Proces GARCH

Co to jest proces GARCH?

Uogólniony proces autoregresji warunkowej heteroskedastyczności (GARCH) jest terminem ekonometrycznym opracowanym w 1982 roku przez Roberta F. Engle,. ekonomistę i laureata Nagrody Nobla w dziedzinie ekonomii w 2003 roku. GARCH opisuje podejście do szacowania zmienności na rynkach finansowych.

Istnieje kilka form modelowania GARCH. Specjaliści finansowi często wolą proces GARCH, ponieważ zapewnia bardziej rzeczywisty kontekst niż inne modele podczas próby przewidywania cen i stawek instrumentów finansowych.

Zrozumienie procesu GARCH

Heteroskedastyczność opisuje nieregularny wzorzec zmienności składnika błędu lub zmiennej w modelu statystycznym. Zasadniczo tam, gdzie występuje heteroskedastyczność, obserwacje nie są zgodne z liniowym wzorcem. Zamiast tego mają tendencję do skupiania się.

W rezultacie wnioski i wartość predykcyjna wyciągnięte z modelu nie będą wiarygodne. GARCH to model statystyczny, który można wykorzystać do analizy wielu różnych rodzajów danych finansowych, na przykład danych makroekonomicznych. Instytucje finansowe zazwyczaj używają tego modelu do szacowania zmienności stóp zwrotu z akcji, obligacji i indeksów rynkowych. Wykorzystują uzyskane informacje do ustalenia cen, oceny, które aktywa potencjalnie zapewnią wyższe zwroty i prognozują zwroty z bieżących inwestycji, aby pomóc w podejmowaniu decyzji dotyczących alokacji aktywów, zabezpieczania, zarządzania ryzykiem i optymalizacji portfela.

Ogólny proces dla modelu GARCH obejmuje trzy kroki. Pierwszym z nich jest oszacowanie najlepiej dopasowanego modelu autoregresyjnego . Drugim jest obliczenie autokorelacji składnika błędu. Trzeci krok to test istotności.

Dwa inne powszechnie stosowane podejścia do szacowania i przewidywania zmienności finansowej to klasyczna metoda zmienności historycznej (VolSD) oraz metoda wykładniczo ważonej średniej ruchomej zmienności (VolEWMA).

Modele GARCH najlepsze dla zwrotów aktywów

Procesy GARCH różnią się od modeli homoskedastycznych,. które zakładają stałą zmienność i są wykorzystywane w podstawowej analizie zwykłych najmniejszych kwadratów (OLS). OLS ma na celu zminimalizowanie odchyleń między punktami danych a linią regresji w celu dopasowania tych punktów. W przypadku zwrotów z aktywów zmienność wydaje się zmieniać w pewnych okresach i zależy od wariancji w przeszłości, co sprawia, że model homoskedastyczny jest suboptymalny.

Procesy GARCH, ponieważ są autoregresyjne, opierają się na przeszłych obserwacjach do kwadratu i przeszłych wariancjach w celu modelowania bieżącej wariancji. Procesy GARCH są szeroko stosowane w finansach ze względu na ich skuteczność w modelowaniu zwrotu z aktywów i inflacji. GARCH ma na celu zminimalizowanie błędów w prognozowaniu poprzez uwzględnienie błędów we wcześniejszych prognozach i zwiększenie dokładności bieżących prognoz.

Przykład procesu GARCH

Modele GARCH opisują rynki finansowe, na których zmienność może się zmieniać, stając się bardziej niestabilna w okresach kryzysów finansowych lub wydarzeń na świecie i mniej niestabilna w okresach względnego spokoju i stałego wzrostu gospodarczego. Na wykresie zwrotów, na przykład, zwroty z akcji mogą wyglądać stosunkowo jednolicie w latach poprzedzających kryzys finansowy, taki jak ten z 2007 roku.

Jednak w okresie następującym po rozpoczęciu kryzysu zwroty mogą gwałtownie zmieniać się z wartości ujemnych na dodatnie. Co więcej, zwiększona zmienność może być predyktorem przyszłej zmienności. Zmienność może następnie powrócić do poziomów podobnych do poziomów sprzed kryzysu lub być bardziej jednolita w przyszłości. Prosty model regresji nie uwzględnia tej zmienności zmienności występującej na rynkach finansowych. Nie jest reprezentatywna dla zdarzeń „ czarnego łabędzia ”, które występują częściej niż przewidywano.

##Przegląd najważniejszych wydarzeń

• Proces uogólnionej autoregresji warunkowej heteroskedastyczności (GARCH) jest podejściem do szacowania zmienności rynków finansowych.

• Instytucje finansowe wykorzystują model do oszacowania zmienności zwrotu z akcji, obligacji i innych instrumentów inwestycyjnych.

• Proces GARCH zapewnia bardziej rzeczywisty kontekst niż inne modele podczas przewidywania cen i stawek instrumentów finansowych.