabras Clave: Bootstrap, series temporales, modelos ARCH

1
Jesús Miguel. Dpto. Métodos Estadísticos. Universidad de Zaragoza. Gran Vía, 2. 50005 Zaragoza.
Email: jamiguel@posta.unizar.es
2
Pilar Olave. Dpto. Métodos Es tadísticos. Universidad de Zaragoza. Gran Vía, 2. 50005 Zaragoza.
Email: polave@posta.unizar.es
1. Introducción
Los métodos estadísticos clásicos se apoyan en modelos matemáticos de
naturaleza estocástica, de tal forma que los resultados que de ellos se derivan requieren,
en muchas ocasiones, complejos desarrollos analíticos, lo que ha supuesto un obstáculo
para su utilización comprensiva en muchas áreas científicas. Además, dichos desarrollos
se basan en hipótesis que algunas veces no son soportadas por los datos o se obtienen
resultados asintóticos que no son válidos cuando el tamaño muestral no es
suficientemente elevado.
Efron (1979) introduce la metodología bootstrap para estimar las distribuciones
de algunos estadísticos cuando el tamaño muestral es pequeño o las expresiones de
dichas distribuciones son analíticamente intratables. Desde entonces numerosos autores
han desarrollado métodos bootstrap para diversos procedimientos inferenciales, tales
como modelos de regresión, datos censurados, construcción de intervalos de confianza,
estimación de parámetros, …
Los métodos bootstrap se basan en la reproducción de los datos originales
mediante un remuestreo. Si nuestras observaciones tienen una estructura de
dependencia, ésta debe estar reflejada en los nuevos datos. Por lo tanto, los métodos
variarán en función de la estructura temporal existente y como ésta se refleje en el
objetivo a perseguir: estimación o predicción.
Li y Maddala (1996) presentan una revisión de métodos bootstrap para series
temporales homocedásticas donde analizan diferentes problemas inferenciales:
estimación, contraste de hipótesis, selección de modelos, … Cao (1999) hace una
revisión de métodos bootstrap para estimación y predicción de series homocedásticas
haciendo especial énfasis cuando la estructura temporal es general, es decir, no asume
ninguna forma paramétrica y debe ser estimada mediante técnicas de suavización no
paramétrica.
Este trabajo es una breve introducción de los métodos bootstrap que se han
planteado para la construcción de intervalos de predicción en el contexto de series de
tiempo con una estructura temporal paramétrica pero admitiendo que los errores pueden
ser heterocedásticos. En particular, se presentan métodos bootstrap para modelos ARCH
y sus generalizaciones, que son utilizados primordialmente cuando se analizan series
financieras.
 El esquema de trabajo será el siguiente: en la sección 2, se presenta la idea
general del método bootstrap. En la sección 3, se introduce los métodos bootstrap
utilizados en la predicción de procesos ARMA y se generalizan, en la siguiente sección,
al caso en que las varianzas condicionales siguen un proceso ARCH. Además, se
presenta un método bootstrap para la construcción de intervalos de predicción cuando
trabajamos con modelos ARCH-M. Finalmente, en la sección 5 se presenta un estudio
sobre el exceso de rentabilidad del IBEX 35, donde se aborda el problema de existencia
de prima de riesgo. En esta sección se aplicarán los métodos bootstrap presentados
anteriormente y sus resultados se comparan con los obtenidos mediante métodos
paramétricos.

2. El método bootstrap
El bootstrap, como el jackknife, son dos métodos de remuestreo para estimar o
aproximar la distribución muestral del estadístico o sus características. El bootstrap se
basa en el principio de sustitución y en la aproximación numérica. Sea F la función de
distribución de una variable poblacional X, y obtenemos una muestra aleatoria
r
X = ( X1 , X 2 ,K, X n ) para estudiar alguna variable aleatoria de interés R = R( X , F ) . El
principio de sustitución nos lleva a definir el correspondiente estadístico con la misma
forma funcional, pero considerando la muestra aleatoria observada como una nueva
población y la función de distribución F, que es desconocida, es sustituida por la
función de distribución empírica construida a partir de la muestra, es decir, el estadístico
r
considerado será Rˆ = R( X , Fn ) .

