Investor's wiki

Heteroscedasticidade condicional autorregressiva (ARCH)

Heteroscedasticidade condicional autorregressiva (ARCH)

O que é Heteroscedasticidade Condicional Autoregressiva (ARCH)?

A heteroscedasticidade condicional autorregressiva (ARCH) é um modelo estatístico usado para analisar a volatilidade em séries temporais para prever a volatilidade futura. No mundo financeiro, a modelagem ARCH é usada para estimar o risco, fornecendo um modelo de volatilidade que se assemelha mais aos mercados reais. A modelagem ARCH mostra que períodos de alta volatilidade são seguidos por mais alta volatilidade e períodos de baixa volatilidade são seguidos por mais baixa volatilidade.

Na prática, isso significa que a volatilidade ou variação tende a se agrupar, o que é útil para os investidores ao considerar o risco de manter um ativo em diferentes períodos de tempo. O conceito ARCH foi desenvolvido pelo economista Robert F. Engle III na década de 1980. ARCH imediatamente melhorou a modelagem financeira, resultando em Engle ganhando o Prêmio Nobel de Ciências Econômicas de 2003.

Entendendo a heteroscedasticidade condicional autorregressiva (ARCH)

O modelo de heterocedasticidade condicional autorregressiva (ARCH) foi projetado para melhorar os modelos econométricos,. substituindo as premissas de volatilidade constante por volatilidade condicional. Engle e outros que trabalham em modelos ARCH reconheceram que dados financeiros passados influenciam dados futuros – essa é a definição de autorregressivo. A porção de heterocedasticidade condicional do ARCH simplesmente se refere ao fato observável de que a volatilidade nos mercados financeiros não é constante – todos os dados financeiros, sejam valores de mercado de ações, preços do petróleo, taxas de câmbio ou PIB, passam por períodos de alta e baixa volatilidade. Os economistas sempre souberam da quantidade de mudanças de volatilidade, mas muitas vezes a mantiveram constante por um determinado período porque não tinham uma opção melhor ao modelar mercados.

O ARCH forneceu um modelo que os economistas poderiam usar em vez de uma constante ou média para volatilidade. Os modelos ARCH também podem reconhecer e prever além dos clusters de volatilidade que são vistos no mercado durante períodos de crise financeira ou outros eventos de cisne negro . Por exemplo, a volatilidade do S&P 500 foi excepcionalmente baixa por um longo período durante o mercado altista de 2003 a 2007, antes de atingir níveis recordes durante a correção de mercado de 2008. Essa variação desigual e extrema é difícil para modelos baseados em desvio padrão lidar com. Os modelos ARCH, no entanto, são capazes de corrigir os problemas estatísticos que surgem desse tipo de padrão nos dados. Além disso, os modelos ARCH funcionam melhor com dados de alta frequência (por hora, diariamente, mensalmente, trimestralmente), por isso são ideais para dados financeiros. Como resultado, os modelos ARCH tornaram-se pilares para modelar mercados financeiros que exibem volatilidade (que é realmente todos os mercados financeiros no longo prazo).

A evolução contínua dos modelos ARCH

De acordo com a palestra do Nobel de Engle em 2003, ele desenvolveu o ARCH em resposta à conjectura de Milton Friedman de que era a incerteza sobre qual seria a taxa de inflação e não a taxa real de inflação que impacta negativamente uma economia. Uma vez que o modelo foi construído, provou ser inestimável para prever todos os tipos de volatilidade. O ARCH gerou muitos modelos relacionados que também são amplamente utilizados em pesquisa e finanças, incluindo GARCH,. EGARCH, STARCH e outros.

Esses modelos variantes geralmente introduzem mudanças em termos de ponderação e condicionalidade para obter faixas de previsão mais precisas. Por exemplo, EGARCH, ou GARCH exponencial, dá uma maior ponderação aos retornos negativos em uma série de dados, pois eles demonstraram criar mais volatilidade. Dito de outra forma, a volatilidade em um gráfico de preços aumenta mais após uma grande queda do que após um grande aumento. A maioria das variantes do modelo ARCH analisa dados anteriores para ajustar as ponderações usando uma abordagem de probabilidade máxima. Isso resulta em um modelo dinâmico que pode prever a volatilidade futura e de curto prazo com precisão cada vez maior – razão pela qual tantas instituições financeiras os utilizam.

##Destaques

  • Os modelos ARCH são usados pelas instituições financeiras para modelar os riscos dos ativos em diferentes períodos de detenção.

  • Os modelos de heterocedasticidade condicional autorregressiva (ARCH) medem a volatilidade e a prevêem no futuro.

  • Existem muitos tipos diferentes de modelos ARCH que alteram as ponderações para fornecer diferentes visualizações do mesmo conjunto de dados.

  • Os modelos ARCH são dinâmicos, o que significa que respondem a mudanças nos dados.