गर्च प्रक्रिया

गर्च प्रक्रिया क्या है?

सामान्यीकृत ऑटोरेग्रेसिव कंडीशनल हेटेरोस्केडैस्टिसिटी (GARCH) प्रक्रिया 1982 में रॉबर्ट एफ। एंगल,. एक अर्थशास्त्री और 2003 में अर्थशास्त्र के नोबेल मेमोरियल पुरस्कार के विजेता द्वारा विकसित एक अर्थमितीय शब्द है। GARCH वित्तीय बाजारों में अस्थिरता का अनुमान लगाने के लिए एक दृष्टिकोण का वर्णन करता है।

गर्च मॉडलिंग के कई रूप हैं। वित्तीय पेशेवर अक्सर GARCH प्रक्रिया को पसंद करते हैं क्योंकि यह वित्तीय साधनों की कीमतों और दरों की भविष्यवाणी करने की कोशिश करते समय अन्य मॉडलों की तुलना में अधिक वास्तविक दुनिया का संदर्भ प्रदान करता है।

गर्च प्रक्रिया को समझना

Heteroskedasticity एक सांख्यिकीय मॉडल में त्रुटि शब्द, या चर की भिन्नता के अनियमित पैटर्न का वर्णन करती है। अनिवार्य रूप से, जहां विषमलैंगिकता होती है, अवलोकन एक रैखिक पैटर्न के अनुरूप नहीं होते हैं । इसके बजाय, वे क्लस्टर करते हैं।

परिणाम यह है कि मॉडल से निकाले गए निष्कर्ष और भविष्य कहनेवाला मूल्य विश्वसनीय नहीं होंगे। GARCH एक सांख्यिकीय मॉडल है जिसका उपयोग कई प्रकार के वित्तीय डेटा का विश्लेषण करने के लिए किया जा सकता है, उदाहरण के लिए, मैक्रोइकॉनॉमिक डेटा। वित्तीय संस्थान आमतौर पर स्टॉक, बॉन्ड और मार्केट इंडेक्स के रिटर्न की अस्थिरता का अनुमान लगाने के लिए इस मॉडल का उपयोग करते हैं । वे मूल्य निर्धारण का निर्धारण करने के लिए परिणामी जानकारी का उपयोग करते हैं, यह निर्धारित करते हैं कि कौन सी संपत्ति संभावित रूप से उच्च रिटर्न प्रदान करेगी, और अपने परिसंपत्ति आवंटन, हेजिंग, जोखिम प्रबंधन और पोर्टफोलियो अनुकूलन निर्णयों में मदद करने के लिए वर्तमान निवेश के रिटर्न का पूर्वानुमान लगाती है।

GARCH मॉडल की सामान्य प्रक्रिया में तीन चरण शामिल हैं। सबसे पहले एक सर्वोत्तम-फिटिंग ऑटोरेग्रेसिव मॉडल का अनुमान लगाना है। दूसरा त्रुटि शब्द के स्वत: सहसंबंधों की गणना करना है । तीसरा चरण महत्व के लिए परीक्षण करना है।

वित्तीय अस्थिरता का अनुमान लगाने और भविष्यवाणी करने के लिए दो अन्य व्यापक रूप से उपयोग किए जाने वाले दृष्टिकोण क्लासिक ऐतिहासिक अस्थिरता (VolSD) विधि और घातीय रूप से भारित चलती औसत अस्थिरता (VolEWMA) विधि हैं।

GARCH मॉडल एसेट रिटर्न के लिए सर्वश्रेष्ठ

GARCH प्रक्रियाएं होमोस्केडस्टिक मॉडल से भिन्न होती हैं, जो निरंतर अस्थिरता को मानती हैं और बुनियादी साधारण न्यूनतम वर्गों (OLS) विश्लेषण में उपयोग की जाती हैं। OLS का उद्देश्य उन बिंदुओं को फिट करने के लिए डेटा बिंदुओं और एक प्रतिगमन रेखा के बीच विचलन को कम करना है। परिसंपत्ति रिटर्न के साथ, अस्थिरता कुछ निश्चित अवधि के दौरान भिन्न होती है और पिछले भिन्नता पर निर्भर करती है, जिससे होमोस्केडैस्टिक मॉडल उप-इष्टतम होता है।

GARCH प्रक्रियाएं, क्योंकि वे ऑटोरेग्रेसिव हैं, वर्तमान विचरण के लिए मॉडल के पिछले वर्ग अवलोकन और पिछले संस्करण पर निर्भर करती हैं। संपत्ति रिटर्न और मुद्रास्फीति मॉडलिंग में उनकी प्रभावशीलता के कारण वित्त में GARCH प्रक्रियाओं का व्यापक रूप से उपयोग किया जाता है। GARCH का उद्देश्य पूर्व पूर्वानुमान में त्रुटियों के लिए लेखांकन और चल रही भविष्यवाणियों की सटीकता को बढ़ाकर पूर्वानुमान में त्रुटियों को कम करना है।

गर्च प्रक्रिया का उदाहरण

GARCH मॉडल वित्तीय बाजारों का वर्णन करते हैं जिसमें अस्थिरता बदल सकती है, वित्तीय संकटों या विश्व घटनाओं की अवधि के दौरान अधिक अस्थिर हो जाती है और सापेक्ष शांत और स्थिर आर्थिक विकास की अवधि के दौरान कम अस्थिर होती है। उदाहरण के लिए, रिटर्न के प्लॉट पर, स्टॉक रिटर्न उन वर्षों के लिए अपेक्षाकृत समान दिख सकता है, जो वित्तीय संकट जैसे कि 2007 की ओर ले जाते हैं।

संकट की शुरुआत के बाद की अवधि में, हालांकि, रिटर्न नकारात्मक से सकारात्मक क्षेत्र में बेतहाशा स्विंग हो सकता है। इसके अलावा, बढ़ी हुई अस्थिरता आगे बढ़ने वाली अस्थिरता का अनुमान लगा सकती है। अस्थिरता तब पूर्व-संकट स्तरों के समान स्तरों पर वापस आ सकती है या आगे चलकर अधिक समान हो सकती है। एक साधारण प्रतिगमन मॉडल वित्तीय बाजारों में प्रदर्शित अस्थिरता में इस भिन्नता के लिए जिम्मेदार नहीं है। यह " ब्लैक स्वान " घटनाओं का प्रतिनिधि नहीं है जो भविष्यवाणी की तुलना में अधिक बार घटित होती हैं।

##हाइलाइट

• सामान्यीकृत ऑटोरेग्रेसिव कंडीशनल हेटेरोस्केडैस्टिसिटी (गार्च) प्रक्रिया वित्तीय बाजारों की अस्थिरता का आकलन करने का एक तरीका है।

• वित्तीय संस्थान स्टॉक, बॉन्ड और अन्य निवेश वाहनों की वापसी की अस्थिरता का अनुमान लगाने के लिए मॉडल का उपयोग करते हैं।

• वित्तीय साधनों की कीमतों और दरों की भविष्यवाणी करते समय GARCH प्रक्रिया अन्य मॉडलों की तुलना में अधिक वास्तविक-विश्व संदर्भ प्रदान करती है।