Čo je generalizovaná automatická regresívna podmienená heteroskedasticita (GARCH)?
Generalizovaná automatická regresívna podmienená heteroskedasticita (GARCH) je štatistický model používaný pri analýze údajov časových radov, pri ktorých sa predpokladá, že chyba rozptylu je sériovo autokorelovaná. Modely GARCH predpokladajú, že rozptyl chybového termínu nasleduje proces autoregresívneho kĺzavého priemeru.
Kľúčové jedlá
- GARCH je technika štatistického modelovania, ktorá sa používa na predpovedanie volatility výnosov z finančných aktív. GARCH je vhodný pre údaje časových radov, kde rozptyl chybového termínu je sériovo autokorelovaný podľa postupu autoregresívneho kĺzavého priemeru. GARCH je užitočný na hodnotenie rizika a očakávaných výnosov z aktív, ktoré vykazujú zoskupené obdobia volatility výnosov.
Pochopenie všeobecnej automatickej regresívnej podmienenej heteroskedasticity (GARCH)
Hoci sa modely generalizovanej autoRegresívnej podmienenej heteroskedasticity (GARCH) dajú použiť na analýzu mnohých rôznych typov finančných údajov, ako sú napríklad makroekonomické údaje, finančné inštitúcie ich zvyčajne používajú 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, zaistení, riadení rizika a optimalizácii portfólia.
Modely GARCH sa používajú, keď rozptyl chybového termínu nie je konštantný. To znamená, že chybový termín je heteroskedastický. Heteroskedasticita opisuje nepravidelný model variácie chybového termínu alebo premennej v štatistickom modeli. V podstate, kdekoľvek je heteroskedasticita, pozorovania nevyhovujú lineárnemu vzoru. Namiesto toho majú tendenciu sa zhlukovať. Preto, ak sa na tieto údaje použijú štatistické modely, ktoré predpokladajú konštantnú odchýlku, závery a prediktívna hodnota, ktorú možno z modelu odvodiť, nebudú spoľahlivé.
Predpokladá sa, že rozptyl chybového termínu v GARCH modeloch sa bude systematicky meniť, podmienený priemernou veľkosťou chybových termínov v predchádzajúcich obdobiach. Inými slovami, má podmienenú heteroskedasticitu a dôvodom pre heteroskedasticitu je to, že chybový termín sleduje autoregresívny model kĺzavého priemeru. To znamená, že je to funkcia priemeru jej vlastných minulých hodnôt.
História GARCH
GARCH bol formulovaný v 80-tych rokoch ako spôsob riešenia problému predpovedania volatility cien aktív. Stavala na prielomovej práci ekonóma Roberta Engla v roku 1982 pri zavádzaní modelu autoregresívnej podmienenej heteroskedasticity (ARCH). Jeho model predpokladal, že kolísanie finančných výnosov nebolo v priebehu času konštantné, ale sú autokorelované alebo závislé od seba. Napríklad to možno vidieť na výnosoch z akcií, kde obdobia volatility výnosov majú tendenciu sa zoskupovať.
Od pôvodného zavedenia sa objavilo veľa variácií GARCH. Patria sem nelineárne (NGARCH), ktoré sa zaoberajú koreláciou a pozorovaným „zoskupením volatility“ výnosov, a integrované GARCH (IGARCH), ktoré obmedzujú parameter volatility. Všetky variácie modelu GARCH sa snažia zahrnúť smer (pozitívny alebo negatívny) výnosov okrem rozsahu (adresovaný v pôvodnom modeli).
Každá derivácia GARCH sa môže použiť na prispôsobenie sa špecifickým vlastnostiam údajov o akciách, priemysle alebo ekonomike. Pri posudzovaní rizika finančné inštitúcie začleňujú modely GARCH do svojej Value-at-Risk (VAR), maximálnej očakávanej straty (či už pre jednu investíciu alebo obchodnú pozíciu, portfólio alebo na úrovni divízie alebo celej firmy) v stanovenom časovom období. projekcie. Modely GARCH sa posudzujú tak, aby poskytovali lepšie ukazovatele rizika, ako je možné získať iba sledovaním štandardnej odchýlky.
Uskutočnili sa rôzne štúdie o spoľahlivosti rôznych modelov GARCH za rôznych trhových podmienok, a to aj v obdobiach pred a po finančnej kríze v roku 2007.
