Stationary Density Estimation for ARCH Models with Applications in Quantile Regression
| dc.audience | Policymakers | eng |
| dc.audience | Researchers | eng |
| dc.audience | Teachers | eng |
| dc.audience | Students | eng |
| dc.coverage.sucursal | Bogotá | spa |
| dc.creator | Hernandez-Bejarano, Manuel Dario | |
| dc.creator | Zhao, Zhibiao | |
| dc.creator.firma | Manuel Dario Hernandez-Bejarano | spa |
| dc.creator.firma | Zhibiao Zhao | spa |
| dc.date.accessioned | 2026-11-20T14:43:42Z | spa |
| dc.date.available | 2026-11-20T14:43:42Z | spa |
| dc.date.created | 2026-11-20 | spa |
| dc.description | Este documento estudia una estimación de la densidad más eficiente para la densidad estacionaria de modelos heterocedásticos condicionales autorregresivos no paramétricos. Estos modelos son herramientas importantes para el análisis de series temporales, especialmente en aplicaciones económicas y financieras, donde el objetivo es modelar y comprender la volatilidad de los datos. Demostramos que, en presencia de una estructura de varianza no paramétrica desconocida, podemos establecer la tasa de convergencia √n del estimador de densidad propuesto, mejorando la tasa de convergencia del estimador de densidad kernel no paramétrico ampliamente utilizado, que es inferior. Un estudio numérico confirma los resultados. El estimador de densidad se aplica a los datos del índice S&P 500. Finalmente, presentamos una implementación práctica del estimador de densidad propuesto en el contexto de regresión cuantílica. Específicamente, proponemos construir una estimación más precisa de la varianza límite de los coeficientes estimados en un modelo de regresión de cuantiles con errores que siguen una estructura de heterocedasticidad condicional autorregresiva no paramétrica. Los estudios de simulación demuestran que el uso del nuevo estimador de densidad permite una estimación más precisa de la varianza asintótica que la obtenida con el estimador de densidad clásico. Para ilustrar la aplicación de esta metodología a la estimación de la varianza asintótica, aplicamos el enfoque propuesto a la inflación mensual de Estados Unidos. | spa |
| dc.description.abstract | This document studies a more efficient density estimation for the stationary density of nonparametric autoregressive conditional heteroscedastic models. These models are important tools in analyzing time series, specifically in economic and financial applications where the goal is to model and understand the volatility of the statistical data. We demonstrate that, in the presence of an unknown nonparametric variance structure, we can establish the √n convergence rate of the proposed density estimator, improving on the widely used nonparametric kernel density estimator, whose convergence rate is inferior. A numerical study confirms the results. The density estimator is applied to the S\&P 500 Index data. Finally, we showcase a practical implementation of the proposed density estimator in quantile regression. Specifically, we propose to construct a more accurate estimate of the limiting variance of the estimated coefficients in a quantile regression model with errors following a nonparametric autoregressive conditional heteroscedasticity structure. Simulation studies show that using the new density estimator leads to a more accurate estimation of the asymptotic variance compared to the results obtained by using the classical density estimator. To illustrate the application of this methodology in estimating the asymptotic variance, we apply it to the monthly inflation rate of the United States. | eng |
