Čo je proces GARCH
Zovšeobecnený proces autoregresívnej podmienenej heteroskedasticity (GARCH) je ekonometrický pojem, ktorý v roku 1982 vypracoval Robert F. Engle, ekonóm a držiteľ Nobelovej ceny za ekonomiku za rok 2003, ktorý opisuje prístup k odhadu volatility na finančných trhoch. Existuje niekoľko foriem modelovania GARCH. Proces GARCH je často uprednostňovaný odborníkmi v oblasti finančného modelovania, pretože pri snahe predpovedať ceny a sadzby finančných nástrojov poskytuje kontext reálnejší ako iné formy.
VYPRACOVANIE Procesu GOWN
Heteroskedasticita opisuje nepravidelný model variácie chybového termínu alebo premennej v štatistickom modeli. V prípade, že existuje heteroskedasticita, pozorovania nevyhovujú lineárnemu vzoru. Namiesto toho majú tendenciu sa zhlukovať. Výsledkom je, že závery a prediktívna hodnota, ktorú možno z modelu vyvodiť, nebudú spoľahlivé. GARCH je štatistický model, ktorý možno použiť na analýzu mnohých rôznych typov finančných údajov, napríklad makroekonomických údajov. Finančné inštitúcie zvyčajne používajú tento model na odhadovanie volatility výnosov z akcií, dlhopisov a trhových indexov. Výsledné informácie používajú na stanovenie cien a na posúdenie, ktoré aktíva potenciálne poskytnú vyššie výnosy, ako aj na predpovedanie výnosov súčasných investícií, aby pomohli pri rozhodovaní o alokácii, zabezpečení, riadení rizika a optimalizácii portfólia.
Všeobecný proces pre model GARCH zahŕňa tri kroky. Prvým je odhad najvhodnejšieho autoregresívneho modelu. Druhým je výpočet autokorelácií chybového termínu. Tretím krokom je test na významnosť. Dva ďalšie bežne používané prístupy k odhadovaniu a predpovedaniu finančnej volatility sú metóda klasickej historickej volatility (VolSD) a metóda exponenciálne váženej kĺzavej priemernej volatility (VolEWMA).
Príklad procesu GARCH
Modely GARCH pomáhajú opísať finančné trhy, na ktorých sa môže meniť volatilita, stávajú sa volatilnejšími v období finančných kríz alebo svetových udalostí a menej volatilnými v obdobiach relatívneho pokojného a stabilného hospodárskeho rastu. Napríklad na grafe výnosov môžu byť výnosy z akcií relatívne jednotné v rokoch, ktoré viedli k finančnej kríze, napríklad v roku 2007. V časovom období nasledujúcom po začiatku krízy sa však výnosy môžu prudko pohybovať od negatívnych na pozitívne územie. Zvýšená volatilita môže navyše predpovedať volatilitu v budúcnosti. Volatilita sa potom môže vrátiť na úroveň pripomínajúcu predkrízové úrovne alebo môže byť v budúcnosti jednotnejšia. Jednoduchý regresný model nezohľadňuje túto variabilitu volatility, ktorá sa prejavuje na finančných trhoch, a nie je reprezentatívny pre udalosti „čiernej labuť“, ktoré sa vyskytujú viac, ako by sa dalo predpovedať.
Modely GARCH najlepšie pre návratnosť aktív
GARCH procesy sa líšia od homoskedastických modelov, ktoré predpokladajú konštantnú volatilitu a používajú sa v základných bežných najmenších štvorcoch (OLS). Cieľom OLS je minimalizovať odchýlky medzi dátovými bodmi a regresnou čiarou, aby vyhovovali týmto bodom. Pri návratnosti aktív sa zdá, že volatilita sa počas určitých časových období líši a závisí od rozptylu v minulosti, takže homoskedastický model nie je optimálny.
Procesy GARCH, ktoré sú autoregresívne, závisia od minulých štvorcových pozorovaní a minulých odchýlok od modelu aktuálnej odchýlky. Procesy GARCH sa vo financiách často používajú kvôli ich efektívnosti pri modelovaní návratnosti aktív a inflácie. GARCH si kladie za cieľ minimalizovať chyby v predpovedaní účtovaním chýb v predpovedaní, a tým zvýšiť presnosť prebiehajúcich predpovedí.
