Proces GARCH

Co to jest proces GARCH?

Proces uogólnionej autoregresyjnej warunkowej heteroskedastyczności (GARCH) to termin ekonometryczny opracowany w 1982 r. Przez Roberta F. Engle, ekonomistę i laureata Nagrody Nobla w dziedzinie ekonomii w 2003 r. GARCH opisuje podejście do szacowania zmienności na rynkach finansowych.

Istnieje kilka form modelowania GARCH. Specjaliści finansowi często preferują proces GARCH, ponieważ zapewnia on bardziej realny kontekst niż inne modele, próbując przewidzieć ceny i stawki instrumentów finansowych.

Zrozumienie procesu GARCH

Heteroskedastyczność opisuje nieregularny wzorzec zmienności składnika błędu lub zmiennej w modelu statystycznym. Zasadniczo tam, gdzie występuje heteroskedastyczność, obserwacje nie są zgodne z liniowym wzorcem. Zamiast tego mają tendencję do skupiania się.

W rezultacie wnioski i wartość predykcyjna wyciągnięta z modelu nie będą wiarygodne. GARCH to model statystyczny, który można wykorzystać do analizy wielu różnych typów danych finansowych, na przykład danych makroekonomicznych. Instytucje finansowe zazwyczaj używają tego modelu do szacowania zmienności zwrotów z akcji, obligacji i indeksów rynkowych. Na podstawie uzyskanych informacji ustalają ceny, oceniają, które aktywa zapewnią potencjalnie wyższe zwroty, oraz prognozują zwroty z bieżących inwestycji, aby pomóc w alokacji aktywów, zabezpieczaniu, zarządzaniu ryzykiem i decyzjach dotyczących optymalizacji portfela.

Ogólny proces dla modelu GARCH obejmuje trzy kroki. Pierwszym jest oszacowanie najlepiej dopasowanego modelu autoregresyjnego. Drugim jest obliczenie autokorelacji składnika błędu. Trzecim krokiem jest sprawdzenie istotności.

Dwa inne szeroko stosowane podejścia do szacowania i przewidywania zmienności finansowej to klasyczna metoda historycznej zmienności (VolSD) i metoda wykładniczo ważonej średniej ruchomej (VolEWMA).

Modele GARCH najlepsze dla zwrotów zasobów

Procesy GARCH różnią się od modeli homoskedastycznych, które zakładają stałą zmienność i są wykorzystywane w podstawowej analizie metodą najmniejszych kwadratów (OLS). OLS ma na celu zminimalizowanie odchyleń między punktami danych i linią regresji, aby dopasować te punkty. W przypadku zwrotów z aktywów zmienność wydaje się zmieniać w pewnych okresach i zależy od przeszłych odchyleń, co sprawia, że ​​model homoskedastyczny jest nieoptymalny.

Procesy GARCH, ponieważ są autoregresyjne, zależą od wcześniejszych kwadratów obserwacji i przeszłych wariancji do modelowania bieżącej wariancji. Procesy GARCH są szeroko stosowane w finansach ze względu na ich skuteczność w modelowaniu zwrotów z aktywów i inflacji. GARCH ma na celu zminimalizowanie błędów w prognozowaniu poprzez uwzględnienie błędów we wcześniejszych prognozach i zwiększenie dokładności bieżących prognoz.

Przykład procesu GARCH

Modele GARCH opisują rynki finansowe, na których zmienność może się zmieniać, stając się bardziej niestabilna w okresach kryzysów finansowych lub wydarzeń na świecie i mniej zmienna w okresach względnie spokojnego i stabilnego wzrostu gospodarczego. Na przykład na wykresie zwrotów stopy zwrotu z akcji mogą wyglądać stosunkowo jednolicie w latach poprzedzających kryzys finansowy, taki jak ten z 2007 r.

Jednak w okresie następującym po rozpoczęciu kryzysu zwroty mogą gwałtownie zmieniać się z poziomu ujemnego na dodatni. Ponadto zwiększona zmienność może być czynnikiem prognostycznym przyszłej zmienności. Zmienność może wówczas powrócić do poziomów przypominających poziomy sprzed kryzysu lub stać się bardziej jednolita w przyszłości. Prosty model regresji nie uwzględnia tej zmiany zmienności występującej na rynkach finansowych. Nie jest reprezentatywny dla wydarzeń związanych z „ czarnym łabędziem ”, które występują częściej niż przewidywano.