| dc.description.notes | Enfoque Este documento presenta un nuevo método estadístico más eficiente para la estimación de la densidad estacionaria de modelos heterocedásticos condicionales autorregresivos no paramétricos útil en datos relacionados con fenómenos económicos y financieros que presentan niveles de volatilidad cambiantes a lo largo del tiempo. Se demuestra que este método logra resultados más eficientes que una de las técnicas más utilizadas en la práctica, conocida como estimador kernel no paramétrico. Además, se realizan ejercicios numéricos que confirman su mejor desempeño. La metodología se aplica a datos del índice bursátil S&P 500 y también se utiliza en modelos de regresión por cuantiles, una herramienta empleada para analizar distintos comportamientos de una variable económica. En particular, el nuevo método permite estimar con mayor precisión la incertidumbre asociada a los resultados de estos modelos. Para ilustrar su utilidad, se aplica al análisis de la inflación mensual de Estados Unidos. Contribución La principal contribución del estudio es el desarrollo de un método que mejora la estimación de la distribución de los datos, en este caso se aplica en modelos económicos y financieros complejos. Frente a los métodos tradicionales, la propuesta ofrece varias ventajas. En primer lugar, logra una mayor eficiencia a medida que aumenta la cantidad de información disponible. En segundo lugar, produce estimaciones más estables y suaves, lo que facilita su uso en aplicaciones estadísticas y económicas. Finalmente, el estudio muestra cómo esta herramienta puede emplearse para obtener mediciones más precisas de la incertidumbre asociada a los parámetros estimados en modelos de regresión por cuantiles. Los ejercicios de simulación confirman que el método propuesto supera al estimador tradicional en términos de precisión. Resultados Los resultados muestran que el método propuesto es más eficiente en estimar la distribución de los datos que los enfoques tradicionales. Además, esta ventaja se incrementa a medida que se dispone de más observaciones. Los ejercicios numéricos y las simulaciones respaldan estos hallazgos y muestran que el nuevo método también permite calcular de manera más precisa la incertidumbre de los resultados obtenidos en modelos de regresión por cuantiles. Esto representa una mejora frente a los procedimientos estadísticos utilizados habitualmente en la literatura especializada. | spa |
| dc.format.extent | 41 páginas | spa |
| dc.format.mimetype | spa | |
| dc.identifier.handle | https://hdl.handle.net/20.500.12134/11466 | spa |
| dc.identifier.uri | https://repositorio.banrep.gov.co/handle/20.500.12134/11466 | spa |
| dc.language.iso | eng | eng |
| dc.publisher | Banco de la República | spa |
| dc.relation.doi | https://doi.org/10.32468/be.1376 | spa |
| dc.relation.handle | https://hdl.handle.net/20.500.12134/11466 | spa |
| dc.relation.info | https://repositorio.banrep.gov.co/sitios/1376 | spa |
| dc.relation.inves | https://investiga.banrep.gov.co/es/borradores/be-1376 | spa |
| dc.relation.ispartof | Documentos de Trabajo | spa |
| dc.relation.ispartofseries | Borradores de Economía | spa |
| dc.relation.isversionof | Borradores de Economía; No.1376 | spa |
| dc.relation.number | Borrador 1376 | spa |
| dc.relation.portal | https://www.banrep.gov.co/es/publicaciones-investigaciones/borradores-economia/estimacion-densidad-estacionaria-modelos | spa |
| dc.relation.repec | https://ideas.repec.org/p/bdr/borrec/1376.html | spa |
| dc.relation.shortdoi | https://doi.org/rz7k | spa |
| dc.rights.Habeas | Datos personales: El(los) autor(es) ha(n) incluido sus datos personales (nombres, correo electrónico, filiación académica, perfil académico, entre otros) en el Portal de Investigaciones o la obra remitida para publicación, y por consiguiente, manifiesta(n) que mediante el diligenciamiento y registro de sus datos personales autoriza(n) al Banco de la República el tratamiento (recolección, almacenamiento, uso, circulación o supresión) de todos los datos suministrados con la finalidad de adelantar la publicación de la obra en el Portal de Investigaciones, dar a conocer su perfil académico y medios de contacto para fines académicos y divulgativos, así como para la construcción de indicadores y estadísticas para el seguimiento y control de las actividades de divulgación del Portal de Investigaciones. Para tal fin, se informa que el tratamiento de los datos personales se realizará de acuerdo con las políticas o lineamientos generales disponibles en http://www.banrep.gov.co/proteccion-datos-personales, en la sección “Protección de Datos Personales - Habeas Data”. | spa |
