Resumen en español

En este trabajo de grado se presenta un ajuste al modelo de series de tiempo DTGARCH con ruido blanco t-Student usando los retornos diarios del ln del índice BOVESPA y del índice Dow-Jones desde el 12 de diciembre de 2000 hasta el 02 de junio de 2010. La estimación de parámetros del modelo se realizó a través de la metodología Bayesiana propuesta por Chen, Gerlach y So (2006) y técnicas MCMC. Un experimento de simulación muestra que la metodología utilizada es muy efectiva. Por otro lado se realizó una comparación de la función de varianza condicional del modelo DTGARCH obtenido con la que se obtuvo en los articulos de Zhang y Nieto (2015) donde consideran los modelos autorregresivo de umbrales (TAR) con datos faltantes cuando el proceso del ruido sigue una distribución t-Student, y Moreno y Nieto (2014), donde consideran un modelo TAR cuando el proceso del ruido sigue una distribución Gaussiana. Finalmente se evidenció que el modelo DTGARCH tiene un buen ajuste y una mejor captura del aspecto heterocedástico contenido en los datos financieros. Palabras clave: Modelos DTGARCH, estadística Bayesiana, función de varianza condicional, técnicas MCMC, series de tiempo financieras, volatilidad.