Eteroschedasticità condizionale autoregressiva (ARCH)
Che cos'è l'eteroschedasticità condizionale autoregressiva (ARCH)?
L'eteroschedasticità condizionale autoregressiva (ARCH) è un modello statistico utilizzato per analizzare la volatilità nelle serie temporali al fine di prevedere la volatilità futura. Nel mondo finanziario, la modellazione ARCH viene utilizzata per stimare il rischio fornendo un modello di volatilità che assomiglia più da vicino ai mercati reali. La modellazione ARCH mostra che i periodi di elevata volatilità sono seguiti da una volatilità più elevata e i periodi di bassa volatilità sono seguiti da una volatilità più bassa.
In pratica, ciò significa che la volatilità o la varianza tendono a raggrupparsi, il che è utile per gli investitori quando si considera il rischio di detenere un'attività in periodi di tempo diversi. Il concetto ARCH è stato sviluppato dall'economista Robert F. Engle III negli anni '80. ARCH ha immediatamente migliorato la modellazione finanziaria, portando Engle a vincere nel 2003 il Premio Nobel per le scienze economiche.
Comprensione dell'eteroschedasticità condizionale autoregressiva (ARCH)
Il modello autoregressivo di eteroschedasticità condizionale (ARCH) è stato progettato per migliorare i modelli econometrici sostituendo le ipotesi di volatilità costante con volatilità condizionale. Engle e altri che lavorano sui modelli ARCH hanno riconosciuto che i dati finanziari passati influenzano i dati futuri, questa è la definizione di autoregressivo. La parte di eteroschedasticità condizionale di ARCH si riferisce semplicemente al fatto osservabile che la volatilità nei mercati finanziari non è costante: tutti i dati finanziari, siano essi valori di mercato azionario, prezzi del petrolio, tassi di cambio o PIL, attraversano periodi di alta e bassa volatilità . Gli economisti hanno sempre saputo la quantità di variazioni della volatilità , ma spesso l'hanno mantenuta costante per un determinato periodo perché non avevano un'opzione migliore durante la modellazione dei mercati.
ARCH ha fornito un modello che gli economisti potrebbero utilizzare al posto di una costante o media per la volatilità . I modelli ARCH potrebbero anche riconoscere e prevedere oltre i cluster di volatilità che si vedono nel mercato durante i periodi di crisi finanziaria o altri eventi del cigno nero. Ad esempio, la volatilità per l'S&P 500 è stata insolitamente bassa per un lungo periodo durante il mercato rialzista dal 2003 al 2007, prima di raggiungere livelli record durante la correzione del mercato del 2008. Questa variazione irregolare ed estrema è difficile per i modelli basati sulla deviazione standard avere a che fare con. I modelli ARCH, tuttavia, sono in grado di correggere i problemi statistici che derivano da questo tipo di pattern nei dati. Inoltre, i modelli ARCH funzionano al meglio con i dati ad alta frequenza (oraria, giornaliera, mensile, trimestrale), quindi sono ideali per i dati finanziari. Di conseguenza, i modelli ARCH sono diventati i pilastri per la modellazione dei mercati finanziari che mostrano volatilità (che è davvero tutti i mercati finanziari nel lungo periodo).
L'evoluzione in corso dei modelli ARCH
Secondo la conferenza di Engle al Nobel nel 2003, ha sviluppato ARCH in risposta alla congettura di Milton Friedman secondo cui era l'incertezza su quale sarebbe stato il tasso di inflazione piuttosto che il tasso di inflazione effettivo ad avere un impatto negativo sull'economia. Una volta costruito, il modello si è rivelato prezioso per la previsione di ogni tipo di volatilità . ARCH ha generato molti modelli correlati che sono anche ampiamente utilizzati nella ricerca e nella finanza, inclusi GARCH,. EGARCH, STARCH e altri.
Questi modelli varianti spesso introducono modifiche in termini di ponderazione e condizionalità al fine di ottenere intervalli di previsione più accurati. Ad esempio, EGARCH, o GARCH esponenziale, attribuisce una maggiore ponderazione ai rendimenti negativi in una serie di dati poiché è stato dimostrato che questi creano maggiore volatilità . In altre parole, la volatilità in un grafico dei prezzi aumenta di più dopo un forte calo che dopo un forte aumento. La maggior parte delle varianti del modello ARCH analizza i dati passati per regolare le ponderazioni utilizzando un approccio di massima verosimiglianza. Ciò si traduce in un modello dinamico in grado di prevedere la volatilità a breve e futura con crescente precisione, motivo per cui così tante istituzioni finanziarie li utilizzano.
Mette in risalto
I modelli ARCH sono utilizzati dalle istituzioni finanziarie per modellare i rischi delle attività su diversi periodi di detenzione.
I modelli di eteroschedasticità condizionale autoregressiva (ARCH) misurano la volatilità e la prevedono nel futuro.
Esistono molti tipi diversi di modelli ARCH che alterano le ponderazioni per fornire viste diverse dello stesso set di dati.
I modelli ARCH sono dinamici, nel senso che rispondono ai cambiamenti nei dati.
