Consistent Variable Selection for GARCH-X Models

A continuación se presenta un resumen técnico detallado del artículo "Selección consistente de variables para modelos GARCH-X" de Adriano Zanin Zambom y Beck Saunders.

1. Planteamiento del Problema

El modelado de la volatilidad financiera a menudo se basa en modelos GARCH (Heterocedasticidad Condicional Autoregresiva Generalizada). Aunque los modelos GARCH estándar capturan la dinámica endógena de la volatilidad (shocks pasados y volatilidad pasada), la evidencia empírica sugiere que factores externos (exógenos) —tales como indicadores macroeconómicos, intensidad de noticias o precios de materias primas— influyen significativamente en la volatilidad.

El modelo GARCH-X extiende el marco estándar para incluir estas covariables exógenas. Sin embargo, surge un desafío crítico cuando el número de covariables potenciales es grande:

• Dificultad en la Selección del Modelo: Los métodos existentes se centran principalmente en seleccionar el orden del modelo (por ejemplo, determinar $p$ y $q$ en GARCH($p,q$)) en lugar de seleccionar variables exógenas específicas.
• Carga Computacional: Probar exhaustivamente todas las combinaciones de covariables utilizando criterios penalizados (como BIC o AIC) es computacionalmente prohibitivo cuando el número de covariables es moderado a grande.
• Falta de Garantías Teóricas: No existía un procedimiento establecido con resultados de consistencia teórica específicamente para la selección de covariables exógenas en modelos de volatilidad. El objetivo es identificar el "verdadero" subconjunto de covariables relevantes que impulsan la volatilidad, excluyendo las irrelevantes.

2. Metodología

Los autores proponen un procedimiento consistente de selección de variables basado en un marco de prueba de hipótesis múltiple combinado con el control de la Tasa de Falsos Descubrimientos (FDR, por sus siglas en inglés).

A. El Marco del Modelo

El artículo utiliza el modelo GARCH($p,q$)-X:
$$\epsilon_t = \sigma_t w_t$$
$$\sigma_t^2(\theta) = \omega + \sum_{i=1}^p \alpha_i \epsilon_{t-i}^2 + \sum_{j=1}^q \beta_j \sigma_{t-j}^2 + \gamma^T X_{t-1}$$
Donde $X_{t-1}$ es un vector de $d$ covariables exógenas, y $\gamma = (\gamma_1, \dots, \gamma_d)'$ representa los coeficientes a probar. El objetivo es recuperar el conjunto de índices verdadero $I_0 = \{k : \gamma_k \neq 0\}$.

B. Prueba de Hipótesis

Para cada covariable $k$, los autores formulan una prueba de hipótesis unilateral:

• $H_0^k: \gamma_k = 0$ (La covariable es irrelevante)
• $H_1^k: \gamma_k > 0$ (La covariable es relevante)

Utilizan el Estimador de Máxima Verosimilitud Cuasi (QMLE) $\hat{\theta}_n$. Bajo condiciones de regularidad (establecidas en Francq y Thieu, 2019), el estimador es consistente y asintóticamente normal (proyectado sobre el espacio de parámetros debido a las restricciones de no negatividad).

La estadística de prueba para cada covariable es una estadística tipo Wald:
$$t_n(k) = \frac{\sqrt{n} e_k^T \hat{\theta}_n}{\sqrt{e_k^T \hat{\Sigma}_n e_k}}$$
Donde $\hat{\Sigma}_n$ es la matriz de covarianza asintótica estimada. Debido a la restricción de positividad en los parámetros, la estadística al cuadrado $t_n^2(k)$ sigue una distribución chi-bar-cuadrado (una mezcla de una masa puntual en 0 y una distribución $\chi^2_1$).

C. Selección de Variables mediante Control FDR

En lugar de utilizar un nivel de significancia fijo (lo que conduce a altos errores Tipo I en pruebas múltiples), los autores aplican el procedimiento de Benjamini–Yekutieli (2001) para controlar la Tasa de Falsos Descubrimientos (FDR).

1. Calcular los valores p $\pi_k$ para las $d$ covariables.
2. Ordenar los valores p: $\pi_{(1)} \leq \dots \leq \pi_{(d)}$.
3. Determinar el índice más grande $\ell$ tal que:
   $$\pi_{(k)} \leq \frac{k}{d} \frac{\alpha_n}{\sum_{l=1}^d l^{-1}}$$
4. Rechazar las hipótesis nulas para las primeras $\ell$ covariables. El conjunto seleccionado $\hat{I}$ consiste en los índices de estas hipótesis rechazadas.

D. Condiciones de Consistencia

Se ha demostrado que el método es consistente (es decir, $P(\hat{I} = I_0) \to 1$ cuando $n \to \infty$) bajo condiciones específicas:

• Condición (C1): Las varianzas asintóticas de los estimadores deben disminuir suficientemente rápido en relación con el tamaño de la muestra ($\sigma_{kk} < n/\log(n)$).
• Fuerza de la Señal: El nivel de significancia $\alpha_n$ debe decaer a 0 a una tasa específica ($\alpha_n = o(e^{-cn})$) a medida que aumenta el tamaño de la muestra, permitiendo que el método distinga señales verdaderas del ruido incluso si la fuerza de la señal disminuye ligeramente.