De esta forma, a partir de la distribución empírica de la muestra podemos

r
obtener artificialmente una serie de muestras X * de observaciones independientes e
idénticamente distribuidas de tamaño m (no tiene por qué coincidir con el tamaño
r
inicial). Por lo tanto, cada muestra bootstrap X * consta de algunos valores de la
muestra inicial que han sido extraídos equiprobablemente en un muestreo con
reemplazamiento.
El método puede ser generalizado fácilmente a situaciones donde tenga más
información sobre la distribución poblacional. Por ejemplo, si conocemos que la
distribución poblacional F pertenece a una determinada familia paramétrica Fθ bastaría

construir el estadístico pero utilizando como función de distribución Fθˆ , donde θ̂ es un

estimador de θ. Este método es denominado bootstrap paramétrico. Si sabemos que la
distribución poblacional es continua podemos utilizar una perspectiva más general
utilizando técnicas no paramétricas. En este caso, el estadístico sería construido

utilizando como función de distribución Fˆ = Fn * K h , donde K h es una función kernel

(para nuestro objetivo es una función de densidad) y * denota la convolución entre

ambas funciones

Fˆ (u ) = Fn * K h (u ) = ∫ K h ( x − u )Fn (du )

Esto es equivalente a extraer aleatoriamente una observación a partir de Fn y

añadirle h veces una cantidad aleatoria extraída a partir de la densidad K. Este método
es denominado bootstrap suavizado.
El método bootstrap se describe en los siguientes pasos:
1. Construir el estimador de la función de distribución poblacional, según se

utilice un bootstrap no paramétrico Fn , el paramétrico Fθˆ o el suavizado F̂ .

r
( )
2. Extraer muestras bootstrap, X * = X 1* ,K, X n* , que son muestras aleatorias

extraídas a partir de la función de distribución estimada en el paso anterior.

( )
r
3. Calcular la versión bootstrap del estadístico , R* = R X * , Fn y aproximar la

distribución del estadístico R por la distribución en el remuestreo o

distribución bootstrap de R*
Sin embargo, en cualquier aplicación de este método debemos plantearnos dos
cuestiones esenciales:
1. ¿Cómo es la aproximación bootstrap? ¿Es correcta asintóticamente?
2. ¿Cómo podemos calcular la distribución bootstrap del estadístico?
La primera cuestión es conocida como la validez bootstrap, es decir, debemos de
demostrar la consistencia del método propuesto. Generalmente, se comprueba que
alguna distancia (por ejemplo, la distancia de Mallows) entre la distribución bootstrap
de R* y la distribución de R tiende a cero cuando el tamaño muestral tiende a infinito.
Otro aspecto importante es la velocidad de convergencia, para ello se aplican diferentes
desarrollos asintóticos (por ejemplo, desarrollos de Edgeworth).
La segunda cuestión pone de manifiesto que aunque podemos extraer muestras
de una población finita, el número de remuestras posibles crece desmesuradamente.
Esto hace imposible que podamos calcular todos los posibles valores del estadístico
bootstrap R* con sus correspondientes probabilidades. En pocos casos es posible
obtener la distribución teórica de la distribución bootstrap pero siempre podemos
aproximarla utilizando el método Monte Carlo. La idea es repetir los pasos 2 y 3 del
esquema del método bootstrap un número B suficientemente elevado de veces. Esto nos
permite conocer B valores del estadístico bootstrap que se utilizan para aproximar la
distribución de R* o sus características. El número B puede ser tan grande como
deseemos con el único inconveniente de tener más gasto computacional.

3. Métodos bootstrap en procesos ARMA

Como se ha visto en la sección anterior, la idea original del bootstrap se
desarrolló en el contexto de datos independientes e idénticamente distribuidos. Cuando
los datos son dependientes, el método bootstrap debe reproducir dicha estructura
temporal existente en la muestra original.
El estudio de métodos bootstrap para series de tiempo y modelos de regresión
dinámicos fue iniciado por Freedman (1984), y en esta última década se han
desarrollado una gran cantidad de procedimientos bootstrap para los modelos más
utilizados en el análisis de series temporales.
Dado un proceso estocástico en tiempo discreto {Yt , t ∈ Z } , consideramos una

serie de tiempo (Y1, Y2 ,K, YT ) como una observación del proceso en instantes
consecutivos. Nuestro objetivo es predecir el valor futuro del proceso a un horizonte s,
YT + s . Este puede ser para aproximar puntualmente dicho valor, o lo que es más
frecuente, para calcular intervalos de predicción que aportan más información al
analista.
Stine (1987) propuso el primer método bootstrap para estimar el error cuadrático
medio del predictor lineal clásico cuando el proceso es un modelo autorregresivo de
orden p. El método se basaba en la obtención de la función de distribución empírica de
los errores centrados. A partir de ésta extraía muestras para reproducir un proceso
AR(p) con los parámetros estimados inicialmente y fijando los primeros p valores de la
serie. Dada la serie bootstrap se estiman los parámetros y se obtiene el predictor clásico
para evaluar el error cuadrático medio de dicha predicción. Repitiendo un número
elevado de veces este proceso podemos aproximar el error cuadrático medio de la
predicción puntual.
Para la construcción de intervalos de predicción en modelos AR(p), Thombs y
Schucany (1990) propusieron realizar una representación hacia atrás del proceso para
posteriormente utilizar la representación habitual para obtener los valores futuros. El
esquema de dicho método es el siguiente:
1. Construir los residuales de la representación backward y calcular la función
de distribución empírica de dichos errores centrados y reescalados según
propuso Stine (1987).
2. Extraer los errores bootstrap, e*i ,a partir de dicha distribución.

