Autoregressiivinen ehdollinen heteroskedastisiteetti (ARCH)
Mikä on Autoregressive Conditional Heteroskedasticity (ARCH)?
Autoregressiivinen ehdollinen heteroskedastisiteetti (ARCH) on tilastollinen malli, jota käytetään analysoimaan aikasarjojen volatiliteettia tulevan volatiliteetin ennustamiseksi . Rahoitusmaailmassa ARCH-mallinnusta käytetään riskien arvioimiseen tarjoamalla volatiliteettimalli, joka muistuttaa enemmän todellisia markkinoita. ARCH-mallinnus osoittaa, että korkean volatiliteetin jaksoja seuraa korkeampi volatiliteetti ja alhaisen volatiliteetin jaksoja pienempi volatiliteetti.
Käytännössä tämä tarkoittaa, että volatiliteetilla tai varianssilla on taipumus klusteroitua, mikä on hyödyllistä sijoittajille, kun he harkitsevat riskiä omaisuuserän hallussapidosta eri ajanjaksoina. ARCH-konseptin kehitti ekonomisti Robert F. Engle III 1980-luvulla. ARCH paransi välittömästi taloudellista mallintamista, minkä seurauksena Engle voitti vuoden 2003 taloustieteiden Nobelin muistopalkinnon.
Autoregressiivisen ehdollisen heteroskedastisuuden (ARCH) ymmärtäminen
Autoregressiivinen ehdollinen heteroskedastisuusmalli (ARCH) on suunniteltu parantamaan ekonometrisiä malleja korvaamalla vakiovolatiliteetin oletukset ehdollisilla volatiliteilla. Engle ja muut ARCH-mallien parissa työskentelevät ymmärsivät, että aiemmat taloustiedot vaikuttavat tuleviin tietoihin – tämä on autoregressiivisen määritelmä. ARCH:n ehdollinen heteroskedastisuusosa viittaa yksinkertaisesti havaittavaan tosiasiaan, että rahoitusmarkkinoiden volatiliteetti on epävakaata – kaikki taloudelliset tiedot, olivatpa sitten osakemarkkina-arvot, öljyn hinnat, valuuttakurssit tai BKT, käyvät läpi korkean ja alhaisen volatiliteetin jaksoja. Ekonomistit ovat aina tienneet volatiliteetin muutosten määrän, mutta he pitivät sen usein vakiona tietyn ajanjakson ajan, koska heiltä puuttui parempi vaihtoehto markkinoiden mallintamisessa.
ARCH tarjosi mallin, jota ekonomistit voisivat käyttää volatiliteetin vakion tai keskiarvon sijaan. ARCH-mallit voisivat myös tunnistaa ja ennustaa volatiliteettiklusterien ulkopuolella, joita markkinoilla nähdään finanssikriisin tai muiden mustien joutsenten aikana. Esimerkiksi S&P 500:n volatiliteetti oli epätavallisen alhainen pitkän ajan härkämarkkinoiden aikana vuosina 2003–2007, ennen kuin se nousi ennätystasolle vuoden 2008 markkinakorjauksen aikana. Tämä epätasainen ja äärimmäinen vaihtelu on vaikeaa standardipoikkeamiin perustuville malleille. käsitellä. ARCH-mallit pystyvät kuitenkin korjaamaan tilastolliset ongelmat, jotka syntyvät tämän tyyppisestä datan kuviosta. Lisäksi ARCH-mallit toimivat parhaiten korkeataajuisten tietojen kanssa (tunti-, päivä-, kuukausi-, neljännesvuosittainen), joten ne ovat ihanteellisia taloustiedoille. Tämän seurauksena ARCH-malleista on tullut tukipylväitä sellaisten rahoitusmarkkinoiden mallintamiseen, joilla on volatiliteettia (jotka ovat pitkällä aikavälillä oikeastaan kaikki rahoitusmarkkinat).
ARCH-mallien jatkuva kehitys
Englen vuonna 2003 pitämän Nobel-luennon mukaan hän kehitti ARCH:n vastauksena Milton Friedmanin olettamukseen, jonka mukaan talouteen kielteisesti vaikuttaa pikemminkin epävarmuus inflaatiovauhdista kuin todellinen inflaatio. Kun malli oli rakennettu, se osoittautui korvaamattomaksi kaikenlaisen volatiliteetin ennustamisessa. ARCH on synnyttänyt monia vastaavia malleja, joita käytetään myös laajasti tutkimuksessa ja rahoituksessa, mukaan lukien GARCH,. EGARCH, STARCH ja muut.
Näissä varianttimalleissa tehdään usein muutoksia painotuksen ja ehdollisuuden suhteen tarkempien ennustealueiden saavuttamiseksi. Esimerkiksi EGARCH tai eksponentiaalinen GARCH antaa suuremman painoarvon datasarjan negatiivisille tuottoille, koska niiden on osoitettu lisäävän volatiliteettia. Toisin sanoen hintakaavion volatiliteetti kasvaa enemmän suuren pudotuksen jälkeen kuin suuren nousun jälkeen. Useimmat ARCH-malliversiot analysoivat aiempia tietoja painojen säätämiseksi käyttämällä suurimman todennäköisyyden lähestymistapaa. Tämä johtaa dynaamiseen malliin, joka voi ennustaa lähiajan ja tulevan volatiliteetin kasvavalla tarkkuudella – minkä vuoksi niin monet rahoituslaitokset käyttävät niitä.
##Kohokohdat
Rahoituslaitokset käyttävät ARCH-malleja omaisuusriskien mallintamiseen eri omistusjaksoilla.
Autoregressiiviset ehdolliset heteroskedastisteet (ARCH) -mallit mittaavat volatiliteettia ja ennustavat sitä tulevaisuuteen.
On olemassa monia erilaisia ARCH-malleja, jotka muuttavat painotuksia tarjotakseen erilaisia näkymiä samasta tietojoukosta.
ARCH-mallit ovat dynaamisia, eli ne reagoivat datan muutoksiin.
