Co to jest proces GARCH
Uogólniony proces autoregresyjnej warunkowej heteroskedastyczności (GARCH) to ekonometryczny termin opracowany w 1982 r. Przez Roberta F. Engle'a, ekonomistę i laureata Nagrody Nobla w 2003 r. Dla ekonomii, aby opisać podejście do oszacowania zmienności na rynkach finansowych. Istnieje kilka form modelowania GARCH. Proces GARCH jest często preferowany przez profesjonalistów zajmujących się modelowaniem finansowym, ponieważ zapewnia bardziej rzeczywisty kontekst niż inne formy podczas próby przewidywania cen i stóp instrumentów finansowych.
ŁAMANIE GARCHA Proces
Heteroskedastyczność opisuje nieregularny wzór zmienności składnika błędu lub zmiennej w modelu statystycznym. Zasadniczo tam, gdzie występuje heteroskedastyczność, obserwacje nie są zgodne z liniowym wzorem. Zamiast tego mają tendencję do skupiania się. W rezultacie wnioski i wartość predykcyjna, którą można wyciągnąć z modelu, nie będą wiarygodne. GARCH to model statystyczny, który można wykorzystać do analizy wielu różnych rodzajów danych finansowych, na przykład danych makroekonomicznych. Instytucje finansowe zwykle używają tego modelu do oszacowania zmienności zwrotów z akcji, obligacji i indeksów rynkowych. Wykorzystują uzyskane informacje, aby ustalić ceny i ocenić, które aktywa potencjalnie przyniosą większe zyski, a także prognozować zwrot z bieżących inwestycji, aby pomóc w ich alokacji aktywów, zabezpieczaniu, zarządzaniu ryzykiem i optymalizacji portfela.
Ogólny proces dla modelu GARCH obejmuje trzy etapy. Pierwszym jest oszacowanie najlepiej dopasowanego modelu autoregresyjnego. Drugim jest obliczenie autokorelacji składnika błędu. Trzecim krokiem jest sprawdzenie znaczenia. Dwa inne szeroko stosowane podejścia do szacowania i przewidywania zmienności finansowej to klasyczna metoda historycznej zmienności (VolSD) oraz metoda wykładniczej średniej ruchomej zmienności (VolEWMA).
Przykład procesu GARCH
Modele GARCH pomagają opisać rynki finansowe, na których zmienność może się zmieniać, stając się bardziej zmienna w okresach kryzysów finansowych lub wydarzeń na świecie, a mniej zmienna w okresach względnego spokoju i stałego wzrostu gospodarczego. Na przykład na wykresie zwrotów zwroty akcji mogą wyglądać względnie jednolicie w latach prowadzących do kryzysu finansowego, takiego jak ten w 2007 r. Jednak w okresie następującym po kryzysie zwroty mogą gwałtownie zmienić się z ujemnych na terytorium pozytywne. Ponadto zwiększona zmienność może przewidywać zmienność w przyszłości. Zmienność może następnie powrócić do poziomów przypominających poziomy sprzed kryzysu lub być bardziej jednolita w przyszłości. Prosty model regresji nie uwzględnia tej zmienności zmienności wykazywanej na rynkach finansowych i nie jest reprezentatywny dla zdarzeń „czarnego łabędzia”, które wystąpią więcej niż jeden mógłby przewidzieć.
Modele GARCH najlepsze do zwrotu aktywów
Procesy GARCH różnią się od modeli homoskedastycznych, które zakładają stałą lotność i są wykorzystywane w podstawowej analizie zwykłych metodą najmniejszych kwadratów (OLS). OLS ma na celu zminimalizowanie odchyleń między punktami danych a linią regresji w celu dopasowania do tych punktów. Przy zwrotach z aktywów zmienność wydaje się zmieniać w pewnych okresach i zależy od wcześniejszej wariancji, co sprawia, że model homoskedastyczny nie jest optymalny.
Procesy GARCH, które są autoregresyjne, zależą od wcześniejszych kwadratowych obserwacji i przeszłych wariancji w celu modelowania bieżącej wariancji. Procesy GARCH są szeroko stosowane w finansach ze względu na ich skuteczność w modelowaniu zwrotów z aktywów i inflacji. Celem GARCH jest zminimalizowanie błędów w prognozowaniu poprzez uwzględnienie błędów we wcześniejszym prognozowaniu, a tym samym zwiększenie dokładności bieżących prognoz.