3. Se define la serie backward de la serie fijando los últimos p valores

observados:

Yi * = φˆ1Yi *+1 + K + φˆ pYi *+ p + ei* i = T-p,T − p − 1K ,1

Yi * = Yi i = T-p + 1,K ,T
4. Calcular los estimadores de la serie bootstrap.
5. Construir los residuales hacia adelante de la serie y obtener la función de
distribución empírica de dichos errores centrados y reescalados.
6. Extraer los errores bootstrap, ai* , a partir de dicha distribución.

7. Definir las réplicas bootstrap de los valores futuros:

YT*+i = φˆ1* YT*+i-1 + K + φˆ*p YT*+ i-p + a*i i = 1, K, s

YT*+i = YT +i si i ≤ 0

8. Repetir un número B elevado de veces los pasos 2-7 para aproximar la

distribución de YT*+ s . Los cuantiles correspondientes a esa distribución serán

los límites del intervalo de predicción.

Estos autores demostraron la validez asintótica de este método bootstrap y
realizaron un estudio de simulación donde lo comparaban con los intervalos clásicos
para diferentes distribuciones y coberturas.
McCullough (1994) sugirió que el método percentil de obtener los intervalos de
predicción no era el más adecuado cuando existe asimetría en el error de predición y,
por lo tanto, propuso un método de corrección de sesgo. Además, advirtió que la
representación backward utilizada por Thombs y Schucany (1990) no asegura que los
errores sean independientes e idénticamente distribuidas y utilizó un procedimiento más
sofisticado para obtener dichos errores hacia atrás.
La validez asintótica del método de Thombs y Schucany (TS) para modelos ARI
fue demostrada por García-Jurado et al. (1995). La idea general se basa en obtener la
serie diferenciada y aplicar el método TS para construir la réplica bootstrap de la serie
que tiene la estructura autoregresiva. Posteriormente, se integra para tener réplicas
bootstrap de la serie original.
Un inconveniente importante del método TS consiste en la representación
backward de la serie, no sólo por el gasto computacional sino porque no es fácil cuando
los procesos no tienen distribución normal. Cao et al. (1997) proponen un método
alternativo, que es consistente, para construir intervalos de predicción sin tener que
realizar réplicas hacia atrás de la serie. El método se puede describir en los siguientes
pasos:
1. Obtener los residuos forward centrados y reescalados para construir la
función de distribución empírica.
2. Extraer una muestra aleatoria, ai* ,a partir de dicha distribución.

3. Construir los valores futuros bootstrap utilizando como errores la muestra

anterior y las estimaciones iniciales de los parámetros:

YT*+ i = φˆ1 YT* +i-1 + K + φˆ p YT*+ i-p + a*i i = 1,K , s

YT*+ i = YT + i si i ≤ 0
4. Repetir las etapas anteriores un número elevado de veces para aproximar la
distribución bootstrap del valor YT*+ s .

Cao et al. (1997) demostraron la consistencia de este método tanto en el caso de

utilizar la función de distribución empírica de los residuos directamente como en el de
utilizar un bootstrap suavizado, es decir, cuando en la etapa 2 se extrae la muestra a
partir de una suvización no paramétrica de la distribución.
Otra alternativa a los métodos anteriores se basa en el estudio del error de
predicción estandarizado propuesto por Grigoletto (1998). En este trabajo se expresa
dicho error estandarizado como el cociente entre la suma dos variables aleatorias y otra
variable aleatoria, que denotamos por A+B y C, respectivamente. La idea consiste en
obtener replicas bootstrap de forma separada (debido a la independencia entre las
variables) de A y del vector aleatorio (B,C). La distribución bootstrap del error de
predicción en el punto x se aproxima por una media de las evaluaciones de la
distribución empírica de la variable A en xC j − B j , donde (B , C )
j j es una réplica

bootstrap de (B,C). Grigoletto (1998) muestra un estudio de simulación donde pone de

manifiesto la mejora de este método bootstrap en la aproximación de las colas de la
distribución. Sin embargo, no realiza ninguna comparación con los métodos expuestos
anteriormente.
 Finalmente, cabe destacar que Pascual, Romo y Ruiz (1998) han propuesto un
método que capta el error de predicción debido a la incertidumbre en la estimación pero
que no es necesaria realizar una representación backward de la serie. El esquema de
remuestreo para un modelo AR(p) se describe bajo las siguientes etapas:
1. Obtener los residuos forward centrados y reescalados para construir la
función de distribución empírica.
2. Extraer una muestra aleatoria, ai* ,a partir de dicha distribución.

