Modelado y estimación de la volatilidad estocástica: aplicación a la inflación

Abstract

Este trabajo presenta un análisis detallado sobre la modelizaciónde la volatilidad estocástica (MVE) aplicada a la serie deinflación del Gran Buenos Aires, Argentina, cubriendo el períodode enero de 1943 a mayo de 2019. Utilizando modelos deespacio de estado y técnicas de estimación basadas en el filtro ysuavizador de Kalman, se propone un enfoque alternativo y másflexible que los tradicionales modelos ARCH-GARCH, ya queen los MVE la volatilidad depende de sus propios valores pasadosy no de los retornos de la serie. Se desarrolla un modelo específicoque capta las características clave de la serie inflacionaria,incluyendo componentes no observables que son estimadosy modelados a lo largo del tiempo. Este enfoque permite descomponerla inflación en componentes estructurales como la inflaciónnúcleo (que excluye sectores volátiles como alimentos yenergía) y la inflación tendencia (que incluye la inflación núcleomás el resto de los sectores). Asimismo, se realiza un análisis enprofundidad del período 2004-2015, cuando el Instituto Nacionalde Estadística y Censos (INDEC) estuvo intervenido políticamente,mostrando cómo la intervención afectó la precisión yfiabilidad de los datos. Los resultados obtenidos demuestran queel modelo MVE es capaz de capturar las dinámicas de volatilidaden una serie de tiempo económica compleja como la inflación,proporcionando mejores estimaciones y predicciones quelos modelos ARCH-GARCH en contextos de alta variabilidady cambios estructurales. En particular, el enfoque de espacio deestado permite estimar la volatilidad estocástica de los errores,revelando información clave sobre los ciclos de inflación y loserrores sistemáticos en los datos reportados por el INDEC. Además,se discuten las implicaciones teóricas de estos hallazgos enla economía argentina y su relevancia para la modelización deseries temporales económicas volátiles.

This study presents a detailed analysis of the modeling of stochastic volatility (SVM) applied to the inflation series of Greater Buenos Aires, Argentina, covering the period from January 1943 to May 2019. Using state-space models and estimation techniques based on the Kalman filter and smoother, the paper proposes an alternative and more flexible approach than traditional ARCH-GARCH models. In SVMs, volatility depends on its own past values rather than on the returns of the series. A specific model is developed that captures the key characteristics of the inflation series, including unobservable components that are estimated and modeled over time. This approach allows for the decomposition of inflation into structural components such as core inflation (which excludes volatile sectors like food and energy) and trend inflation (which includes core inflation plus the remaining sectors). Additionally, an in-depth analysis of the 2004-2015 period is conducted, when the National Institute of Statistics and Censuses (INDEC) was politically intervened, demonstrating how the intervention impacted the accuracy and reliability of the reported data. The results show that the SVM model is capable of capturing volatility dynamics in a complex economic time series like inflation, providing better estimates and forecasts than ARCH-GARCH models in contexts of high variability and structural changes. In particular, the state-space approach enables the estimation of the stochastic volatility of errors, revealing key insights into inflation cycles and systematic errors in the data reported by INDEC. Furthermore, the theoretical implications of these findings for the Argentine economy and their relevance for modeling volatile economic time series are discussed.