Процес GARCH
Узагальнений процес авторегресивної умовної гетерокедастичності (GARCH) - це економетричний термін, розроблений в 1982 році Робертом Ф. Енглом, економістом та лауреатом Нобелівської меморіальної премії з економіки у 2003 році для опису підходу до оцінки волатильності на фінансових ринках. Існує кілька форм моделювання GARCH. Процес GARCH часто віддають перевагу професіоналам фінансового моделювання, оскільки він забезпечує більш реальний контекст, ніж інші форми, коли намагаються передбачити ціни та ставки фінансових інструментів.
НАРУШЕННЯ Процес знизу
Гетероскедастичність описує неправильну закономірність зміни терміна помилки або змінної в статистичній моделі. По суті, там, де є гетерокедастичність, спостереження не відповідають лінійній схемі. Натомість вони мають тенденцію до скупчення. Результат полягає в тому, що висновки та прогнозоване значення, які можна зробити з моделі, не будуть надійними. GARCH - це статистична модель, яка може бути використана для аналізу кількох різних типів фінансових даних, наприклад, макроекономічних даних. Фінансові установи зазвичай використовують цю модель для оцінки мінливості прибутковості акцій, облігацій та індексів ринку. Вони використовують отриману інформацію, щоб допомогти визначити ціноутворення та визначити, які активи потенційно забезпечуватимуть більшу прибутковість, а також прогнозувати віддачу поточних інвестицій, щоб допомогти у розподілі активів, хеджуванні, управлінні ризиками та оптимізації портфеля.
Загальний процес для моделі GARCH включає три етапи. Перша полягає в оцінці найкращої авторегресивної моделі. Друга - обчислити автокореляції терміна помилки. Третій крок - перевірка на значимість. Ще два широко використовувані підходи до оцінки та прогнозування фінансової нестабільності - це метод класичної історичної мінливості (VolSD) та метод експоненціально зваженої середньої мінливості (VolEWMA).
Приклад процесу GARCH
Моделі GARCH допомагають описати фінансові ринки, на яких мінливість може змінюватися, стаючи більш мінливою у періоди фінансових криз чи світових подій та менш мінливою у періоди відносного спокійного та стабільного економічного зростання. Наприклад, на сюжетній доходності, наприклад, фондовіддача може виглядати відносно однаковою за роки, що призводять до фінансової кризи, наприклад, 2007 року. Однак у часовий період, що настає після настання кризи, прибутки можуть дико коливатися від негативного на позитивну територію. Більше того, підвищена мінливість може бути передбачувальною нестабільністю в майбутньому. Потім нестабільність може повернутися до рівнів, що нагадують рівні до кризи, або бути більш рівномірним уперед. Проста регресивна модель не враховує цього коливання волатильності, виявленого на фінансових ринках, і не є репрезентацією подій "чорного лебедя", які трапляються більше, ніж можна було б передбачити.
Моделі GARCH найкращі для повернення активів
Процеси GARCH відрізняються від гомоскедастичних моделей, які передбачають постійну мінливість і використовуються в аналізі звичайних найменших квадратів (OLS). OLS має на меті мінімізувати відхилення між точками даних та регресійною лінією для відповідності цим точкам. З прибутком активів, мінливість, здається, змінюється протягом певних періодів часу і залежить від минулої дисперсії, що робить гомоскедастичну модель не оптимальною.
Процеси GARCH, будучи авторегресивними, залежать від спостережень минулого квадрата та минулих варіацій для моделювання поточної дисперсії. Процеси GARCH широко використовуються у фінансах завдяки їх ефективності в моделюванні прибутку активів та інфляції. GARCH прагне звести до мінімуму помилки в прогнозуванні, враховуючи помилки в попередньому прогнозуванні і тим самим підвищуючи точність поточних прогнозів.
Порівняйте інвестиційні рахунки Ім’я постачальника Опис Розкриття рекламодавця × Пропозиції, що з’являються в цій таблиці, є партнерствами, від яких Investopedia отримує компенсацію.