Процес GARCH

Що таке процес GARCH?

Узагальнений процес авторегресійної умовної гетероскедастичності (GARCH) – це економетричний термін, розроблений у 1982 році Робертом Ф. Енглом, економістом і лауреатом Нобелівської премії з економіки 2003 року. GARCH описує підхід до оцінки волатильності на фінансових ринках.

Існує кілька форм моделювання GARCH. Фінансові спеціалісти часто віддають перевагу процесу GARCH, оскільки він забезпечує більш реальний контекст, ніж інші моделі, намагаючись передбачити ціни та ставки фінансових інструментів.

Розуміння процесу GARCH

Гетероскедастичність описує нерегулярний зразок варіації терміну помилки або змінної в статистичній моделі. По суті, там, де спостерігається гетероскедастичність, спостереження не відповідають лінійній схемі. Натомість вони, як правило, скупчуються.

Результат полягає в тому, що висновки та прогнозована цінність, зроблені з моделі, не будуть надійними. GARCH – це статистична модель, яка може бути використана для аналізу ряду різних типів фінансових даних, наприклад, макроекономічних даних. Фінансові установи зазвичай використовують цю модель для оцінки волатильності прибутковості акцій, облігацій та ринкових індексів. Вони використовують отриману інформацію для визначення ціни, судження про те, які активи потенційно можуть забезпечити вищу віддачу, та прогнозування прибутковості поточних інвестицій, щоб допомогти у розподілі активів, хеджуванні, управлінні ризиками та оптимізації рішень.

Загальний процес для моделі GARCH включає три етапи. Перший – це оцінка найбільш підходящої авторегресивної моделі. Під – друге, для обчислення автокорреляции в векторі помилок. Третій крок – перевірка на значущість.

Ще два широко використовувані підходи до оцінки та прогнозування фінансової волатильності – метод класичної історичної волатильності (VolSD) та метод експоненціально зваженої ковзної середньої волатильності (VolEWMA).

Моделі GARCH найкращі для повернення активів

Процеси GARCH відрізняються від гомоскедастичних моделей, які передбачають постійну волатильність і використовуються в базовому звичайному аналізі найменших квадратів (OLS). OLS прагне мінімізувати відхилення між точками даних та лінією регресії відповідно до цих точок. З прибутком активів, мінливість, здається, змінюється протягом певних періодів і залежить від колишніх дисперсій, що робить гомоскедастичну модель неоптимальною.

Процеси GARCH, оскільки вони є авторегресивними, залежать від минулих спостережень у квадраті та минулих дисперсій, щоб моделювати поточну дисперсію. Процеси GARCH широко використовуються у фінансах завдяки своїй ефективності при моделюванні прибутковості активів та інфляції. GARCH націлений на мінімізацію помилок у прогнозуванні шляхом обліку помилок у попередньому прогнозуванні та підвищення точності поточних прогнозів.

Приклад процесу GARCH

Моделі GARCH описують фінансові ринки, на яких нестабільність може змінюватися, стаючи більш нестабільною в періоди фінансових криз або світових подій і менш мінливою в періоди відносного спокою та стабільного економічного зростання. Наприклад, за графіком прибутковості прибутковість акцій може виглядати відносно рівномірною у роки, що передували фінансовій кризі, такій як 2007 рік.

Однак у період, що настає після настання кризи, повернення може шалено коливатися з негативної на позитивну територію. Більше того, підвищена мінливість може передбачати волатильність у майбутньому. Потім волатильність може повернутися до рівня, що нагадує рівень докризового, або бути більш рівномірною в майбутньому. Проста модель регресії не враховує цю зміну волатильності, що спостерігається на фінансових ринках. Він не є представником подій ” чорного лебедя “, які відбуваються частіше, ніж передбачалося.