Heterocedasticidad condicional autorregresiva (ARCH)
¿Qué es la heteroscedasticidad condicional autorregresiva (ARCH)?
La heteroscedasticidad condicional autorregresiva (ARCH) es un modelo estadÃstico utilizado para analizar la volatilidad en series de tiempo con el fin de pronosticar la volatilidad futura. En el mundo financiero, el modelado ARCH se utiliza para estimar el riesgo proporcionando un modelo de volatilidad que se parece más a los mercados reales. El modelo ARCH muestra que los perÃodos de alta volatilidad son seguidos por una volatilidad más alta y los perÃodos de baja volatilidad son seguidos por una volatilidad más baja.
En la práctica, esto significa que la volatilidad o la varianza tienden a agruparse, lo que es útil para los inversores al considerar el riesgo de mantener un activo durante diferentes perÃodos de tiempo. El concepto ARCH fue desarrollado por el economista Robert F. Engle III en la década de 1980. ARCH mejoró inmediatamente el modelado financiero, lo que resultó en que Engle ganara el Premio Nobel de Ciencias Económicas en 2003.
Comprender la heteroscedasticidad condicional autorregresiva (ARCH)
El modelo de heteroscedasticidad condicional autorregresiva (ARCH) fue diseñado para mejorar los modelos econométricos reemplazando los supuestos de volatilidad constante con volatilidad condicional. Engle y otros que trabajan en modelos ARCH reconocieron que los datos financieros pasados influyen en los datos futuros, esa es la definición de autorregresivo. La porción de heteroscedasticidad condicional de ARCH simplemente se refiere al hecho observable de que la volatilidad en los mercados financieros no es constante: todos los datos financieros, ya sean valores bursátiles, precios del petróleo, tipos de cambio o PIB, pasan por perÃodos de alta y baja volatilidad. Los economistas siempre han sabido la cantidad de cambios de volatilidad, pero a menudo la mantuvieron constante durante un perÃodo determinado porque carecÃan de una mejor opción al modelar los mercados.
ARCH proporcionó un modelo que los economistas podrÃan usar en lugar de una constante o promedio para la volatilidad. Los modelos ARCH también podrÃan reconocer y pronosticar más allá de los grupos de volatilidad que se observan en el mercado durante perÃodos de crisis financiera u otros eventos de cisne negro. Por ejemplo, la volatilidad del S&P 500 fue inusualmente baja durante un perÃodo prolongado durante el mercado alcista de 2003 a 2007, antes de alcanzar niveles récord durante la corrección del mercado de 2008. Esta variación desigual y extrema es difÃcil para los modelos basados en la desviación estándar. lidiar con. Los modelos ARCH, sin embargo, pueden corregir los problemas estadÃsticos que surgen de este tipo de patrón en los datos. Además, los modelos ARCH funcionan mejor con datos de alta frecuencia (por horas, dÃas, meses, trimestres), por lo que son ideales para datos financieros. Como resultado, los modelos ARCH se han convertido en pilares para modelar mercados financieros que muestran volatilidad (que en realidad es todos los mercados financieros a largo plazo).
La evolución continua de los modelos ARCH
Según la conferencia Nobel de Engle en 2003, desarrolló ARCH en respuesta a la conjetura de Milton Friedman de que era la incertidumbre sobre cuál serÃa la tasa de inflación en lugar de la tasa real de inflación lo que impactaba negativamente en una economÃa. Una vez que se construyó el modelo, demostró ser invaluable para pronosticar todo tipo de volatilidad. ARCH ha generado muchos modelos relacionados que también se usan ampliamente en investigación y finanzas, incluidos GARCH,. EGARCH, STARCH y otros.
Estos modelos variantes a menudo introducen cambios en términos de ponderación y condicionalidad para lograr rangos de pronóstico más precisos. Por ejemplo, EGARCH, o GARCH exponencial, otorga una mayor ponderación a los rendimientos negativos en una serie de datos, ya que se ha demostrado que generan más volatilidad. Dicho de otra manera, la volatilidad en un gráfico de precios aumenta más después de una gran caÃda que después de una gran subida. La mayorÃa de las variantes del modelo ARCH analizan datos anteriores para ajustar las ponderaciones utilizando un enfoque de máxima verosimilitud. Esto da como resultado un modelo dinámico que puede pronosticar la volatilidad futura y a corto plazo con una precisión cada vez mayor, que es, por supuesto, la razón por la que tantas instituciones financieras los utilizan.
Reflejos
Los modelos ARCH son utilizados por las instituciones financieras para modelar los riesgos de los activos durante diferentes perÃodos de tenencia.
Los modelos de heteroscedasticidad condicional autorregresiva (ARCH) miden la volatilidad y la pronostican en el futuro.
Hay muchos tipos diferentes de modelos ARCH que modifican las ponderaciones para proporcionar diferentes vistas del mismo conjunto de datos.
Los modelos ARCH son dinámicos, lo que significa que responden a cambios en los datos.
