Авторегрессионная условная гетероскедастичность (ARCH)

Что такое авторегрессионная условная гетероскедастичность (ARCH)?

Авторегрессионная условная гетероскедастичность (ARCH) — это статистическая модель, используемая для анализа волатильности во временных рядах с целью прогнозирования будущей волатильности. В финансовом мире моделирование ARCH используется для оценки риска, предоставляя модель волатильности, которая больше похожа на реальные рынки. Моделирование ARCH показывает, что за периодами высокой волатильности следует более высокая волатильность, а за периодами низкой волатильности следует более низкая волатильность.

На практике это означает, что волатильность или дисперсия имеют тенденцию группироваться, что полезно для инвесторов при рассмотрении риска владения активом в разные периоды времени. Концепция ARCH была разработана экономистом Робертом Ф. Энглом III в 1980-х годах. ARCH немедленно улучшила финансовое моделирование, в результате чего Энгл получил Нобелевскую премию по экономическим наукам в 2003 году.

Понимание авторегрессионной условной гетероскедастичности (ARCH)

Модель авторегрессионной условной гетероскедастичности (ARCH) была разработана для улучшения эконометрических моделей путем замены предположений о постоянной волатильности на условную волатильность. Энгл и другие, работавшие над моделями ARCH, признали, что прошлые финансовые данные влияют на будущие данные — это определение авторегрессии. Часть условной гетероскедастичности ARCH просто относится к наблюдаемому факту, что волатильность на финансовых рынках непостоянна — все финансовые данные, будь то стоимость фондового рынка, цены на нефть, обменные курсы или ВВП, проходят через периоды высокой и низкой волатильности. Экономистам всегда была известна величина изменений волатильности, но они часто сохраняли ее неизменной в течение заданного периода времени, потому что им не хватало лучшего варианта при моделировании рынков.

ARCH предоставил модель, которую экономисты могли использовать вместо постоянной или средней волатильности. Модели ARCH также могут распознавать и прогнозировать не только кластеры волатильности, которые наблюдаются на рынке в периоды финансового кризиса или других событий типа « черный лебедь ». Например, волатильность индекса S&P 500 была необычно низкой в течение продолжительного периода бычьего рынка с 2003 по 2007 год, а затем достигла рекордного уровня во время коррекции рынка в 2008 году. Это неравномерное и экстремальное изменение трудно для моделей, основанных на стандартном отклонении. иметь дело с. Однако модели ARCH способны корректировать статистические проблемы, возникающие из-за этого типа паттернов в данных. Более того, модели ARCH лучше всего работают с высокочастотными данными (ежечасно, ежедневно, ежемесячно, ежеквартально), поэтому они идеально подходят для финансовых данных. В результате модели ARCH стали основой для моделирования финансовых рынков, которые демонстрируют волатильность (а в долгосрочной перспективе это действительно все финансовые рынки).

Текущая эволюция моделей ARCH

Согласно Нобелевской лекции Энгла в 2003 году, он разработал ARCH в ответ на гипотезу Милтона Фридмана о том, что неопределенность в отношении уровня инфляции, а не фактический уровень инфляции, негативно влияет на экономику. Как только модель была построена, она оказалась бесценной для прогнозирования всех видов волатильности. ARCH породил множество связанных моделей, которые также широко используются в исследованиях и финансах, включая GARCH,. EGARCH, STARCH и другие.

Эти варианты моделей часто вносят изменения с точки зрения взвешивания и условий для достижения более точных диапазонов прогнозирования. Например, EGARCH или экспоненциальный GARCH придает больший вес отрицательной доходности в ряду данных, поскольку было показано, что они создают большую волатильность. Иными словами, волатильность на ценовом графике увеличивается больше после большого падения, чем после большого роста. Большинство вариантов модели ARCH анализируют прошлые данные для корректировки весов с использованием подхода максимального правдоподобия. В результате получается динамическая модель, которая может с большей точностью прогнозировать краткосрочную и будущую волатильность, и именно поэтому их используют многие финансовые учреждения.

Особенности

Модели ARCH используются финансовыми учреждениями для моделирования рисков активов в течение различных периодов владения.
Модели авторегрессионной условной гетероскедастичности (ARCH) измеряют волатильность и прогнозируют ее в будущем.
Существует множество различных типов моделей ARCH, которые изменяют весовые коэффициенты, чтобы обеспечить разные представления одного и того же набора данных.
Модели ARCH являются динамическими, то есть реагируют на изменения данных.