3. Contribuciones Clave

1. Consistencia Teórica: El artículo proporciona la primera prueba formal de que una regla de selección de variables basada en el control FDR es consistente para modelos GARCH-X, asegurando la recuperación asintótica del conjunto verdadero de covariables.
2. Manejo de Restricciones: La metodología cuenta explícitamente con las restricciones de no negatividad de los parámetros GARCH, utilizando la distribución chi-bar-cuadrado correcta para el cálculo de valores p en lugar de aproximaciones normales estándar.
3. Eficiencia Computacional: Al evitar la búsqueda exhaustiva sobre todos los subconjuntos y utilizar un procedimiento FDR ascendente, el método escala eficientemente con el número de covariables.
4. Robustez ante el Decaimiento de la Señal: El marco teórico permite una "fuerza de señal decreciente", lo que significa que el método funciona incluso si el tamaño del efecto de las covariables relevantes se vuelve más pequeño a medida que crece el tamaño de la muestra, siempre que el decaimiento no sea demasiado rápido.

4. Resultados

A. Simulaciones de Monte Carlo

Los autores realizaron simulaciones extensas en cuatro escenarios:

• Escenarios 1 y 2: GARCH(1,1)-X con covariables independientes y correlacionadas con decaimiento exponencial.
• Escenarios 3 y 4: GARCH(2,1)-X con covariables independientes y correlacionadas.
• Distribuciones: Los errores se generaron a partir de Normal, Student's $t$ (5 y 7 grados de libertad) para probar la robustez frente a colas pesadas.
• Tamaños de Muestra: $n = 500, 1000, 5000, 10000$.

Hallazgos Clave:

• Precisión: A medida que aumentó el tamaño de la muestra, el método identificó correctamente las covariables relevantes con una probabilidad que se acercaba a 1. Para $n=5000$ y $n=10000$, las tasas de selección para covariables verdaderas fueron cercanas al 100%, mientras que las tasas de selección falsa para covariables irrelevantes fueron insignificantes (< 5%).
• Robustez: El método funcionó bien bajo distribuciones de colas pesadas (Student's $t$), aunque la convergencia fue ligeramente más lenta en comparación con el caso Normal.
• Criterios de Selección de Modelos: Los modelos seleccionados por el método propuesto lograron consistentemente valores BIC y AIC más bajos (mejores) en comparación con el "modelo completo" (todas las covariables) y el "modelo nulo" (sin covariables) en tamaños de muestra grandes, demostrando una compensación óptima entre parsimonia y ajuste.

B. Aplicación a Datos Reales: Volatilidad del S&P 500

El método se aplicó a los rendimientos diarios del S&P 500 (enero de 2000 – mayo de 2025) utilizando 9 covariables exógenas (NASDAQ, Dow Jones, Petróleo Crudo, Gas Natural, Oro, Paladio, Arroz, Acero, Trigo).

• Resultados de Selección: A un nivel de significancia ajustado de 0.05, el procedimiento seleccionó NASDAQ y Petróleo Crudo como los únicos impulsores estadísticamente significativos. El Acero fue marginalmente significativo.
• Comparación de Modelos:
  • El Modelo Seleccionado (NASDAQ + Petróleo Crudo) tuvo un BIC de 141,721.2 y un AIC de 141,689.4.
  • El Modelo Completo (las 9 covariables) tuvo un BIC (141,792.3) y un AIC (141,715.9) más altos, indicando sobreajuste.
  • El Modelo Nulo (sin covariables) tuvo un rendimiento peor que el modelo seleccionado en términos de AIC, confirmando que los factores externos sí agregan poder explicativo.
• Conclusión: El modelo seleccionado proporcionó una explicación más parsimoniosa e interpretable de la volatilidad del S&P 500, capturando el sentimiento del mercado (NASDAQ) y los shocks de energía/inflación (Petróleo) sin complejidad innecesaria.

5. Significado

Este artículo cierra una brecha crítica en la econometría financiera al proporcionar una herramienta rigurosa, fundamentada teóricamente y computacionalmente viable para la selección de variables en el modelado de volatilidad.

• Utilidad Práctica: Permite a investigadores y profesionales identificar objetivamente qué indicadores macroeconómicos o financieros impulsan realmente la volatilidad del mercado, evitando el enfoque de "todo incluido" de incluir todos los datos disponibles.
• Avance Teórico: Extiende la aplicación del control FDR desde contextos de regresión hasta modelos de series temporales no lineales y heterocedásticos con restricciones de parámetros complejas.
• Gestión de Riesgos: Al identificar los verdaderos impulsores de la volatilidad, el método mejora la precisión de las herramientas de gestión de riesgos (por ejemplo, Valor en Riesgo) y los modelos de fijación de precios de activos, particularmente durante períodos de estrés del mercado donde los factores exógenos son más influyentes.