Heteroscedasticidade Condicional AutoRegressiva Generalizada (GARCH)
O que é Heteroscedasticidade Condicional AutoRegressiva Generalizada (GARCH)?
A Heteroscedasticidade Condicional AutoRegressiva Generalizada (GARCH) é um modelo estatístico usado na análise de dados de séries temporais em que se acredita que o erro de variância seja autocorrelacionado em série. Os modelos GARCH assumem que a variância do termo de erro segue um processo de média móvel autorregressivo.
Entendendo a Heteroscedasticidade Condicional AutoRegressiva Generalizada (GARCH)
Embora os modelos GARCH possam ser usados na análise de vários tipos diferentes de dados financeiros, como dados macroeconômicos, as instituições financeiras normalmente os utilizam para estimar a volatilidade dos retornos de ações, títulos e índices de mercado. Eles usam as informações resultantes para ajudar a determinar preços e julgar quais ativos potencialmente fornecerão retornos mais altos, bem como prever os retornos dos investimentos atuais para ajudar nas decisões de alocação de ativos,. hedge, gerenciamento de risco e otimização de portfólio.
Os modelos GARCH são usados quando a variância do termo de erro não é constante. Ou seja, o termo de erro é heteroskedas tic. A heterocedasticidade descreve o padrão irregular de variação de um termo de erro, ou variável, em um modelo estatístico.
Essencialmente, onde quer que haja heterocedasticidade, as observações não obedecem a um padrão linear. Em vez disso, eles tendem a se agrupar. Portanto, se modelos estatísticos que assumem variância constante forem usados nesses dados, as conclusões e o valor preditivo que se pode extrair do modelo não serão confiáveis.
Supõe-se que a variância do termo de erro nos modelos GARCH varie sistematicamente, condicionada ao tamanho médio dos termos de erro em períodos anteriores. Em outras palavras, tem heterocedasticidade condicional, e o motivo da heterocedasticidade é que o termo de erro está seguindo um padrão de média móvel autorregressivo. Isso significa que é uma função de uma média de seus próprios valores passados.
##História do GARCH
O GARCH foi desenvolvido em 1986 pelo Dr. Tim Bollerslev, então estudante de doutorado, como forma de abordar o problema de prever a volatilidade dos preços dos ativos. Baseou-se no trabalho inovador de 1982 do economista Robert Engle ao introduzir o modelo de Heteroscedasticidade Condicional Autoregressiva (ARCH). Seu modelo assumiu que a variação dos retornos financeiros não era constante ao longo do tempo, mas que são autocorrelacionados, ou condicionais/dependentes uns dos outros. Por exemplo, pode-se ver isso em retornos de ações, onde os períodos de volatilidade nos retornos tendem a ser agrupados.
Desde a introdução original, surgiram muitas variações do GARCH. Estes incluem Não-linear (NGARCH), que trata da correlação e "agrupamento de volatilidade" observado de retornos, e GARCH Integrado (IGARCH), que restringe o parâmetro de volatilidade. Todas as variações do modelo GARCH buscam incorporar a direção, positiva ou negativa, dos retornos além da magnitude (endereçada no modelo original).
Cada derivação de GARCH pode ser usada para acomodar as qualidades específicas do estoque, indústria ou dados econômicos. Ao avaliar o risco, as instituições financeiras incorporam os modelos GARCH em seu Value-at-Risk (VAR), perda máxima esperada (seja para um único investimento ou posição de negociação, portfólio ou em uma divisão ou nível de toda a empresa) durante um período de tempo especificado . Os modelos GARCH são vistos para fornecer melhores indicadores de risco do que podem ser obtidos apenas pelo rastreamento do desvio padrão.
Vários estudos foram realizados sobre a confiabilidade de vários modelos GARCH durante diferentes condições de mercado, inclusive durante os períodos que antecederam e após a Grande Recessão.
##Destaques
GARCH é útil para avaliar o risco e os retornos esperados para ativos que apresentam períodos agrupados de volatilidade nos retornos.
GARCH é apropriado para dados de séries temporais em que a variação do termo de erro é autocorrelacionada em série seguindo um processo de média móvel autorregressivo.
GARCH é uma técnica de modelagem estatística usada para ajudar a prever a volatilidade dos retornos dos ativos financeiros.
