Co to jest uogólniona autoregresyjna warunkowa heteroterapia (GARCH)?
Uogólniona autoregresyjna warunkowa heteroterapia (GARCH) jest modelem statystycznym stosowanym w analizie danych szeregów czasowych, w których uważa się, że błąd wariancji jest seryjnie autokorelowany. Modele GARCH zakładają, że wariancja błędu jest zgodna z procesem autoregresji średniej ruchomej.
Kluczowe dania na wynos
- GARCH jest techniką modelowania statystycznego stosowaną do przewidywania zmienności zwrotów z aktywów finansowych. GARCH jest odpowiedni dla danych szeregów czasowych, w których wariancja składnika błędu jest seryjnie autokorelowana po procesie autoregresyjnej średniej ruchomej. GARCH jest przydatny do oceny ryzyka i oczekiwanych zwrotów z aktywów, które wykazują klastrowe okresy zmienności w zwrotach.
Zrozumienie uogólnionej autoregresyjnej warunkowej heteroterapii (GARCH)
Chociaż uogólnione modele AutoRegresywnej warunkowej heteroskedastyczności (GARCH) mogą być stosowane w analizie wielu różnych rodzajów danych finansowych, takich jak dane makroekonomiczne, instytucje finansowe zwykle używają ich 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.
Modele GARCH są używane, gdy wariancja składnika błędu nie jest stała. Oznacza to, że termin błędu jest heteroskedastyczny. Heteroskedastyczność opisuje nieregularny wzór zmienności składnika błędu lub zmiennej w modelu statystycznym. Zasadniczo, wszędzie tam, gdzie występuje heteroskedastyczność, obserwacje nie są zgodne z liniowym wzorem. Zamiast tego mają tendencję do skupiania się. Dlatego jeśli do tych danych zostaną zastosowane modele statystyczne zakładające stałą wariancję, wówczas wnioski i wartość predykcyjna, którą można wyciągnąć z modelu, nie będą wiarygodne.
Zakłada się, że wariancja terminu błędu w modelach GARCH zmienia się systematycznie, zależnie od średniej wielkości terminów błędu w poprzednich okresach. Innymi słowy, ma warunkową heteroskedastyczność, a przyczyną heteroskedastyczności jest to, że błąd jest zgodny z autoregresyjnym wzorem średniej ruchomej. Oznacza to, że jest to funkcja średniej wartości z przeszłości.
Historia GARCH
GARCH został sformułowany w latach 80. jako sposób na rozwiązanie problemu prognozowania zmienności cen aktywów. Opierał się on na przełomowej pracy ekonomisty Roberta Engle'a z 1982 r. We wprowadzeniu modelu autoregresyjnej warunkowej heteroterapii (ARCH). Jego model zakładał, że zmienność zysków finansowych nie była stała w czasie, ale są autokorelowane lub zależne od siebie / zależne od siebie. Widać to na przykład w zwrotach akcji, w których okresy zmienności w zwrotach są zwykle skupione razem.
Od czasu pierwotnego wprowadzenia pojawiło się wiele odmian GARCH. Należą do nich Nieliniowe (NGARCH), które rozwiązuje korelację i obserwowane „grupowanie zmienności” zwrotów, oraz Zintegrowany GARCH (IGARCH), który ogranicza parametr zmienności. Wszystkie warianty modelu GARCH mają na celu uwzględnienie kierunku dodatnich lub ujemnych zwrotów oprócz wielkości (omówionej w oryginalnym modelu).
Każde wyprowadzenie GARCH może być wykorzystane do dostosowania specyficznych cech danych giełdowych, branżowych lub ekonomicznych. Oceniając ryzyko, instytucje finansowe uwzględniają modele GARCH w swojej wartości zagrożonej (VAR), maksymalnej oczekiwanej stracie (czy to dla pojedynczej pozycji inwestycyjnej lub handlowej, portfela, czy też na poziomie oddziału lub całej firmy) w określonym przedziale czasu prognozy. Modele GARCH są przeglądane w celu zapewnienia lepszych mierników ryzyka niż można je uzyskać jedynie poprzez śledzenie odchylenia standardowego.
Przeprowadzono różne badania dotyczące niezawodności różnych modeli GARCH w różnych warunkach rynkowych, w tym w okresach poprzedzających i po kryzysie finansowym w 2007 r.
