Ce este Heteroskedasticitatea condiționată auto-regresivă generalizată (GARCH)?
Heteroskedasticitatea condiționată auto-regresivă generalizată (GARCH) este un model statistic utilizat în analiza datelor din seriile de timp în care se crede că eroarea de varianță este autocorelată în serie. Modelele GARCH presupun că variația termenului de eroare urmează un proces mediu autoregresiv în mișcare.
Cheie de luat cu cheie
- GARCH este o tehnică de modelare statistică utilizată pentru a ajuta la prezicerea volatilității rentabilităților activelor financiare. GARCH este adecvat pentru datele din seriile de timp în care variația termenului de eroare este autocorelată în serie după un proces mediu autoregresiv în mișcare. GARCH este util pentru a evalua rentabilitatea riscurilor și așteptărilor pentru activele care prezintă perioade de volatilitate în grupuri.
Înțelegerea heterozedasticității condiționate automate regresive (GARCH)
Deși modelele de Heteroskedasticitate Condițională AutoRegresivă Generalizată (GARCH) pot fi utilizate în analiza unui număr de tipuri diferite de date financiare, cum ar fi datele macroeconomice, instituțiile financiare le folosesc de obicei 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.
Modelele GARCH sunt utilizate atunci când variația termenului de eroare nu este constantă. Adică termenul de eroare este heteroskedastic. Heteroskedasticitatea descrie tiparul neregulat al variației unui termen de eroare sau a unei variabile într-un model statistic. În esență, oriunde există heteroskedasticitate, observațiile nu sunt conforme cu un model liniar. În schimb, ei tind să se aglomereze. Prin urmare, dacă modelele statistice care presupun o variație constantă sunt utilizate pe aceste date, atunci concluziile și valoarea predictivă pe care o putem trage din model nu vor fi fiabile.
Se presupune că variația termenului de eroare la modelele GARCH variază sistematic, condiționat de dimensiunea medie a termenilor de eroare în perioadele anterioare. Cu alte cuvinte, are heteroskedasticitate condiționată, iar motivul heteroskedasticității este că termenul de eroare urmează un model mediu autoregresiv în mișcare. Aceasta înseamnă că este o funcție a unei valori medii proprii din trecut.
Istoria lui GARCH
GARCH a fost formulat în anii 1980 ca o modalitate de a aborda problema previziunii volatilității prețurilor activelor. S-a bazat pe progresul avansat al economistului Robert Engle din 1982 în introducerea modelului ARCH (Autoregressive Conditional Heteroskedasticity). Modelul său a presupus că variația randamentelor financiare nu a fost constantă în timp, ci sunt autocorelate sau condiționate / dependente unele de altele. De exemplu, se poate observa acest lucru în rentabilitățile stocurilor în care perioadele de volatilitate ale profiturilor tind să fie grupate împreună.
De la introducerea inițială, au apărut multe variante ale GARCH. Acestea includ Nonlinear (NGARCH), care abordează corelația și observa „reglarea volatilității” a randamentelor și Integrated GARCH (IGARCH), care restricționează parametrul de volatilitate. Toate variațiile modelului GARCH încearcă să încorporeze direcția, pozitivă sau negativă, a randamentelor pe lângă mărimea (abordată în modelul inițial).
Fiecare derivare a GARCH poate fi folosită pentru a se potrivi cu calitățile specifice ale stocului, industriei sau datelor economice. În evaluarea riscului, instituțiile financiare încorporează modelele GARCH în valoarea lor la risc (VAR), pierderea maximă așteptată (fie pentru o singură investiție, poziție de tranzacționare, portofoliu, fie la nivel de divizie sau întreprindere) într-o perioadă de timp specificată. proiecții. Modelele GARCH sunt vizualizate pentru a oferi indicatoare de risc mai bune decât pot fi obținute doar prin urmărirea abaterii standard.
Au fost realizate diverse studii privind fiabilitatea diferitelor modele GARCH în diferite condiții de piață, inclusiv în perioadele care au dus până la și după criza financiară din 2007.
