Modeling Stock Returns and Volatility Using Bivariate Gamma Generalized Laplace Law

A continuación se presenta un resumen técnico detallado del artículo "Modeling Stock Returns and Volatility Using Bivariate Gamma Generalized Laplace Law" de Kozubowski, Sarantsev y Spiker.

1. Planteamiento del Problema

El artículo aborda dos desafíos principales en la modelización financiera y la inferencia estadística:

1. Limitaciones de los Modelos Univariados: Si bien la distribución Laplace Generalizada Asimétrica (GAL) (también conocida como distribución Variance-Gamma) se utiliza ampliamente para modelar los rendimientos de los activos debido a su capacidad para capturar colas pesadas y asimetría, generalmente se estudia en un contexto univariado. En este contexto, la variable gamma de mezcla (que representa la volatilidad estocástica o el tiempo de negocio) no se observa, lo que hace que la Estimación de Máxima Verosimilitud (MLE) sea compleja y computacionalmente intensiva.
2. Manejo de la Volatilidad Observada: En muchos contextos financieros, los índices de volatilidad (como el VIX) se observan junto con los rendimientos de los activos. Los modelos estándar de volatilidad estocástica a menudo tratan la volatilidad como una variable latente (oculta), lo que requiere técnicas de filtrado complejas (por ejemplo, Modelos Ocultos de Markov). Los autores buscan un marco donde tanto el rendimiento como el proxy de volatilidad se modelen conjuntamente como variables aleatorias observables.

2. Metodología: El Modelo BGGL

Los autores introducen la distribución Gamma-Generalizada Laplace Bivariada (BGGL). Esta es una extensión bivariada del modelo GAL estándar donde la variable gamma de mezcla se observa.

• Representación Estocástica: Sea $Z \sim N(0,1)$ y $X \sim \text{GAM}(\alpha, \beta)$ independientes. El vector aleatorio $(X, Y)$ se define como:
  $$Y = \delta + \mu X + \sigma \sqrt{X} Z$$
  Aquí, $X$ representa el proxy de volatilidad observado (o tiempo de negocio), y $Y$ representa el rendimiento del activo.
• Densidad Conjunta: Se deriva explícitamente la función de densidad de probabilidad (PDF) conjunta de $(X, Y)$. Se demuestra que la distribución condicional $Y|X$ es Gaussiana, mientras que la distribución marginal de $X$ es Gamma, y la marginal de $Y$ es GAL.
• Estructura de la Familia Exponencial: Los autores demuestran que la familia BGGL es una familia exponencial curva. Aunque tiene 5 parámetros ($\alpha, \beta, \delta, \mu, \sigma$), sus estadísticas suficientes abarcan un espacio de 6 dimensiones. Esta estructura no estándar es crucial para comprender el comportamiento de los estimadores.
• Información de Fisher: El artículo deriva la Matriz de Información de Fisher (FIM). Un hallazgo clave es que para el parámetro de forma $\alpha \le 1$, la FIM se vuelve singular (infinita) para ciertos parámetros (específicamente relacionados con $\delta$), lo que indica un comportamiento asintótico no estándar.

3. Contribuciones Clave

El artículo realiza tres contribuciones principales teóricas y metodológicas:

1. Estimación de Máxima Verosimilitud (MLE) Simplificada:
   A diferencia del modelo GAL univariado, donde la MLE requiere una optimización numérica de una función de verosimilitud compleja, la formulación bivariada permite soluciones explícitas y de forma cerrada para los parámetros de ubicación ($\delta$), asimetría ($\mu$) y escala ($\sigma$).

   • Las MLE para $\delta$ y $\mu$ corresponden exactamente a los estimadores de Mínimos Cuadrados en un modelo de regresión lineal ponderado (específicamente, una regresión sin intercepto donde la varianza del error es proporcional a $X$).
   • Las MLE para los parámetros gamma ($\alpha, \beta$) se derivan de la distribución marginal de $X$ y están disponibles en forma cerrada (involucrando la función digamma).