3. Generar una serie con la misma estructura AR(p) utilizando los errores
bootstrap y estimar los parámteros bootstrap de esta serie.
4. Construir los valores bootstrap futuros utilizando como errores una muestra
obtenida como en la etapa 2 y las estimaciones bootstrap de los parámetros.
En esta etapa se fijan los últimos p valores de la serie original para construir
los valores bootstrap futuros.
5. Repetir las etapas anteriores un número elevado de veces para aproximar la
distribución bootstrap del valor YT*+ s .
Los autores demuestran la consistencia de este método bootstrap no sólo para
modelos AR sino que extienden estos resultados al caso general de un proceso ARIMA.

4. Métodos bootstrap en procesos ARCH

Los modelos tratados en la sección anterior se fundamentan en la hipótesis de
homocedasticidad. Sin embargo, cuando analizamos series financieras dicha hipótesis
ha sido rechazada y se han planteado modelos de heterocedasicidad condicionalmente
autoregresiva. Entre éstos los más utilizados han sido los modelos ARCH y sus
generalizaciones [véase para una revisión Bollerslev, Chou y Kroner (1992) y Bera y
Higgins (1993)]. Estos modelos se formulan para especificar una cierta estructura
temporal a la varianza condicional. Por lo tanto, los métodos bootstrap deben ser
capaces de reproducir no sólo la especificación de la media sino también de la varianza
condicional.
Miguel y Olave (1999a) han demostrado la validez asintótica de un método
bootstrap cuando analizamos una serie que sigue un proceso ARMA(p,q) y cuyos
errores vienen dados según un modelo ARCH(r):
 p q
y t = ∑ φi y t − i + ∑ ϑi ξt −i + ξt
i =1 i =1
r
ξt = z t σt con σt2 = ω + ∑ αiξt2− i
i =1

z t ~ i.i.d. F (0,1)
El método bootstrap planteado es similar al de Cao et al. (1997) pero teniendo en
cuenta el problema añadido de la heterocedasticidad. El algoritmo propuesto se puede
resumir en las siguientes etapas:
1. Obtener los residuos estandarizados del modelo:
ξˆ j 1 j − 1 ˆ  p

σˆj σ
= ∑
zˆj = β
ˆ j i =0 
i y j− i − ∑ φˆ n y j − i− n 

n =1
ˆ
donde los coeficientes β se obtienen de la siguiente forma
k
−1
∞  q

∑= βk z =  1+ k
∑ ϑi z 
i


k 0 i =1

2. Extraer una muestra aleatoria, {z T* + j } j =1 , a partir de la distribución empírica

s

de los residuos estandarizados y centrados.

3. Construir los valores bootstrap futuros tanto de la media condicional como
de la varianza condicional.
p q
yT∗ + j = ∑ φˆi yT∗ + j− i + ∑ ϑˆi zT∗ + j− iσT∗+ j −i + zT∗ + jσT∗ + j
i =1 i =1
r
ˆ + ∑ αˆ i z T∗ 2+ j − i σT∗2+ j − i
σT∗ 2+ j = ω con j = 1,2,K , s
i =1

donde yT∗ + j = y T + j , z T∗ + j = zˆ T + j si j ≤ 0 y σT∗2+ j = σˆ T2 + j si j ≤ 1

4. Repetir las etapas 2-3 un número elevado de veces para aproximar la

distribución bootstrap del valor YT*+ s .

El intervalo de predicción se calcula utilizando el método percentil, es decir,

considerando los cuantiles muestrales correspondientes al nivel de confianza nominal
determinado. Para la obtención de los residuos estandarizados se utiliza el método de
estimación de máxima cuasiverosimilitud, por lo que nos libera de imponer hipótesis
paramétricas sobre la distribución del error condicional a un paso.
Este método ha sido extendido al caso en que la varianza condicional sea
especificada como un modelo GARCH(1,1), es decir, cuando la especificación de la
varianza condicional viene dada por:
 σt2 = ω + αξt2−1 + βσt2−1

Miguel y Olave (1999b) realizaron un estudio de simulación donde se

comprobó que los intervalos bootstrap de predicción eran competitivos incluso bajo las
hipótesis para las que los intervalos clásicos paramétricos funcionaban. Por supuesto,
cuando la distribución del error estandarizado tenía una distribución asimétrica o
leptocúrtica, los intervalos bootstrap mostraban un mejor comportamiento, tanto en la
similitud entre la cobertura real con la cobertura nominal como en la amplitud de los
intervalos. El método es similar al anterior con la única diferencia en la construcción de
los valores futuros
3. Construir los valores bootstrap futuros tanto de la media condicional como de
la varianza condicional.
p q
= ∑ φˆi yT∗ + j − i + ∑ ϑˆi z T∗ + j −i σT∗ + j −i + z T∗ + j σT∗ + j
∗
y T+ j
i =1 i =1

