Generalisert AutoRegressive Conditional Heteroskedasticity (GARCH) definisjon

Hva er generalisert AutoRegressive Conditional Heteroskedasticity (GARCH)?

Generalisert AutoRegressive Conditional Heteroskedasticity (GARCH) er en statistisk modell som brukes til å analysere tidsseriedata der variansfeilen antas å være autokorrelert i serie. GARCH -modeller antar at variansen til feilterm følger en autoregressiv prosess for glidende gjennomsnitt.

Forstå Generalized AutoRegressive Conditional Heteroskedasticity (GARCH)

Selv om GARCH -modeller kan brukes i analysen av en rekke forskjellige typer finansielle data, for eksempel makroøkonomiske data, bruker finansinstitusjoner dem vanligvis til å estimere

volatilitet avkastning for aksjer, obligasjoner og markedsindekser. De bruker den resulterende informasjonen til å bestemme priser og bedømme hvilke eiendeler som potensielt vil gi høyere avkastning, samt å forutsi avkastningen til nåværende investeringer for å hjelpe dem eiendeltildeling, sikrings-, risikostyrings- og porteføljeoptimaliseringsbeslutninger.

GARCH -modeller brukes når variansen til feilbegrepet ikke er konstant. Det vil si at feilbegrepet er heteroskedastisk. Heteroskedastisitet beskriver det uregelmessige variasjonsmønsteret til et feilbegrep, eller variabel, i en statistisk modell.

I hovedsak, hvor det er heteroskedastisitet, samsvarer observasjoner ikke med et lineært mønster. I stedet har de en tendens til å samle seg. Derfor, hvis statistiske modeller som antar konstant varians brukes på disse dataene, vil ikke konklusjonene og prediktiv verdien man kan trekke fra modellen være pålitelige.

Variasjonen av feilbegrepet i GARCH -modeller antas å variere systematisk, betinget av gjennomsnittsstørrelsen på feilbetingelsene i tidligere perioder. Med andre ord, den har betinget heteroskedasticitet, og årsaken til heteroskedasticiteten er at feilbegrepet følger en autoregressiv glidende gjennomsnitt mønster. Dette betyr at det er en funksjon av et gjennomsnitt av sine egne tidligere verdier.

GARCHs historie

GARCH ble utviklet i 1986 av Dr. Tim Bollerslev, en doktorand på den tiden, som en måte å løse problemet med å forutsi volatilitet i aktivapriser. Den bygde på økonom Robert Engles gjennombrudd i 1982 i arbeidet med å introdusere Autoregressiv betinget heteroskedastisitet (ARCH) modell. Hans modell antok at variasjonen i økonomisk avkastning ikke var konstant over tid, men er autokorrelert eller betinget av/avhengig av hverandre. For eksempel kan man se dette i aksjeavkastning der perioder med volatilitet i avkastninger pleier å være gruppert sammen.

Siden den opprinnelige introduksjonen har mange varianter av GARCH dukket opp. Disse inkluderer Nonlinear (NGARCH), som adresserer sammenheng og observerte "volatilitetsklynger" av avkastninger og Integrated GARCH (IGARCH), som begrenser volatilitetsparameteren. Alle GARCH -modellvariasjonene søker å inkorporere retningen, positiv eller negativ, for returen i tillegg til størrelsen (adressert i den opprinnelige modellen).

Hver avledning av GARCH kan brukes til å imøtekomme de spesifikke egenskapene til lager, industri eller økonomiske data. Ved vurdering av risiko innarbeider finansinstitusjoner GARCH -modeller i sine Value-at-Risk (VAR), maksimalt forventet tap (enten det er for en enkelt investerings- eller handelsposisjon, portefølje eller på divisjons- eller firmanivå) over en bestemt tidsperiode. GARCH -modeller blir sett på for å gi bedre målinger av risiko enn det som kan oppnås gjennom sporing standardavvik alene.

Ulike studier har blitt utført om påliteligheten til forskjellige GARCH -modeller under forskjellige markedsforhold, inkludert i periodene frem til og etter Stor lavkonjunktur.