La evidencia empírica indica que la volatilidad de la serie de los retornos bursátiles tiene larga memoria. Sin embargo, se ha demostrado que los procesos de corta memoria contaminados con cambios de nivel aleatorios pueden ser confundidos con larga memoria. Frecuentemente esta característica es conocida como larga memoria espúrea. Este trabajo presenta un estudio empírico del modelo de cambios de nivel aleatorios, Random Level Shift (RLS) usando la aproximación de Lu y Perron (2010) y Li y Perron (2013) para la volatilidad de los retornos bursátiles diarios para cinco países latinoamericanos. El modelo RLS consiste en la suma de un componente de corta memoria y un componente de cambio de nivel, donde este último es gobernado por un proceso Bernoulli con probabilidad de cambio a. Los resultados obtenidos sugieren que los cambios de nivel de la volatilidad de los retornos diarios son poco frecuentes pero una vez que se toman en cuenta, la característica de larga memoria y los efectos GARCH desaparecen. También se realizó un ejercicio de predicción fuera de la muestra. / Tesis

Following Xu and Perron (2014), this paper uses daily data for six Forex Latin American markets (Argentina, Brazil, Chile, Colombia, Mexico and Peru). Four models of the family of the Random Level Shift (RLS) model are estimated: a basic model where probabilities of level shift are driven by a Bernouilli variable but probability is constant; a model where varying probabilities are allowed and introduced via past extreme returns; a model with mean reversion mechanism; and a model incorporating last two features. Our results prove three striking features: rst, the four RLS models t well the data, with almost all the estimates highly signi cant; second, the long memory property disappears completely from the ACF, including the GARCH e¤ects; and third, the forecasting performance is much better for the RLS models against an overall of four competitor models: GARCH, FIGARCH and two ARFIMA models. / Siguiendo el trabajo de Xu y Perron (2014), este documento utiliza datos diarios de volatilidades de retornos cambiarios para seis mercados de América Latina (Argentina, Brazil, Chile, Colombia, Mexico and Peru). Cuatro modelos del tipo Random Level Shifts (RLS) son estimados: un modelo básico donde las probabilidades de cambios de nivel son gobernadas por una variable del tipo Bernouilli pero dicha probabilidad es constante; un modelo donde las probabilidades son cambiantes en el tiempo y dependen de los retornos bursátiles extremos negativos del periodo anterior; un modelo con reversión a la media; y un modelo que incorpora los dos aspectos mencionados anteriormente. Los resultados sugieren tres importantes aspectos: el primero es que los cuatro modelos RLS ajustan bien los datos con prácticamente todos los estimados altamente significativos; segundo, la característica de larga memoria desaparece completamente de la ACF, incluyendo los efectos GARCH; y, tercero, la performance de los cuatro modelos en términos de predicción es buena contra diferentes modelos rivales como los modelos GARCH, FIGARCH, y dos modelos ARFIMA. / Tesis

La evidencia empírica indica que la volatilidad de la serie de los retornos bursátiles tiene larga memoria. Sin embargo, se ha demostrado que los procesos de corta memoria contaminados con cambios de nivel aleatorios pueden ser confundidos con larga memoria. Frecuentemente esta característica es conocida como larga memoria espúrea. Este trabajo presenta un estudio empírico del modelo de cambios de nivel aleatorios, Random Level Shift (RLS) usando la aproximación de Lu y Perron (2010) y Li y Perron (2013) para la volatilidad de los retornos bursátiles diarios para cinco países latinoamericanos. El modelo RLS consiste en la suma de un componente de corta memoria y un componente de cambio de nivel, donde este último es gobernado por un proceso Bernoulli con probabilidad de cambio a. Los resultados obtenidos sugieren que los cambios de nivel de la volatilidad de los retornos diarios son poco frecuentes pero una vez que se toman en cuenta, la característica de larga memoria y los efectos GARCH desaparecen. También se realizó un ejercicio de predicción fuera de la muestra.

Following Xu and Perron (2014), this paper uses daily data for six Forex Latin American markets (Argentina, Brazil, Chile, Colombia, Mexico and Peru). Four models of the family of the Random Level Shift (RLS) model are estimated: a basic model where probabilities of level shift are driven by a Bernouilli variable but probability is constant; a model where varying probabilities are allowed and introduced via past extreme returns; a model with mean reversion mechanism; and a model incorporating last two features. Our results prove three striking features: rst, the four RLS models t well the data, with almost all the estimates highly signi cant; second, the long memory property disappears completely from the ACF, including the GARCH effects; and third, the forecasting performance is much better for the RLS models against an overall of four competitor models: GARCH, FIGARCH and two ARFIMA models. / Siguiendo el trabajo de Xu y Perron (2014), este documento utiliza datos diarios de volatilidades de retornos cambiarios para seis mercados de América Latina (Argentina, Brazil, Chile, Colombia, Mexico and Peru). Cuatro modelos del tipo Random Level Shifts (RLS) son estimados: un modelo básico donde las probabilidades de cambios de nivel son gobernadas por una variable del tipo Bernouilli pero dicha probabilidad es constante; un modelo donde las probabilidades son cambiantes en el tiempo y dependen de los retornos bursátiles extremos negativos del periodo anterior; un modelo con reversión a la media; y un modelo que incorpora los dos aspectos mencionados anteriormente. Los resultados sugieren tres importantes aspectos: el primero es que los cuatro modelos RLS ajustan bien los datos con prácticamente todos los estimados altamente significativos; segundo, la característica de larga memoria desaparece completamente de la ACF, incluyendo los efectos GARCH; y, tercero, la performance de los cuatro modelos en términos de predicción es buena contra diferentes modelos rivales como los modelos GARCH, FIGARCH, y dos modelos ARFIMA.