σT∗ 2+ j = ω
ˆ + αˆzT∗ 2+ j −1σT∗ 2+ j −1 + βˆσT∗ 2+ j −1 con j = 1,2, K, s
donde yT∗ + j = yT + j , z T∗ + j = zˆT + j si j ≤ 0 y σT∗2+ j = σˆ T2 + j si j ≤ 1

Finalmente, si nuestro interés en el estudio de series financieras es el análisis de

relaciones rentabilidad-riesgo tendremos que utilizar modelos ARCH-M, es decir,
introducir la varianza condicional como una variable regresora en la media. Esto
implica la necesidad de plantear un nuevo método bootstrap que pueda replicar esta
nueva estructura temporal de dependencia. Además, en este contexto, el error de
predicción a más de un paso tiene una distribución asimétrica y con exceso de curtosis,
como puede verse en Miguel y Olave (2000). Por lo tanto, los intervalos clásicos de
predicción no son válidos y aún tendrá más interés plantear una solución bajo el
enfoque de la metodología bootstrap.
El método boostrap propuesto trata de generalizar el anterior y se describe en las
siguientes etapas:
1. Obtener los residuos estandarizados
εˆt 1 t −1
 p

zˆ t = =
σˆ t σˆ t
∑ ϕ
ˆ  y
i  t −i − µ
ˆ − δˆσˆ t −i − ∑ φˆ j y t −i − j 
i= 0  j =1 
−1
∞
 q

donde ∑ ϕi x =  1 + ∑θi x i 
i
con σˆ t2 = ω
ˆ +α
ˆ εˆt2−1 + βˆσˆ t2−1
i= 0  i =1 
 2. Extraer una muestra aleatoria, {z T* + j } j =1 , a partir de la distribución empírica
s

de los residuos estandarizados y centrados.

3. Construir los valores bootstrap futuros tanto de la media como de la varianza
condicional:
p q
ˆ + δˆσT∗ 2+ s + ∑ φˆi yT∗ + s − i + ∑ θˆi εT∗ + s −i + εT∗ + s
yT∗ + s = µ
i =1 i =1

ε∗
T +s =z ∗
T+s σ
∗
T +s con σ ∗2
T +s =ω ( )
ˆ + αˆzT∗ 2+ s −1 + βˆ σT∗ 2+ s −1
donde yT∗ + s-j = yT + s − j ,z T∗ + s − j = zˆ T + s − j si j ≥ s y ó T∗ 2+ s-j = óˆT2 + s − j si j ≥ s-1

4. Repetir las etapas 2-3 un número elevado de veces para aproximar la

distribución bootstrap del valor futuro YT*+ s .

El intervalo de predicción se construye con los cuantiles empíricos de la

distribución anterior. Los estudios de simulación realizados muestran que las
coberturas reales son similares a las nominales y que las amplitudes no difieren a las
obtenidas por métodos paramétricos más sofisticados en condiciones donde estos
últimos pueden ser calculados. Sin embargo, es necesario un análisis más detallado
cuando los errores del modelo presenten exceso de curtosis o asimetría. La consistencia
del método se basa en la obtención de estimadores consistentes de los parámetros del
modelo ARCH-M.

5. Estudio empírico
En esta sección se aborda el estudio del exceso de rentabilidad del índice Ibex35
con respecto a las Letras del Tesoro. Los datos son diarios y corresponden desde el 14
de Enero de 1992 hasta 30 de Diciembre de 1998 (1751 observaciones). Nuestro
objetivo es comparar los métodos bootstrap y paramétrico de construcción de intervalos
de predicción.
El estudio se realiza en tres subperiodos diferentes. El primero de ellos
comprende desde el 14 de Enero de 1992 hasta el 30 de Junio de 1993. El segundo
corresponde del 3 de Enero de 1994 hasta el 28 de Junio de 1996 y, por último, desde el
2 de Enero de 1997 hasta el 29 de Junio de 1998. Dichos periodos se han realizado
teniendo en cuenta el comportamiento del índice IBEX 35 (Figura 1). Los dos primeros
son bastante estables mientras que el último corresponde a una época de descenso de la
tasa de interés por parte del Banco de España, lo que provocó una gran entrada de
nuevos inversores el mercado de capitales. En los tres periodos se han identificado los
modelos para la rentabilidad y para la volatilidad de la serie, utilizando las funciones de
autocorrelación y de autocorrelación parcial. Además, se han utilizado los criterios de
información de Akaike y de Schwarz para seleccionar los modelos. Los dos primeros
periodos se ha especificado como procesos MA(1)-GARCH(1,1) mientras que en el
tercero se ha encontrado una relación significativa entre la rentabilidad media y el
riesgo existente en el mercado, es decir, hemos seleccionado un modelo MA(1)-
GARCH(1,1)-M. El modelo general propuesto es el siguiente:
y t = δσt2 + θεt −1 + εt
(
εt I t −1 ~ N 0, σt2 )
σt2 = ω + αεt2−1 + βσt2−1

donde I t −1 es el conjunto de información disponible hasta el instante t-1. Las

estimaciones se presentan en la Tabla 1.
El objetivo de esta sección es comparar los intervalos de predicción paramétricos
frente a los construidos bajo los métodos bootstrap. Para ello, la muestra es cambiada en
cada paso añadiendo una observación nueva y eliminando la primera. De esta forma el
tamaño muestral permanece invariable pero tenemos la ventaja de obtener un conjunto
de intervalos de predicción a un horizonte fijo, que nos permite calcular la cobertura
media real, la longitud media con su desviación típica, su error cuadrático medio (EMS)
y su error absoluto medio (EAM).
La muestra i-ésima es ( yi , yi +1 ,K , yT + i −1 ) , con esas observaciones se obtiene la
predicción a s pasos: yˆ T + i + s −1 , y el intervalo de predicción a un nivel de confianza

fijado: (Linf (i ), Lsup (i )) , por lo tanto, se obtiene el error de predicción es , i , la cobertura

C(i ) y la longitud del intervalo L(i ) . Dada esa información calculamos las siguientes
medidas:

L=
1 M
∑ L (i ) S2L =
1 M
∑ (L(i) − L )2
M i= 1 M − 1 i =1
1 M
C= ∑ C(i )
M i =1

ECM =
1 M
∑ (es ,i − es )2
M i =1
1 M
EAM = ∑ es ,i − es
M i =1
 El estudio se realiza para los tres subperiodos en que ha sido dividida la serie y
el número de muestras, M, es 100. El horizonte de predicción comprende desde el valor
1 al 20 y el nivel de confianza para los intervalos es del 95%. Para el método bootstrap,
el número de réplicas, B, es igual a 1000; y para el método paramétrico se supone la
hipótesis de normalidad para los errores a un paso. Dicha hipótesis se satisface para el
primer subperiodo de estudio pero es rechazada en los otros dos periodos.
El método paramétrico utilizado se basa en la corrección de los cuantiles de la
distribución del error de predicción estandarizado mediante desarrollos de Cornish-
Fisher, utilizando los primeros momentos condicionales de dicho error. Dichos
desarrollos han sido propuestos por Baillie y Bollerslev (1992) para modelos ARMA-
GARCH(1,1) y generalizados por Miguel y Olave (2000) para modelos en media, es
decir, para modelos en los que la varianza condicional es determinante en la valoración
de la rentabilidad.
Los resultados del análisis se muestran en las Tablas 2, 3 y 4 para los tres
periodos considerados. Cabe destacar que la metodología paramétrica en el primer
periodo tiene un mejor comportamiento ya que la hipótesis de normalidad es satisfecha
por los datos. Sin embargo, los intervalos bootstrap no difieren sustancialmente de los
paramétricos, teniendo coberturas similares y aunque la longitud media es superior
tienen menos variabilidad. Por otro lado, el ECM y el EAM son prácticamente iguales.
En el segundo periodo, los intervalos bootstrap tienen longitudes medias
menores y con varianzas más pequeñas, aunque las coberturas son similares entre
ambos métodos y superiores al nivel nominal. En cuanto, al ECM y al EAM son casi
idénticos para ambos métodos. Podemos señalar que este periodo corresponde a una
época de estabilidad económica que se ve reflejado por una varianza condicional no
altamente persistente.
Por último, el tercer periodo se caracteriza por una relación rentabilidad-riesgo
importante, con un coeficiente de aversión al riesgo global significativo de 0.12. Las
coberturas reales son similares para ambos métodos pero los intervalos bootstrap
presentan menor longitud y con menor variabilidad. El ECM y el EAM son mejores
para el método bootstrap que para el paramétrico. Podemos observar que las coberturas
reales disminuyen con respecto a las nominales cuando el horizonte es mayor. Esto se
explica porque en un modelo GARCH-M, la predicción depende de la volatilidad futura
y ésta tiende a la varianza incondicional que es menor que la varianza condicional, por
lo tanto, estamos infravalorando la incertidumbre cuando el horizonte de predicción es
lejano. De hecho, los modelos ARCH y sus generalizaciones son usados para la
predicción a corto plazo que es donde presentan mayor capacidad predictiva.

