Узагальнена авторегресивна умовна гетерокедастичність (GARCH)
Узагальнена авторегресивна умовна гетерокедастичність (GARCH) - це статистична модель, яка використовується при аналізі даних часових рядів, де помилка дисперсії, як вважається, є серійно автокорельованою. Моделі GARCH припускають, що дисперсія терміна помилки йде за процесом авторегресивної ковзної середньої.
Ключові вивезення
- GARCH - методика статистичного моделювання, яка використовується для прогнозування мінливості прибутковості фінансових активів.
- GARCH підходить для даних часових рядів, коли дисперсія терміна помилки послідовно автокорельована після процесу авторегресивної ковзної середньої.
- GARCH корисний для оцінки ризику та очікуваної прибутковості активів, які демонструють кластерні періоди нестабільності прибутковості.
Розуміння узагальненої авторегресивної умовної гетерокедастичності (GARCH)
Хоча узагальнені моделі авторегресивної умовної гетерокедастичності (GARCH) можуть бути використані при аналізі ряду різних типів фінансових даних, таких як макроекономічні дані, фінансові установи зазвичай використовують їх для оцінки мінливості прибутку за акціями, облігаціями та індексами ринку. Вони використовують отриману інформацію, щоб допомогти визначити ціноутворення та визначити, які активи потенційно забезпечуватимуть більш високу прибутковість, а також прогнозувати віддачу поточних інвестицій, щоб допомогти у розподілі активів, хеджуванні, управлінні ризиками та оптимізації портфеля.
Моделі GARCH використовуються, коли дисперсія терміна помилки не є постійною. Тобто, термін помилки гетероскестичний. Гетероскедастичність описує неправильну закономірність зміни терміна помилки або змінної в статистичній моделі. По суті, де б не було гетерокедастичності, спостереження не відповідають лінійній схемі. Натомість вони мають тенденцію до скупчення. Отже, якщо за цими даними будуть використані статистичні моделі, які передбачають постійну дисперсію, то висновки та прогнозне значення, які можна зробити з моделі, не будуть достовірними.
Вважається, що дисперсія терміна помилки в моделях GARCH систематично змінюється, що залежить від середнього розміру термінів помилки в попередніх періодах. Іншими словами, він має умовну гетерокедастичність, а причиною гетерокедастичності є те, що термін помилки слідує за схемою авторегресивної ковзної середньої. Це означає, що це функція середнього значення власних минулих значень.
Історія GARCH
GARCH був сформульований у 1980-х роках як спосіб вирішення проблеми прогнозування нестабільності цін на активи. Він базувався на проривній роботі економіста Роберта Енгла 1982 року щодо впровадження моделі Авторегресивної умовної гетерокедастичності (ARCH). Його модель припускає, що зміни фінансових прибутків не були постійними з часом, а є автокорельованими або умовними / залежними один від одного. Наприклад, це можна побачити у фондових доходах, коли періоди коливань у віддачі мають тенденцію до згрупування.
З початкового вступу з'явилося багато варіантів GARCH. До них відносяться нелінійний (NGARCH), який розглядає кореляцію та спостерігається "кластеризація нестабільності" повернень, та інтегрований GARCH (IGARCH), що обмежує параметр волатильності. Усі варіанти моделі GARCH прагнуть включати напрям, позитивний чи негативний, повернення на додаток до величини (розглянуто в оригінальній моделі).
Кожне виведення GARCH може використовуватися для врахування конкретних якостей запасів, галузі чи економічних даних. Оцінюючи ризик, фінансові установи включають моделі GARCH у свою цінність за ризиком (VAR), максимальний очікуваний збиток (будь то для однієї інвестиційної чи торгової позиції, портфеля, або на рівні відділу або фірми) протягом визначеного періоду часу проекції. Моделі GARCH розглядаються, щоб забезпечити кращі показники ризику, ніж їх можна отримати, відстежуючи лише стандартне відхилення.
Були проведені різні дослідження надійності різних моделей GARCH під час різних ринкових умов, у тому числі в періоди, що призводили до і після фінансової кризи 2007 року.
Порівняйте інвестиційні рахунки Ім’я постачальника Опис Розкриття рекламодавця × Пропозиції, що з’являються в цій таблиці, є партнерствами, від яких Investopedia отримує компенсацію.