GARCH-процесс

Что такое процесс GARCH?

Процесс обобщенной авторегрессионной условной гетероскедастичности (GARCH) — это эконометрический термин, разработанный в 1982 году Робертом Ф. Энглом,. экономистом и лауреатом Нобелевской премии по экономике в 2003 году. GARCH описывает подход к оценке волатильности на финансовых рынках.

Существует несколько форм моделирования GARCH. Финансовые специалисты часто предпочитают процесс GARCH, потому что он обеспечивает более реальный контекст, чем другие модели, когда пытается предсказать цены и курсы финансовых инструментов.

Понимание процесса GARCH

Гетероскедастичность описывает нерегулярный характер изменения члена ошибки или переменной в статистической модели. По существу, там, где есть гетероскедастичность, наблюдения не соответствуют линейному шаблону. Вместо этого они склонны группироваться.

В результате выводы и прогностическая ценность модели не будут надежными. GARCH — это статистическая модель, которую можно использовать для анализа ряда различных типов финансовых данных, например, макроэкономических данных. Финансовые учреждения обычно используют эту модель для оценки волатильности доходности акций, облигаций и рыночных индексов. Они используют полученную информацию для определения цен, определения активов, которые потенциально могут обеспечить более высокую доходность, и прогнозирования доходности текущих инвестиций, чтобы помочь им в распределении активов, хеджировании, управлении рисками и решениях по оптимизации портфеля.

Общий процесс для модели GARCH включает три этапа. Во-первых, необходимо оценить наиболее подходящую авторегрессионную модель. Второй заключается в вычислении автокорреляций члена ошибки. Третий шаг – проверка значимости.

Двумя другими широко используемыми подходами к оценке и прогнозированию финансовой волатильности являются классический метод исторической волатильности (VolSD) и метод экспоненциально взвешенной скользящей средней волатильности (VolEWMA).

Модели GARCH лучше всего подходят для доходности активов

Процессы GARCH отличаются от гомоскедастических моделей, которые предполагают постоянную волатильность и используются в базовом анализе методом наименьших квадратов (OLS). OLS стремится свести к минимуму отклонения между точками данных и линией регрессии, соответствующей этим точкам. При доходности активов волатильность, по-видимому, меняется в течение определенных периодов и зависит от прошлой дисперсии, что делает гомоскедастическую модель неоптимальной.

Процессы GARCH, поскольку они являются авторегрессивными, зависят от прошлых наблюдений в квадрате и прошлых дисперсий для моделирования текущей дисперсии. Процессы GARCH широко используются в финансах из-за их эффективности в моделировании доходности активов и инфляции. GARCH стремится свести к минимуму ошибки в прогнозировании за счет учета ошибок в предыдущем прогнозе и повышения точности текущих прогнозов.

Пример процесса GARCH

Модели GARCH описывают финансовые рынки, на которых волатильность может изменяться, становясь более волатильной в периоды финансовых кризисов или мировых событий и менее волатильной в периоды относительного спокойствия и устойчивого экономического роста. Например, на графике доходности доходность акций может выглядеть относительно одинаковой за годы, предшествовавшие финансовому кризису, такому как кризис 2007 года.

Однако в период после начала кризиса доходность может резко колебаться от отрицательной до положительной территории. Более того, повышенная волатильность может предсказывать волатильность в будущем. Затем волатильность может вернуться к уровням, напоминающим докризисные уровни, или стать более равномерной в будущем. Простая регрессионная модель не учитывает такое изменение волатильности финансовых рынков. Это не показатель событий « черного лебедя », которые происходят чаще, чем предполагалось.

Особенности

• Процесс обобщенной авторегрессионной условной гетероскедастичности (GARCH) представляет собой подход к оценке волатильности финансовых рынков.

• Финансовые учреждения используют эту модель для оценки волатильности доходности акций, облигаций и других инвестиционных инструментов.

• Процесс GARCH обеспечивает более реальный контекст, чем другие модели, при прогнозировании цен и курсов финансовых инструментов.