Agradecimientos
Este trabajo ha sido financiado por el proyecto P060-99E del Dpto. de
Educación y Cultura del Gobierno de Aragón

Bibliografía
Baillie, R.T. y T. Bollerslev (1992). Prediction in dynamic models with time-dependent
conditional variances. Journal of Econometrics, 52. 91-113.
Bera, A.K. y M.L. Higgins (1993). ARCH models: properties, estimation and testing.
Journal of Economic Surveys, 7. 305-362.
Bollerslev, T., R.Y. Chou y K.F. Kroner (1992). ARCH modelling in finance: a review
of the theory and empirical evidence. Journal of Econometrics, 52. 5-59.
Cao, R., M. Febrero-Bande, W. González-Manteiga, J.M. Prada-Sánchez y I. García-
Jurado (1997). Saving computer time in constructing consistent bootstrap
prediction intervals for autoregressive processes. Communications in Statistics-
Simulation and Computation, 26. 961-978.
Cao, R. (1999). An overview of bootstrap methods for estimating and predicting in time
series. Test, 8. 95-116.
Efron, B. (1979). Bootstrap methods: another look at the jackknife. Annals of Statistics,
7. 1-26.
Freedman, D.A. (1984). On bootstrapping two-stage least squares estimates in
stationary linear models. Annals of Statistics, 12. 827-842.
García-Jurado, I., W. González-Manteiga, J.M. Prada-Sánchez, M. Febrero-Bande y R.
Cao (1995). Predicting using Box-Jenkins, nonparametric and bootstrap
techniques. Technometrics, 37. 303-310.
Grigoletto, M. (1998). Bootstrap prediction intervals for autoregressions: some
alternatives. International Journal of Forecasting, 14. 447-456.
Li, H. y G.S. Maddala (1996). Bootstrapping Time Series Models. Econometric
Reviews, 15. 115-158.
McCullough, B.D. (1994). Bootstrapping forecast intervals: An application to AR(p)
models. Journal of Forecasting, 13. 51-66.
Miguel, J. y P. Olave (1999a). Bootstrapping forecast intervals in ARCH models. Test,
8. 345-364.
Miguel, J. y P. Olave (1999b). Forecast intervals in ARCH models: Bootstrap versus
parametric methods. Applied Economics Letters, 6. 323-327.
Miguel, J. y P. Olave (2000). Prediction in ARCH-M models: a theoretical view.
Preprint.
Pascual, L., J. Romo y E. Ruiz (1998). Bootstrap predictive inference for ARIMA
processes. Working-Paper 98-86. Universidad Carlos III de Madrid.
Stine, R.A. (1987). Estimating properties of autoregressive forecasts. Journal of the
American Statistical Association, 82. 1072-1078.
Thombs, L.A. y W.R. Schucany (1990). Bootstrap prediction intervals for
autoregression. Journal of the American Statistical Association, 85. 486-492.
 Figura 1: Índice IBEX35. (14/Enero/1992 al 30/Diciembre/1998)

12000 PERIODO 3
PERIODO 2
PERIODO 1
10000

8000
PRECIO DE CIERRE

6000

4000

2000
14/1/92 3/1/94 2/1/97
0 30/6/93 28/6/96 25/6/98

FECHA

Figura 2: Serie del exceso de rentabilidad del índice IBEX 35.

8 PERIODO 3
PERIODO 2
6 PERIODO 1

-2

-4

-6
PRIMA

-8
14/1/92 3/1/94 2/1/97
-10 30/6/93 28/6/96 25/6/98

FECHA
Tabla 1. Estimación de los modelos propuestos para cada periodo.

Periodo δ θ ω α β Q12 Q12* JB

1º - 0.151 0.087 0.098 0.827 8.531 4.314 1.313

(0.064) (0.047) (0.042) (0.078) (0.74) (0.95) (0.52)

2º - 0.108 0.075 0.073 0.751 12.49 3.625 207.6

(0.044) (0.042) (0.032) (0.069) (0.41) (0.98) (0.0)

3º 0.121 0.109 0.193 0.098 0.796 8.957 18.27 106.2

(0.043) (0.061) (0.119) (0.034) (0.085) (0.70) (0.11) (0.0)
Nota: Entre paréntesis se muestran los errores estándar de las estimaciones.
Q12 y Q12* son los contrastes de Box-Ljung de orden 12 para los residuos
estandarizados y sus cuadrados. JB es el contraste de Jarque-Bera. Además, entre
paréntesis se muestra su significatividad.