2. Teoría Asintótica No Estándar:
   Los autores establecen que las tasas de convergencia de las MLE dependen críticamente del parámetro de forma $\alpha$ de la distribución gamma de mezcla:

   • Caso $\alpha > 1$: Los estimadores son asintóticamente normales con la tasa de convergencia estándar $\sqrt{n}$.
   • Caso $\alpha = 1$: El estimador $\hat{\delta}$ converge a una tasa de $\sqrt{n \ln n}$, y la distribución límite sigue siendo Gaussiana pero con una estructura de varianza diferente.
   • Caso $\alpha < 1$: La tasa de convergencia para $\hat{\delta}$ se acelera a $n^{1/(2\alpha)}$ (más rápida que $\sqrt{n}$). Crucialmente, la distribución límite es no Gaussiana, involucrando un subordinador estable ($\xi_\alpha$). Este es un fenómeno raro donde la MLE converge más rápido que la tasa estándar pero pierde la normalidad.

3. Marco de Aplicación Financiera:
   El artículo propone una forma novedosa de modelar conjuntamente los rendimientos y la volatilidad de las acciones. En lugar de tratar la volatilidad como un estado latente, transforman el índice de volatilidad observado (VIX) en una variable distribuida Gamma $X$ y modelan directamente el par $(X, Y)$. Esto evita la necesidad de modelos de Markov ocultos.

4. Resultados Clave

• Propiedades de los Estimadores:

  • Los estimadores $\hat{\delta}_n$ y $\hat{\mu}_n$ son insesgados.
  • Para $\alpha > 1$, la distribución conjunta de los estimadores es asintóticamente multivariada normal con una matriz de covarianza bloque-diagonal, lo que implica independencia asintótica entre los parámetros gamma y los parámetros de regresión.
  • Para $\alpha \le 1$, los estimadores $\hat{\delta}_n$ y $\hat{\mu}_n$ se vuelven asintóticamente independientes, una propiedad no presente en el caso $\alpha > 1$.

• Estudio de Simulación:
  Las simulaciones con tamaños de muestra $n=50$ y $n=500$ confirman los hallazgos teóricos.

  • Para $\alpha = 1$ y $\alpha = 0.25$, el Error Cuadrático Medio (RMSE) para $\delta$ es muy bajo, consistente con las tasas de convergencia más rápidas.
  • Para $\alpha = 2$ y $\alpha = 5$, el RMSE para $\delta$ aumenta, reflejando la tasa de convergencia más lenta $\sqrt{n}$ y la influencia de las colas pesadas en la distribución de mezcla.

• Aplicación Empírica:
  El modelo se aplicó a datos semanales (2019–2024) de tres índices principales de EE. UU.: S&P 500, DJIA y NASDAQ 100, emparejados con sus respectivos índices de volatilidad (VIX, VXD, VXN).

  • Resultados: El modelo BGGL proporcionó un ajuste satisfactorio para los tres índices.
  • Diagnósticos: Los gráficos de cuantiles-cuantiles (QQ) mostraron que los residuos (extraídos de la regresión) fueron bien aproximados por una distribución normal estándar, y la variable de volatilidad transformada $X$ se ajustó bien a la distribución Gamma.
  • Interpretación: Los autores interpretan la variable $X$ como volatilidad "inesperada" o "sorprendente" (la desviación de la volatilidad actual respecto a la expectativa autorregresiva), lo que permite al modelo capturar la dinámica conjunta de los rendimientos y los choques de volatilidad utilizando supuestos de IID en lugar de dependencias complejas de series temporales.

5. Significado

• Eficiencia Computacional: Al observar la variable de mezcla, el artículo transforma un problema de optimización no lineal difícil en un problema de regresión lineal simple, haciendo que la estimación de parámetros sea significativamente más manejable.
• Perspectiva Teórica: El descubrimiento de tasas de convergencia ultra rápidas ($n^{1/(2\alpha)}$) acopladas con límites no Gaussianos para $\alpha < 1$ añade un nuevo caso significativo a la literatura sobre comportamiento asintótico no estándar en MLE.
• Modelado Financiero Práctico: El enfoque ofrece una alternativa parsimoniosa a los complejos modelos de Volatilidad Estocástica (SV) y GARCH. Al tratar la volatilidad como una entrada observable en lugar de un estado latente, simplifica la modelización de la distribución conjunta de rendimientos y volatilidad, lo cual es esencial para la gestión de riesgos y la fijación de precios de derivados.

En conclusión, el artículo cierra con éxito la brecha entre la probabilidad teórica (mezclas bivariadas, leyes estables) y la econometría financiera práctica, ofreciendo un modelo robusto y analíticamente manejable para los rendimientos de activos impulsados por la volatilidad observada.