Heteroskedasticitate condițională autoregresivă (ARCH)
Ce este Heteroskedasticitatea condițională autoregresivă (ARCH)?
Heteroskedasticitatea condițională autoregresivă (ARCH) este un model statistic utilizat pentru a analiza volatilitatea în serii de timp pentru a prognoza volatilitatea viitoare. În lumea financiară, modelarea ARCH este utilizată pentru a estima riscul, oferind un model de volatilitate care seamănă mai mult cu piețele reale. Modelarea ARCH arată că perioadele de volatilitate ridicată sunt urmate de o volatilitate mai mare și perioadele de volatilitate scăzută sunt urmate de o volatilitate mai mică.
În practică, acest lucru înseamnă că volatilitatea sau varianța tinde să se grupeze, ceea ce este util investitorilor atunci când ia în considerare riscul deținerii unui activ pe perioade diferite de timp. Conceptul ARCH a fost dezvoltat de economistul Robert F. Engle în anii 1980. ARCH a îmbunătățit imediat modelarea financiară, ducând la câștigarea Premiului Nobel pentru științe economice din 2003 de către Engle.
Chei de luat masa
- Modelele de heteroskedasticitate condiționată autoregresivă (ARCH) măsoară volatilitatea și o previzionează în viitor.
- Modelele ARCH sunt dinamice, ceea ce înseamnă că răspund la modificările datelor.
- Modelele ARCH sunt utilizate de instituțiile financiare pentru a modela riscurile activelor pe diferite perioade de deținere.
- Există multe tipuri diferite de modele ARCH care modifică ponderile pentru a oferi vizualizări diferite ale aceluiași set de date.
Înțelegerea Heteroskedasticității condiționate autoregresive (ARCH)
Modelul de heteroskedasticitate condițională autoregresivă (ARCH) a fost conceput pentru a îmbunătăți modelele econometrice prin înlocuirea ipotezelor de volatilitate constantă cu volatilitatea condițională. Engle și alții care lucrează la modelele ARCH au recunoscut că datele financiare din trecut influențează datele viitoare – aceasta este definiția autoregresivului. Porțiunea condiționată de heteroskedasticitate a ARCH se referă pur și simplu la faptul observabil că volatilitatea pe piețele financiare este neconstantă – toate datele financiare, indiferent dacă valorile pieței bursiere, prețurile petrolului, ratele de schimb sau PIB, trec prin perioade de volatilitate ridicată și scăzută. Economiștii au știut întotdeauna cantitatea de schimbări de volatilitate, dar adesea au menținut-o constantă pentru o anumită perioadă, deoarece nu aveau o opțiune mai bună la modelarea piețelor.
ARCH a furnizat un model pe care economiștii l-ar putea folosi în locul unei constante sau medii pentru volatilitate. Modelele ARCH ar putea recunoaște și prognoza dincolo de grupurile de volatilitate care se văd pe piață în perioadele de criză financiară sau alte evenimente ale lebedei negre. De exemplu, volatilitatea pentru S&P 500 a fost neobișnuit de scăzută pentru o perioadă extinsă pe piața bull din 2003 până în 2007, înainte de a atinge niveluri record în timpul corecției pieței din 2008. Această variație inegală și extremă este dificilă pentru modelele bazate pe deviație standard a face față. Cu toate acestea, modelele ARCH sunt capabile să corecteze problemele statistice care apar din acest tip de tipar în date. Mai mult, modelele ARCH funcționează cel mai bine cu date de înaltă frecvență (orar, zilnic, lunar, trimestrial), deci sunt ideale pentru date financiare. Ca rezultat, modelele ARCH au devenit piloni pentru modelarea piețelor financiare care prezintă volatilitate (care este într-adevăr toate piețele financiare pe termen lung).
Evoluția continuă a modelelor ARCH
Conform conferinței Nobel a lui Engle din 2003, el a dezvoltat ARCH ca răspuns la conjectura lui Milton Friedman că incertitudinea cu privire la care ar fi rata inflației, mai degrabă decât rata reală a inflației, care are un impact negativ asupra economiei. Odată ce modelul a fost construit, sa dovedit a fi de neprețuit pentru prognozarea tuturor tipurilor de volatilitate. ARCH a generat multe modele conexe, care sunt, de asemenea, utilizate pe scară largă în cercetare și în finanțe, inclusiv GARCH, EGARCH, STARCH și altele.
Aceste variante de modele introduc adesea modificări în ceea ce privește ponderarea și condiționalitatea pentru a obține intervale de prognoză mai precise. De exemplu, EGARCH sau GARCH exponențial oferă o pondere mai mare randamentelor negative într-o serie de date, deoarece acestea s-au dovedit a crea mai multă volatilitate. Altfel spus, volatilitatea într-o diagramă a prețurilor crește mai mult după o scădere mare decât după o creștere mare. Majoritatea variantelor modelului ARCH analizează datele din trecut pentru a ajusta ponderările utilizând o abordare de maximă probabilitate. Acest lucru are ca rezultat un model dinamic care poate prognoza volatilitatea pe termen scurt și viitor cu o precizie crescândă – motiv pentru care atât de multe instituții financiare le folosesc.