| dc.rights.Objeto | Objeto de publicación: La obra de mí (nuestra) autoría tiene por objeto ser publicada en el Portal de Investigaciones del Banco de la República e incluirla en el repositorio institucional de esa misma entidad. La obra podrá consistir en documento escrito, audiovisual, audio, gráfico, fotográfico, infográfico, podcasts, etc., y podrá estar en cualquier formato conocido o por conocerse. | spa |
| dc.rights.accessRights | Open Access | eng |
| dc.rights.cc | Atribucion-NoComercial-CompartirIgual CC BY-NC-SA 4.0 | eng |
| dc.rights.disclaimer | Las opiniones contenidas en el presente documento son responsabilidad exclusiva de los autores y no comprometen al Banco de la República ni a su Junta Directiva. | spa |
| dc.rights.disclaimer | The opinions contained in this document are the sole responsibility of the author and do not commit Banco de la República or its Board of Directors. | eng |
| dc.rights.spa | Acceso abierto | spa |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-sa/4.0/ | eng |
| dc.source.handleRepec | RePEc:bdr:borrec:1376 | spa |
| dc.subject | Estimación de densidad | spa |
| dc.subject | Convergencia funcional | spa |
| dc.subject | Estimador de densidad kernel no paramétrico | spa |
| dc.subject | Regresión no paramétrica | spa |
| dc.subject | Modelos ARCH | spa |
| dc.subject.brtema | 5. Precios, inflación y política monetaria | spa |
| dc.subject.jel | C12 - Hypothesis Testing: General | eng |
| dc.subject.jel | C14 - Semiparametric and Nonparametric Methods: General | eng |
| dc.subject.jelspa | C12 - Contraste de hipótesis: generalidades | spa |
| dc.subject.jelspa | C14 - Métodos semiparamétricos y no paramétricos: generalidades | spa |
| dc.subject.keyword | Density estimation | eng |
| dc.subject.keyword | Functional convergence | eng |
| dc.subject.keyword | Nonparametric kernel density estimator | eng |
| dc.subject.keyword | Nonparametric regression | eng |
| dc.subject.keyword | ARCH models | eng |
| dc.subject.lemb | Modelos ARCH -- Estimación de densidades -- Regresión cuantílica | spa |
| dc.title | Stationary Density Estimation for ARCH Models with Applications in Quantile Regression | eng |
| dc.title.alternative | Estimación de densidad estacionaria para modelos ARCH con aplicaciones en regresión cuantílica | spa |
| dc.type | Working Paper | eng |
| dc.type.hasversion | Published Version | eng |
| dc.type.spa | Documentos de trabajo | spa |
| local.caie.checklist1 | 1. Esta versión del documento ha sido presentada en algún seminario interno del Banco?: si | spa |
| local.caie.checklist2 | Frente a los temas sensibles actualmente en país, considera que su documento es: NO SENSIBLE | spa |
| local.caie.checklist6 | 1. ¿Este trabajo trata temas relacionados con el cambio climático?: no | spa |
| local.caie.checklist8 | 1. Tematica BANCA CENTRAL: no | spa |
| local.caie.checklistriec | 1. ¿Desea cargar este borrador al repositorio de la Red Investigadores de Economía?: si | spa |
| local.caie.validador | Subgerencia de Estudios Economicos - Juan Esteban Carranza - jcarraro@banrep.gov.co | spa |
| local.grupos.tematicosriec | 9. Macroeconomía | spa |
Files
Original bundle
1 - 1 of 1
Loading...
- Name:
- be_1376.pdf
- Size:
- 1.94 MB
- Format:
- Adobe Portable Document Format
- FILE
- https://repositorio.banrep.gov.co/bitstream/handle/20.500.12134/11466/be_1376.pdf
- Description:
- Borradores de Economía; No.1376
License bundle
1 - 1 of 1

- Name:
- license.txt
- Size:
- 5.3 KB
- Format:
- Item-specific license agreed upon to submission
- Description:




