Definiție Heteroskedasticitate Condițională AutoRegresivă Condițională (GARCH)

Ce este Heteroskedasticitatea condiționată auto-regresivă generalizată (GARCH)?

Heteroskedasticitatea condițională auto-regresivă generalizată (GARCH) este un model statistic utilizat în analiza datelor din seriile de timp în care se crede că eroarea de varianță este în mod autocorelată. Modelele GARCH presupun că varianța termen de eroare urmează un proces mediu autoregresiv.

Înțelegerea heterosedasticității condiționate auto-regresive generalizate (GARCH)

Deși modelele GARCH pot fi utilizate în analiza mai multor tipuri diferite de date financiare, cum ar fi datele macroeconomice, instituțiile financiare le folosesc de obicei pentru a estima

volatilitate a randamentelor pentru acțiuni, obligațiuni și indici de piață. Aceștia folosesc informațiile rezultate pentru a ajuta la stabilirea prețurilor și pentru a evalua activele care vor furniza potențial rentabilitate mai mare, precum și pentru a prognoza rentabilitatea investițiilor curente pentru a ajuta la realizarea lor. alocarea activelordeciziile de acoperire, gestionarea riscurilor și optimizarea portofoliului.

Modelele GARCH sunt utilizate atunci când varianța termenului de eroare nu este constantă. Adică termenul de eroare este heteroskedastic. Heteroskedasticitatea descrie modelul neregulat de variație a unui termen de eroare, sau variabil, într-un model statistic.

În esență, oriunde există heteroskedasticitate, observațiile nu se conformează unui model liniar. În schimb, tind să se grupeze. Prin urmare, dacă modelele statistice care presupun varianță constantă sunt utilizate pe aceste date, atunci concluziile și valoarea predictivă pe care o putem trage din model nu vor fi fiabile.

Se presupune că varianța termenului de eroare în modelele GARCH variază sistematic, condiționată de dimensiunea medie a termenilor de eroare din perioadele anterioare. Cu alte cuvinte, are heteroskedasticitate condiționată, iar motivul heteroscedasticității este că termenul de eroare urmează un autoregresiv medie mobilă model. Aceasta înseamnă că este o funcție a unei medii a propriilor valori trecute.

Istoria GARCH

GARCH a fost dezvoltat în 1986 de Dr. Tim Bollerslev, doctorand la acea vreme, ca o modalitate de a aborda problema previziunii volatilității prețurilor activelor. S-a bazat pe descoperirea realizată de economistul Robert Engle în 1982 în introducerea Heteroskedasticitate condițională autoregresivă (ARCH) model. Modelul său a presupus că variația randamentelor financiare nu a fost constantă în timp, dar este autocorelată sau condiționată / dependentă una de cealaltă. De exemplu, se poate observa acest lucru în randamentele acțiunilor în care perioadele de volatilitate în randamente tind să fie grupate împreună.

De la introducerea originală, au apărut multe variante ale GARCH. Acestea includ neliniare (NGARCH), care se adresează corelație și a observat „gruparea volatilității” a randamentelor și GARCH integrat (IGARCH), care restricționează parametrul volatilității. Toate variantele modelului GARCH urmăresc să încorporeze direcția, pozitivă sau negativă, a randamentelor în plus față de magnitudine (abordată în modelul original).

Fiecare derivare a GARCH poate fi utilizată pentru a se potrivi calităților specifice stocului, industriei sau datelor economice. Atunci când evaluează riscul, instituțiile financiare încorporează modele GARCH în propriile lor Valoare la risc (VAR), pierderea maximă așteptată (fie pentru o singură poziție de investiție sau de tranzacționare, portofoliu, fie la o divizie sau la nivel de firmă) pe o perioadă de timp specificată. Modelele GARCH sunt vizualizate pentru a oferi indicatori de risc mai buni decât pot fi obținuți prin urmărire deviație standard singur.

Au fost efectuate diverse studii privind fiabilitatea diferitelor modele GARCH în diferite condiții de piață, inclusiv în perioadele care preced și după Marea recesiune.