자기회귀 조건부 이분산성(ARCH)

자기회귀 조건부 이분산성(ARCH)이란 무엇입니까?

자기회귀 조건부 이분산성(ARCH)은 미래 변동성을 예측하기 위해 시계열의 변동성 을 분석하는 데 사용되는 통계 모델입니다. 금융 세계에서 ARCH 모델링은 실제 시장과 보다 유사한 변동성 모델을 제공하여 위험을 추정하는 데 사용됩니다. ARCH 모델링은 높은 변동성 기간 뒤에 더 높은 변동성이 뒤따르고 낮은 변동성 기간 뒤에 더 낮은 변동성이 뒤따른다는 것을 보여줍니다.

실제로 이는 변동성 또는 분산 이 클러스터링되는 경향이 있음을 의미하며, 이는 다양한 기간 동안 자산을 보유할 위험을 고려할 때 투자자에게 유용합니다. ARCH 개념은 1980년대 경제학자 Robert F. Engle III 에 의해 개발되었습니다. ARCH는 즉시 재무 모델링을 개선하여 Engle은 2003년 노벨 경제학상을 수상했습니다.

자기회귀 조건부 이분산성(ARCH) 이해하기

자기회귀 조건부 이분산성(ARCH) 모델은 일정 변동성의 가정을 조건부 변동성으로 대체 하여 계량 경제학 모델을 개선하도록 설계되었습니다. Engle과 ARCH 모델을 연구하는 다른 사람들은 과거 재무 데이터가 미래 데이터에 영향을 미친다는 사실을 인식했습니다 . 이것이 자기회귀 의 정의입니다. ARCH의 조건부 이분산성 부분은 단순히 금융 시장의 변동성이 일정하지 않다는 관찰 가능한 사실을 나타냅니다. 주식 시장 가치, 유가, 환율 또는 GDP와 같은 모든 금융 데이터는 변동성이 높거나 낮은 기간을 거칩니다. 경제학자들은 항상 변동성 변화의 양을 알고 있었지만 시장을 모델링할 때 더 나은 옵션이 없었기 때문에 주어진 기간 동안 변동성을 일정하게 유지하는 경우가 많았습니다.

ARCH는 경제학자들이 변동성에 대한 상수나 평균 대신 사용할 수 있는 모델을 제공했습니다. ARCH 모델은 금융 위기 또는 기타 블랙 스완 이벤트 기간 동안 시장에서 볼 수 있는 변동성 클러스터 너머를 인식하고 예측할 수도 있습니다. 예를 들어, S&P 500의 변동성 은 2003년부터 2007년까지 강세장 동안 장기간 비정상적으로 낮았으며 2008년 시장 조정 기간 동안 기록적인 수준으로 급등했습니다. 이러한 불균등하고 극단적인 변동은 표준 편차 기반 모델에서는 어렵습니다. 다루기 위해서. 그러나 ARCH 모델은 데이터에서 이러한 유형의 패턴에서 발생하는 통계적 문제를 수정할 수 있습니다. 또한 ARCH 모델은 빈도가 높은 데이터(시간별, 일별, 월별, 분기별)에서 가장 잘 작동하므로 재무 데이터에 이상적입니다. 결과적으로 ARCH 모델은 변동성을 나타내는 금융 시장(장기적으로는 실제로 모든 금융 시장임)을 모델링하는 데 주류가 되었습니다.

ARCH 모델의 지속적인 진화

2003년 엥글의 노벨상 강의에 따르면 경제에 부정적인 영향을 미치는 것은 실제 인플레이션율이 아니라 인플레이션율에 대한 불확실성이라는 밀턴 프리드먼(Milton Friedman)의 추측에 부응하여 ARCH를 개발했다고 합니다. 모델이 구축되면 모든 종류의 변동성을 예측하는 데 매우 유용하다는 것이 입증되었습니다. ARCH는 GARCH,. EGARCH, STARCH 등을 포함하여 연구 및 금융에서도 널리 사용되는 많은 관련 모델을 생성 했습니다.

이러한 변형 모델은 종종 더 정확한 예측 범위를 달성하기 위해 가중치 및 조건 측면에서 변경을 도입합니다. 예를 들어, EGARCH 또는 지수 GARCH는 더 많은 변동성을 생성하는 것으로 나타났기 때문에 데이터 시리즈의 마이너스 수익에 더 큰 가중치를 부여합니다. 다시 말해서, 가격 차트의 변동성은 큰 상승 이후보다 큰 하락 이후에 더 많이 증가합니다. 대부분의 ARCH 모델 변형은 최대 가능성 접근 방식 을 사용하여 가중치를 조정하기 위해 과거 데이터를 분석합니다 . 그 결과 정확도가 높아져 단기 및 미래 변동성을 예측할 수 있는 동적 모델이 생성됩니다. 물론 많은 금융 기관에서 이 모델을 사용합니다.

##하이라이트

• ARCH 모델은 금융 기관에서 다양한 보유 기간 동안 자산 위험을 모델링하는 데 사용됩니다.

• 자기회귀 조건부 이분산성(ARCH) 모델은 변동성을 측정하고 미래를 예측합니다.

• 가중치를 변경하여 동일한 데이터 세트의 다른 보기를 제공하는 다양한 유형의 ARCH 모델이 있습니다.

• ARCH 모델은 동적이므로 데이터 변경 사항에 응답합니다.