Heterocedasticidad condicional autoregresiva generalizada (GARCH)
¿Qué es la heteroscedasticidad condicional autorregresiva generalizada (GARCH)?
La heteroscedasticidad condicional autorregresiva generalizada (GARCH) es un modelo estadÃstico que se utiliza para analizar datos de series temporales en los que se cree que el error de varianza está autocorrelacionado en serie. Los modelos GARCH asumen que la varianza del término de error sigue un proceso de promedio móvil autorregresivo.
Comprensión de la heteroscedasticidad condicional autorregresiva generalizada (GARCH)
Aunque los modelos GARCH se pueden utilizar en el análisis de varios tipos diferentes de datos financieros, como datos macroeconómicos, las instituciones financieras suelen utilizarlos para estimar la volatilidad de los rendimientos de acciones, bonos e Ãndices de mercado. Utilizan la información resultante para ayudar a determinar el precio y juzgar qué activos potencialmente proporcionarán mayores rendimientos, asà como para pronosticar los rendimientos de las inversiones actuales para ayudar en sus decisiones de asignación de activos,. cobertura, gestión de riesgos y optimización de cartera.
Los modelos GARCH se utilizan cuando la varianza del término de error no es constante. Es decir, el término de error es heterocedástico. La heteroscedasticidad describe el patrón irregular de variación de un término de error, o variable, en un modelo estadÃstico.
Esencialmente, donde hay heteroscedasticidad, las observaciones no se ajustan a un patrón lineal. En cambio, tienden a agruparse. Por lo tanto, si se utilizan modelos estadÃsticos que asumen una varianza constante en estos datos, entonces las conclusiones y el valor predictivo que uno puede sacar del modelo no serán confiables.
Se supone que la varianza del término de error en los modelos GARCH varÃa sistemáticamente, condicionada por el tamaño promedio de los términos de error en perÃodos anteriores. En otras palabras, tiene heterocedasticidad condicional, y la razón de la heterocedasticidad es que el término de error sigue un patrón de promedio móvil autorregresivo. Esto significa que es una función de un promedio de sus propios valores pasados.
Historia de GARCH
GARCH fue desarrollado en 1986 por el Dr. Tim Bollerslev, estudiante de doctorado en ese momento, como una forma de abordar el problema de pronosticar la volatilidad en los precios de los activos. Se basó en el trabajo revolucionario de 1982 del economista Robert Engle al introducir el modelo de heteroscedasticidad condicional autorregresiva (ARCH). Su modelo supuso que la variación de los rendimientos financieros no era constante a lo largo del tiempo, sino que estaban autocorrelacionados o condicionados/dependientes entre sÃ. Por ejemplo, uno puede ver esto en los rendimientos de las acciones donde los perÃodos de volatilidad en los rendimientos tienden a agruparse.
Desde la introducción original, han surgido muchas variaciones de GARCH. Estos incluyen Nonlinear (NGARCH), que aborda la correlación y el "agrupamiento de volatilidad" observado de los rendimientos, y Integrated GARCH (IGARCH), que restringe el parámetro de volatilidad. Todas las variaciones del modelo GARCH buscan incorporar la dirección, positiva o negativa, de los rendimientos además de la magnitud (abordada en el modelo original).
Cada derivación de GARCH se puede utilizar para adaptarse a las cualidades especÃficas de la acción, la industria o los datos económicos. Al evaluar el riesgo, las instituciones financieras incorporan modelos GARCH en su valor en riesgo (VAR), pérdida máxima esperada (ya sea para una sola posición de inversión o comercial, cartera o a nivel de división o de toda la empresa) durante un perÃodo de tiempo especÃfico . Se considera que los modelos GARCH proporcionan mejores indicadores de riesgo que los que se pueden obtener mediante el seguimiento de la desviación estándar únicamente.
Se han realizado varios estudios sobre la confiabilidad de varios modelos GARCH durante diferentes condiciones de mercado, incluso durante los perÃodos previos y posteriores a la Gran Recesión.
Reflejos
GARCH es útil para evaluar el riesgo y los rendimientos esperados de los activos que exhiben perÃodos agrupados de volatilidad en los rendimientos.
GARCH es apropiado para datos de series de tiempo donde la varianza del término de error se autocorrelaciona en serie siguiendo un proceso de promedio móvil autorregresivo.
GARCH es una técnica de modelado estadÃstico utilizada para ayudar a predecir la volatilidad de los rendimientos de los activos financieros.
