Procesul GARCH

Care este procesul GARCH?

Procesul de heteroskedasticitate condiționată autoregresivă generalizată (GARCH) este un termen econometric dezvoltat în 1982 de Robert F. Engle, economist și câștigător al Premiului Nobel pentru economie în 2003. GARCH descrie o abordare pentru estimarea volatilității pe piețele financiare.

Există mai multe forme de modelare GARCH. profesioniști din domeniul financiar preferă de multe ori procesul GARCH, deoarece oferă un context real mai mult decât alte modele atunci când încearcă să prezică prețurile și ratele de instrumente financiare.

Chei de luat masa:

• Procesul generalizat autoregresiv heteroschedasticitate condiționată (GARCH) este o abordare pentru estimarea volatilității piețelor financiare.
• Instituțiile financiare folosesc modelul pentru a estima volatilitatea de returnare a stocurilor, obligațiuni și alte vehicule de investiții.
• Procesul GARCH oferă un context mai real decât alte modele atunci când se prezice prețurile și ratele instrumentelor financiare.

Înțelegerea procesului GARCH

Heteroscedasticității descrie modelul neregulat de variație a unui termen de eroare sau variabilă, într – un model statistic. În esență, în cazul în care există heteroschedasticitate, observațiile nu sunt conforme cu un model liniar. În schimb, tind să se grupeze.

Rezultatul este că concluziile și valoarea predictivă trase din modelul nu va fi de încredere. GARCH este un model statistic care poate fi utilizat pentru a analiza o serie de tipuri diferite de date financiare, de exemplu, date macroeconomice. Instituțiile financiare folosesc de obicei acest model pentru a estima volatilitatea randamentelor pentru acțiuni, obligațiuni, și indici de piață. Aceștia folosesc informațiile rezultate pentru a stabili prețurile, evaluează activele care vor furniza potențial rentabilitate mai mare și prognozează rentabilitatea investițiilor curente pentru a ajuta la alocarea activelor, acoperirea, gestionarea riscurilor și deciziile de optimizare a portofoliului.

Procesul general pentru un model GARCH implică trei pași. Prima este de a estima cel mai bun montaj- autoregresiv model. Al doilea este de a calcula autocorelației a termenului de eroare. Al treilea pas este testarea semnificației.

Alte două abordări utilizate pe scară largă pentru estimarea și prezicerea volatilității financiare sunt metoda clasică a volatilității istorice (VolSD) și metoda volatilității medii mobile ponderate exponențial (VolEWMA).

Modele GARCH Cel mai bun pentru returnarea activelor

Procesele GARCH diferă de modelele homoskedastice, care presupun volatilitate constantă și sunt utilizate în analiza de bază a celor mai mici pătrate (OLS). OLS își propune să reducă la minimum abaterile dintre punctele de date și o linie de regresie pentru a se potrivi cu aceste puncte. Cu randamentele activelor, volatilitatea pare să varieze în anumite perioade și depinde de varianța trecută, făcând un model homoskedastic suboptim.

Procesele GARCH, deoarece sunt autoregresive, depind de observațiile pătrate anterioare și de varianțele anterioare pentru a modela varianța curentă. Procesele GARCH sunt utilizate pe scară largă în finanțe datorită eficienței lor în modelarea randamentelor activelor și a inflației. GARCH își propune să reducă la minimum erorile de prognoză, luând în calcul erori în proiecția anterioară și consolidarea acuratețea predicțiilor în curs de desfășurare.

Exemplu al procesului GARCH

Modelele GARCH descriu piețele financiare în care volatilitatea se poate schimba, devenind mai volatile în perioadele de criză financiară sau evenimente mondiale și mai puțin volatile în perioadele de calm relativ și creștere economică constantă. Pe un teren de întoarce, de exemplu, se întoarce de stoc poate arata relativ uniform pentru anii care au dus la o criză financiară, cum ar fi cea din 2007.

Cu toate acestea, în perioada care a urmat declanșării unei crize, rentabilitățile pot varia de la teritoriu negativ la pozitiv. Mai mult decât atât, volatilitatea crescută poate fi predictivă volatilitate merge mai departe. Volatilitatea poate reveni apoi la niveluri asemănătoare cu cele ale nivelurilor dinaintea crizei sau poate fi mai uniformă în viitor. Un model de regresie simplu nu ține cont de această variație a volatilității expuse pe piețele financiare. Nu este reprezentativă pentru „ lebada neagra “ evenimente care au loc mai des decât a prezis.