Splošna avtoregresivna pogojna heteroskedasticnost (GARCH) Opredelitev

Kaj je splošna pogojna heteroskedasticnost avtoregresije (GARCH)?

Splošna avtoregresivna pogojna heteroskedasticnost (GARCH) je statistični model, ki se uporablja za analizo podatkov časovnih vrst, pri katerih je verjetnost, da je napaka variance serijsko samodejno povezana. Modeli GARCH predpostavljajo, da je varianca izraz napake sledi avtoregresivnemu procesu drsečega povprečja.

Razumevanje splošne pogojne heteroskedasticnosti s samodejnim napredovanjem (GARCH)

Čeprav se lahko modeli GARCH uporabljajo pri analizi številnih različnih vrst finančnih podatkov, kot so makroekonomski podatki, jih finančne institucije običajno uporabljajo za oceno

nestanovitnost donosov delnic, obveznic in tržnih indeksov. Dobljene informacije uporabljajo za določanje cen in presojo, katera sredstva bodo potencialno zagotovila višji donos, pa tudi za napovedovanje donosa trenutnih naložb, ki bodo pomagala pri njihovem dodelitev sredstev, odločitve o varovanju pred tveganjem, obvladovanju tveganj in optimizaciji portfelja.

Modeli GARCH se uporabljajo, kadar varianca izraza napake ni konstantna. To pomeni, da je izraz napake heteroskedastic. Heteroskedasticnost opisuje nepravilen vzorec variacije izraza napake ali spremenljivke v statističnem modelu.

V bistvu, kjer koli obstaja heteroskedasticnost, opazovanja niso v skladu z linearnim vzorcem. Namesto tega se nagibajo k združevanju. Če torej pri teh podatkih uporabimo statistične modele, ki predvidevajo konstantno variacijo, potem sklepi in napovedna vrednost, ki jih lahko izvedemo iz modela, ne bodo zanesljivi.

Predvideva se, da se varianca izraza napake v modelih GARCH sistematično spreminja, odvisno od povprečne velikosti izrazov napak v prejšnjih obdobjih. Z drugimi besedami, ima pogojno heteroskedasticnost, razlog za heteroskedasticnost pa je, da izraz napake sledi avtoregresiji drseče povprečje vzorec. To pomeni, da je funkcija povprečja lastnih preteklih vrednot.

Zgodovina podjetja GARCH

GARCH je leta 1986 razvil dr. Tim Bollerslev, takratni doktorand, kot način reševanja problema napovedovanja nestanovitnosti cen premoženja. Gradil je na prelomnem delu ekonomista Roberta Engleja leta 1982 pri uvajanju Avtoregresivna pogojna heteroskedasticnost (ARCH) model. Njegov model je predpostavil, da variacije finančnih donosov skozi čas niso bile konstantne, ampak so avtokorelirane ali pogojene ali odvisne drug od drugega. To je na primer mogoče videti pri donosnosti delnic, kjer so obdobja nihanja donosov običajno združena.

Od prvotnega uvoda se je pojavilo veliko različic GARCH. Sem spadajo Nelinearni (NGARCH), ki naslavljajo korelacija in opazili "združevanje nestanovitnosti" donosov in Integrirano GARCH (IGARCH), ki omejuje parameter nestanovitnosti. Vse različice modela GARCH poskušajo poleg velikosti (obravnavane v prvotnem modelu) vključiti tudi smer, pozitivno ali negativno.

Vsako izpeljavo GARCH lahko uporabimo za prilagajanje posebnim lastnostim zalog, industrijskih ali gospodarskih podatkov. Pri ocenjevanju tveganja finančne institucije v svoje modele vključijo modele GARCH Tveganje vrednosti (VAR), največja pričakovana izguba (bodisi za posamezno naložbeno ali trgovalno pozicijo, portfelj ali na ravni oddelka ali celotnega podjetja) v določenem časovnem obdobju. Zdi se, da modeli GARCH ponujajo boljše merilnike tveganja, kot jih je mogoče doseči s sledenjem standardni odklon sam.

O zanesljivosti različnih modelov GARCH so bile v različnih tržnih razmerah, vključno v obdobjih pred in po Velika recesija.