Tabla 2. Periodo 1. Tamaño muestral=371. (15/1/92 al 30/6/93)

Horizonte Cob. Lon. Media Lon. ECM EAM
Varianza
1 Par 0.95 3.699 0.2303 0.7722 0.6996
Boot 0.94 3.629 0.2085 0.7712 0.7001
2 Par 0.95 3.769 0.2025 0.8202 0.7214
Boot 0.96 4.155 0.2433 0.8214 0.7192
3 Par 0.95 3.806 0.1745 0.8264 0.7290
Boot 0.96 4.005 0.1847 0.8259 0.7308
4 Par 0.95 3.839 0.1507 0.8269 0.7331
Boot 0.96 4.183 0.1647 0.8260 0.7307
5 Par 0.96 3.869 0.1305 0.8324 0.7351
Boot 0.94 3.953 0.1305 0.8315 0.7374
10 Par 0.95 3.985 0.0654 0.8910 0.7731
Boot 0.95 3.988 0.0697 0.8902 0.7826
15 Par 0.96 4.061 0.0342 0.9100 0.7782
Boot 0.97 4.268 0.0384 0.9100 0.7886
20 Par 0.97 4.111 0.0188 0.9022 0.7774
Boot 0.97 4.082 0.0115 0.9020 0.7863
Tabla 3. Periodo 2. Tamaño muestral=627. (3/1/94 al 28/6/96)
Horizonte Cob. Lon. Media Lon. ECM EAM
Varianza
1 Par 1.00 3.398 0.1010 0.5415 0.5917
Boot 0.97 3.216 0.0867 0.5413 0.5932
2 Par 0.99 3.450 0.0881 0.5560 0.6057
Boot 0.97 3.332 0.0747 0.5557 0.6068
3 Par 0.98 3.487 0.0767 0.5609 0.6097
Boot 0.99 3.502 0.0711 0.5605 0.6120
4 Par 0.99 3.520 0.0669 0.5406 0.5985
Boot 0.99 3.787 0.0695 0.5401 0.6017
5 Par 0.99 3.551 0.0585 0.5463 0.6052
Boot 0.99 3.533 0.0542 0.5454 0.6135
10 Par 0.98 3.669 0.0310 0.5452 0.6109
Boot 0.99 3.722 0.0239 0.5445 0.6228
15 Par 0.99 3.747 0.0173 0.5178 0.5954
Boot 0.99 3.886 0.0174 0.5176 0.5996
20 Par 0.97 3.799 0.0102 0.5550 0.6095
Boot 0.96 3.905 0.0073 0.5546 0.6171

Tabla 4. Periodo 3.Tamaño muestral=368. (2/1/97 al 29/6/98)

Horizonte Cob. Lon. Media Lon. ECM EAM
Varianza
1 Par 0.95 8.427 11.1281 6.5167 1.9439
Boot 0.94 7.898 8.8416 6.4746 1.9519
2 Par 0.93 8.423 10.8277 6.3458 1.9328
Boot 0.93 8.282 9.7569 6.3049 1.9299
3 Par 0.93 8.370 10.3755 6.3651 1.9321
Boot 0.92 8.126 8.8755 6.3339 1.9190
4 Par 0.92 8.317 9.9626 6.4247 1.9336
Boot 0.91 7.873 7.8463 6.4069 1.9326
5 Par 0.91 8.265 9.5841 6.4232 1.9374
Boot 0.91 8.076 8.1822 6.3894 1.9488
10 Par 0.88 8.023 8.0825 6.4251 1.9376
Boot 0.88 7.331 5.3634 6.3955 1.9372
15 Par 0.87 7.812 7.0226 6.5010 1.9908
Boot 0.85 7.467 5.0431 6.4881 1.9801
20 Par 0.86 7.631 6.2265 6.5985 1.9944
Boot 0.86 7.426 3.8957 6.5805 1.9891
Figura 3: Intervalos de predicción para el segundo subperiodo.

PREDICCIÓN A UN PASO
Interv. Bootstrap
2.50 Interv. Paramétrico

2.00

1.50

1.00

0.50

0.00

-0.50

-1.00

-1.50

-2.00

-2.50
3/6/96

5/8/96
24/6/96

15/7/96

27/8/96

17/9/96

8/10/96

29/10/96

20/11/96

12/12/96
PREDICCIÓN A DOS PASOS

Interv. Bootstrap
2.50
Interv. Paramétrico
2.00

1.50

1.00

0.50

0.00

-0.50

-1.00

-1.50

-2.00

-2.50
3/6/96

5/8/96
24/6/96

15/7/96

27/8/96

17/9/96

8/10/96

29/10/96

20/11/96

12/12/96
Figura 4: Intervalos de predicción para el tercer subperiodo.

PREDICCIÓN A UN PASO

Interv. Bootstrap
10.00
Interv. Paramétrico

8.00

6.00

4.00

2.00

0.00

-2.00

-4.00

-6.00

-8.00

-10.00
2/6/98

4/8/98
23/6/98

14/7/98

25/8/98

15/9/98

6/10/98

28/10/98

18/11/98

10/12/98
PREDICCIÓN A DOS PASOS

Interv. Bootstrap
10.00
Interv. Paramétrico

8.00

6.00

4.00

2.00

0.00

-2.00

-4.00

-6.00

-8.00
3/6/98

5/8/98
24/6/98

15/7/98

26/8/98

16/9/98

7/10/98

29/10/98

19/11/98

11/12/98