GARCH-proces

Hvad er GARCH-processen?

Den generaliserede autoregressive betingede heteroskedasticitet (GARCH) proces er et økonometrisk udtryk udviklet i 1982 af Robert F. Engle,. en økonom og 2003 vinder af Nobels mindepris for økonomi. GARCH beskriver en tilgang til at estimere volatilitet på de finansielle markeder.

Der er flere former for GARCH-modellering. Finansielle fagfolk foretrækker ofte GARCH-processen, fordi den giver en mere reel kontekst end andre modeller, når de forsøger at forudsige priser og kurser på finansielle instrumenter.

Forståelse af GARCH-processen

Heteroskedasticitet beskriver det uregelmæssige variationsmønster for et fejlled eller en variabel i en statistisk model. I det væsentlige, hvor der er heteroskedasticitet, svarer observationer ikke til et lineært mønster. I stedet har de en tendens til at klynge sig sammen.

Resultatet er, at konklusionerne og den prædiktive værdi trukket fra modellen ikke vil være pålidelige. GARCH er en statistisk model, der kan bruges til at analysere en række forskellige typer finansielle data, for eksempel makroøkonomiske data. Finansielle institutioner bruger typisk denne model til at estimere volatiliteten af afkast for aktier, obligationer og markedsindekser. De bruger de resulterende oplysninger til at bestemme prisfastsættelse, bedømme hvilke aktiver der potentielt vil give højere afkast, og forudsige afkastet af nuværende investeringer for at hjælpe med deres aktivallokering, afdækning, risikostyring og porteføljeoptimeringsbeslutninger.

Den generelle proces for en GARCH-model omfatter tre trin. Den første er at estimere en bedst passende autoregressiv model. Den anden er at beregne autokorrelationer af fejlleddet. Det tredje trin er at teste for betydning.

To andre udbredte tilgange til at estimere og forudsige finansiel volatilitet er den klassiske historisk volatilitet (VolSD) metode og den eksponentielt vægtede glidende gennemsnitsvolatilitet (VolEWMA) metode.

GARCH-modeller bedst til aktivafkast

GARCH-processer adskiller sig fra homoskedastiske modeller, som antager konstant volatilitet og bruges i grundlæggende ordinære mindste kvadraters (OLS) analyse. OLS sigter mod at minimere afvigelserne mellem datapunkter og en regressionslinje for at passe til disse punkter. Med aktivafkast ser volatiliteten ud til at variere i visse perioder og afhænge af tidligere varians, hvilket gør en homoskedastisk model suboptimal.

GARCH-processer, fordi de er autoregressive, afhænger af tidligere kvadrerede observationer og tidligere varianser for at modellere for nuværende varians. GARCH-processer er meget udbredt i finanssektoren på grund af deres effektivitet i modellering af aktivafkast og inflation. GARCH sigter mod at minimere fejl i prognoser ved at tage højde for fejl i tidligere prognoser og forbedre nøjagtigheden af igangværende forudsigelser.

Eksempel på GARCH-processen

GARCH-modeller beskriver finansielle markeder, hvor volatiliteten kan ændre sig, blive mere volatile i perioder med finansielle kriser eller verdensbegivenheder og mindre volatile i perioder med relativ rolig og stabil økonomisk vækst. På et plot af afkast kan aktieafkast for eksempel se relativt ensartede ud i årene op til en finanskrise som den i 2007.

I perioden efter krisens begyndelse kan afkast dog svinge voldsomt fra negativt til positivt territorium. Desuden kan den øgede volatilitet være forudsigelig for volatilitet fremadrettet. Volatiliteten kan derefter vende tilbage til niveauer, der ligner niveauerne fra før krisen, eller være mere ensartede fremover. En simpel regressionsmodel tager ikke højde for denne variation i volatilitet på de finansielle markeder. Det er ikke repræsentativt for " sort svane " begivenheder, der forekommer oftere end forudsagt.

Højdepunkter

• Den generaliserede autoregressive betingede heteroskedasticitet (GARCH) proces er en tilgang til at estimere volatiliteten på de finansielle markeder.

• Finansielle institutioner bruger modellen til at estimere afkastvolatiliteten for aktier, obligationer og andre investeringsinstrumenter.

• GARCH-processen giver en mere reel kontekst end andre modeller, når man forudsiger priser og kurser på finansielle instrumenter.