Care este procesul GARCH
Procesul generalizat de heteroskedasticitate condițională autoregresivă (GARCH) este un termen econometric dezvoltat în 1982 de Robert F. Engle, economist și câștigător în 2003 al Premiului Nobel pentru economie, pentru a descrie o abordare pentru estimarea volatilității pe piețele financiare. Există mai multe forme de modelare GARCH. Procesul GARCH este deseori preferat de către profesioniștii din domeniul modelării financiare, deoarece oferă un context mai real decât alte forme atunci când încearcă să prezice prețurile și ratele instrumentelor financiare.
BREAKING DOWN GARCH Proces
Heteroskedasticitatea descrie tiparul neregulat al variației unui termen de eroare sau a unei variabile într-un model statistic. În esență, acolo unde există heteroskedasticitate, observațiile nu sunt conforme cu un model liniar. În schimb, ei tind să se aglomereze. Rezultatul este că concluziile și valoarea predictivă pe care o putem trage din model nu vor fi fiabile. GARCH este un model statistic care poate fi utilizat pentru a analiza o serie de tipuri diferite de date financiare, de exemplu, date macroeconomice. Instituțiile financiare utilizează de obicei acest model pentru a estima volatilitatea rentabilităților pentru acțiuni, obligațiuni și indici de piață. Ei folosesc informațiile rezultate pentru a ajuta la determinarea prețurilor și pentru a evalua care activele pot oferi rentabilități mai mari, precum și pentru a prognoza randamentul investițiilor curente pentru a ajuta la deciziile de alocare a activelor lor, acoperire, gestionarea riscurilor și optimizarea portofoliului.
Procesul general pentru un model GARCH implică trei etape. Primul este estimarea unui model autoregresiv cel mai potrivit. Al doilea este calcularea autocorelațiilor termenului de eroare. Al treilea pas este de a testa importanța. Alte două abordări utilizate pe scară largă pentru estimarea și prezicerea volatilității financiare sunt metoda volatilității istorice clasice (VolSD) și metoda volatilității medii mobile ponderare exponențial (VolEWMA).
Exemplu de proces GARCH
Modelele GARCH ajută la descrierea piețelor financiare în care volatilitatea se poate schimba, devenind mai volatilă în perioadele de crize financiare sau evenimente mondiale și mai puțin volatilă în perioadele de relativă calmă și de creștere economică constantă. Pe un grafic de rentabilitate, de exemplu, rentabilitățile de acțiuni pot părea relativ uniforme pentru anii care au dus la o criză financiară, precum cea din 2007. În perioada de timp care urmează declanșării unei crize, cu toate acestea, randamentele pot varia în mod sălbatic de la negativ. spre teritoriul pozitiv. Mai mult decât atât, volatilitatea crescută poate fi predictivă ca volatilitatea va merge înainte. Volatilitatea poate reveni apoi la niveluri asemănătoare cu cele ale nivelului pre-criză sau poate fi mai uniformă înainte. Un model de regresie simplă nu ține cont de această variație a volatilității expuse pe piețele financiare și nu este reprezentativ pentru evenimentele „lebede negre” care au loc mai mult decât s-ar putea prezice.
Modele GARCH Cel mai bun pentru returnări de active
Procesele GARCH diferă de modelele homoskedastice, care presupun o volatilitate constantă și sunt utilizate în analiza de bază a pătratelor obișnuite (OLS). OLS își propune să minimizeze abaterile dintre punctele de date și o linie de regresie pentru a se potrivi cu acele puncte. Odată cu rentabilitatea activelor, volatilitatea pare să varieze în anumite perioade de timp și depinde de variația trecută, ceea ce face ca un model homoskedastic să nu fie optim.
Procesele GARCH, fiind autoregresive, depind de observațiile pătrate anterioare și de variațiile anterioare pentru a modela pentru variația actuală. Procesele GARCH sunt utilizate pe scară largă în finanțe datorită eficienței lor în modelarea profitului și inflației activelor. GARCH își propune să reducă la minimum erorile în prognoză, contabilizând erorile din prognoza anterioară și, prin aceasta, îmbunătățind acuratețea predicțiilor în curs.
