Stationary Density Estimation for ARCH Models with Applications in Quantile Regression

dc.audiencePolicymakerseng
dc.audienceResearcherseng
dc.audienceTeacherseng
dc.audienceStudentseng
dc.coverage.sucursalBogotáspa
dc.creatorHernandez-Bejarano, Manuel Dario
dc.creatorZhao, Zhibiao
dc.creator.firmaManuel Dario Hernandez-Bejaranospa
dc.creator.firmaZhibiao Zhaospa
dc.date.accessioned2026-11-20T14:43:42Zspa
dc.date.available2026-11-20T14:43:42Zspa
dc.date.created2026-11-20spa
dc.descriptionEste 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.abstractThis 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.notesEnfoque 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.extent41 páginasspa
dc.format.mimetypePDFspa
dc.identifier.handlehttps://hdl.handle.net/20.500.12134/11466spa
dc.identifier.urihttps://repositorio.banrep.gov.co/handle/20.500.12134/11466spa
dc.language.isoengeng
dc.publisherBanco de la Repúblicaspa
dc.relation.doihttps://doi.org/10.32468/be.1376spa
dc.relation.handlehttps://hdl.handle.net/20.500.12134/11466spa
dc.relation.infohttps://repositorio.banrep.gov.co/sitios/1376spa
dc.relation.inveshttps://investiga.banrep.gov.co/es/borradores/be-1376spa
dc.relation.ispartofDocumentos de Trabajospa
dc.relation.ispartofseriesBorradores de Economíaspa
dc.relation.isversionofBorradores de Economía; No.1376spa
dc.relation.numberBorrador 1376spa
dc.relation.portalhttps://www.banrep.gov.co/es/publicaciones-investigaciones/borradores-economia/estimacion-densidad-estacionaria-modelosspa
dc.relation.repechttps://ideas.repec.org/p/bdr/borrec/1376.htmlspa
dc.relation.shortdoihttps://doi.org/rz7kspa
dc.rights.HabeasDatos 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.ObjetoObjeto 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.accessRightsOpen Accesseng
dc.rights.ccAtribucion-NoComercial-CompartirIgual CC BY-NC-SA 4.0eng
dc.rights.disclaimerLas 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.disclaimerThe 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.spaAcceso abiertospa
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/4.0/eng
dc.source.handleRepecRePEc:bdr:borrec:1376spa
dc.subjectEstimación de densidadspa
dc.subjectConvergencia funcionalspa
dc.subjectEstimador de densidad kernel no paramétricospa
dc.subjectRegresión no paramétricaspa
dc.subjectModelos ARCHspa
dc.subject.brtema5. Precios, inflación y política monetariaspa
dc.subject.jelC12 - Hypothesis Testing: Generaleng
dc.subject.jelC14 - Semiparametric and Nonparametric Methods: Generaleng
dc.subject.jelspaC12 - Contraste de hipótesis: generalidadesspa
dc.subject.jelspaC14 - Métodos semiparamétricos y no paramétricos: generalidadesspa
dc.subject.keywordDensity estimationeng
dc.subject.keywordFunctional convergenceeng
dc.subject.keywordNonparametric kernel density estimatoreng
dc.subject.keywordNonparametric regressioneng
dc.subject.keywordARCH modelseng
dc.subject.lembModelos ARCH -- Estimación de densidades -- Regresión cuantílicaspa
dc.titleStationary Density Estimation for ARCH Models with Applications in Quantile Regressioneng
dc.title.alternativeEstimación de densidad estacionaria para modelos ARCH con aplicaciones en regresión cuantílicaspa
dc.typeWorking Papereng
dc.type.hasversionPublished Versioneng
dc.type.spaDocumentos de trabajospa
local.caie.checklist11. Esta versión del documento ha sido presentada en algún seminario interno del Banco?: sispa
local.caie.checklist2Frente a los temas sensibles actualmente en país, considera que su documento es: NO SENSIBLEspa
local.caie.checklist61. ¿Este trabajo trata temas relacionados con el cambio climático?: nospa
local.caie.checklist81. Tematica BANCA CENTRAL: nospa
local.caie.checklistriec1. ¿Desea cargar este borrador al repositorio de la Red Investigadores de Economía?: sispa
local.caie.validadorSubgerencia de Estudios Economicos - Juan Esteban Carranza - jcarraro@banrep.gov.cospa
local.grupos.tematicosriec9. Macroeconomíaspa

Files

Original bundle
Now showing 1 - 1 of 1
Loading...
Thumbnail Image
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
Now showing 1 - 1 of 1
Name:
license.txt
Size:
5.3 KB
Format:
Item-specific license agreed upon to submission
Description: