Kaj je posplošena avtoregresivna pogojna heterosklestičnost (GARCH)?
Splošna avtoregresivna pogojna heteroroskedastičnost (GARCH) je statistični model, ki se uporablja za analizo podatkov časovnih vrst, pri katerih se verjame, da je napaka variance serijsko avtokorelirana. Modeli GARCH predpostavljajo, da variance izraza napake sledijo postopku avtoresresičnega drsečega povprečja.
Ključni odvzemi
- GARCH je tehnika statističnega modeliranja, ki se uporablja za napovedovanje nestanovitnosti donosnosti finančnih sredstev. GARCH je primeren za podatke časovnih vrst, kjer se odstopanje izraza napake serijsko samodejno korelira po postopku samodejnega gibajočega se povprečja. GARCH je koristen za oceno tveganja in pričakovanih donosov za sredstva, ki izkazujejo grozdna obdobja v nestanovitnosti.
Razumevanje splošne avtoregresivne pogojne heterosklestičnosti (GARCH)
Čeprav se lahko pri analizi številnih različnih finančnih podatkov, kot so makroekonomski podatki, uporabijo posplošeni modeli samodejne progresivne pogonske heteroroskedastičnosti (GARCH), finančne institucije običajno uporabljajo za oceno nestanovitnosti donosa za delnice, obveznice in tržne indekse. Na podlagi teh informacij pomagajo določiti cene in presoditi, katera sredstva bodo lahko prinesla višji donos, pa tudi za napovedovanje donosov trenutnih naložb, ki bodo pomagali pri odločitvah o njihovi dodelitvi sredstev, varovanju pred tveganjem, upravljanju tveganj in optimizaciji portfelja.
GARCH modeli se uporabljajo, kadar nihanje izraza napake ni konstantno. Se pravi, da je izraz napake heteroskedastičen. Heteroskedastičnost opisuje nepravilen vzorec variacije napačnega izraza ali spremenljivke v statističnem modelu. Kjer koli obstaja heterosklestičnost, opažanja v bistvu niso v skladu z linearnim vzorcem. Namesto tega se ponavadi grozdijo. Če se pri teh podatkih uporabljajo statistični modeli, ki predpostavljajo stalno odstopanje, potem sklepi in napovedna vrednost, ki jih lahko izluščimo iz modela, ne bodo zanesljivi.
Domneva se, da se različica izraza napake v modelih GARCH sistematično razlikuje, pogojena s povprečno velikostjo pogojev napake v prejšnjih obdobjih. Z drugimi besedami, ima pogojno heteroskedastičnost, razlog za heteroskedastičnost pa je v tem, da izraz napake sledi vzorcu samodejnega gibajočega povprečja. To pomeni, da je funkcija povprečja lastnih preteklih vrednosti.
Zgodovina GARCH-a
GARCH je bil oblikovan v osemdesetih letih kot način reševanja problema napovedovanja nestanovitnosti cen sredstev. Zasnoval je na prelomnem delu ekonomista Roberta Engleja iz leta 1982 pri uvedbi modela avtohresne pogojne heteroskedastičnosti (ARCH). Njegov model je predpostavljal, da nihanje finančnih donosov sčasoma ni konstantno, temveč je avtomatizirano ali pogojeno drug od drugega. To lahko na primer opazimo v donosnosti zalog, kjer se obdobja nestanovitnosti donosov ponavadi združijo.
Od prvotne predstavitve se je pojavilo veliko različic GARCH-a. Sem spadajo nelinearni (NGARCH), ki obravnava korelacijo in opazujejo "nestanovitnost grozdljivosti" donosov, in integrirani GARCH (IGARCH), ki omejuje parameter nestanovitnosti. Vse različice modela GARCH poskušajo poleg velikosti vključiti tudi smer, pozitivno ali negativno, (obravnavano v izvirnem modelu).
Vsako izpeljavo GARCH se lahko uporabi za prilagoditev posebnih lastnosti zalog, industrije ali ekonomskih podatkov. Finančne institucije pri ocenjevanju tveganja vključujejo modele GARCH v svojo vrednost tveganosti (VAR), največjo pričakovano izgubo (bodisi za posamezno naložbeno ali trgovalno pozicijo, portfelj, bodisi na ravni oddelka ali podjetja) v določenem časovnem obdobju. projekcije. GARCH modeli se obravnavajo tako, da zagotavljajo boljše meritve tveganja, kot jih je mogoče doseči s samo sledenjem standardnega odklona.
Izvedene so bile razne študije o zanesljivosti različnih modelov GARCH v različnih tržnih pogojih, tudi v obdobjih, ki so privedla do finančne krize in po njej.
