Co je proces GARCH
Zobecněný proces autoregresivního podmíněného heteroskedasticity (GARCH) je ekonometrický termín vyvinutý v roce 1982 Robertem F. Englem, ekonomem a vítězem Nobelovy ceny za ekonomiku za rok 2003, který popisuje přístup k odhadu volatility na finančních trzích. Existuje několik forem modelování GARCH. Proces GARCH je často preferován odborníky v oblasti finančního modelování, protože při pokusech o předpovídání cen a sazeb finančních nástrojů poskytuje kontext reálnějšího světa než jiné formy.
VYDĚLÁVÁNÍ Proces dolů
Heteroskedasticita popisuje nepravidelný vzor variace chybového termínu nebo proměnné ve statistickém modelu. V zásadě, pokud existuje heteroskedasticita, pozorování neodpovídá lineárnímu vzorci. Místo toho mají sklon klastrování. Výsledkem je, že závěry a prediktivní hodnota, kterou lze z modelu vyvodit, nebudou spolehlivé. GARCH je statistický model, který lze použít k analýze řady různých typů finančních údajů, například makroekonomických údajů. Finanční instituce obvykle používají tento model k odhadu volatility výnosů pro akcie, dluhopisy a tržní indexy. Výsledné informace používají k určení cen a posouzení, která aktiva potenciálně poskytne vyšší návratnost, ak předpovědi návratnosti současných investic, aby pomohla při jejich rozhodování o alokaci, zajištění, řízení rizik a optimalizaci portfolia.
Obecný proces pro model GARCH zahrnuje tři kroky. Prvním je odhad nejlepšího autoregresivního modelu. Druhým je výpočet autokorelace chybového termínu. Třetím krokem je otestování významu. Dva další široce používané přístupy k odhadování a předpovídání finanční volatility jsou metoda klasické historické volatility (VolSD) a metoda exponenciálně vážené pohyblivé průměrné volatility (VolEWMA).
Příklad procesu GARCH
Modely GARCH pomáhají popsat finanční trhy, na nichž se může volatilita měnit, během období finančních krizí nebo světových událostí se stává volatilnější a během období relativního klidného a stabilního hospodářského růstu méně volatilní. Například na spiknutí výnosů mohou výnosy z akcií vypadat relativně jednotně pro roky vedoucí k finanční krizi, jako je ta v roce 2007. V časovém období následujícím po nástupu krize se však výnosy mohou divoce pohybovat ze záporných hodnot na pozitivní území. Zvýšená volatilita může navíc předpovídat volatilitu do budoucna. Volatilita se pak může vrátit na úroveň připomínající předkrizové úrovně nebo může být do budoucna jednotnější. Jednoduchý regresní model nezohledňuje tuto variabilitu volatility projevenou na finančních trzích a není reprezentativní pro události „černé labutě“, které se vyskytují více, než by se dalo předvídat.
GARCH modely nejlepší pro návratnost aktiv
Procesy GARCH se liší od homoskedastických modelů, které předpokládají konstantní volatilitu a používají se v základní běžné analýze nejmenších čtverců (OLS). Cílem OLS je minimalizovat odchylky mezi datovými body a regresní přímkou, která těmto bodům vyhovuje. Při návratnosti aktiv se zdá, že volatilita se během určitých časových období mění a závisí na minulých variacích, takže homoskedastický model není optimální.
Procesy GARCH, které jsou autoregresivní, závisí na minulých kvadratických pozorováních a minulých variacích na modelu pro aktuální varianci. Procesy GARCH jsou v oblasti financí široce využívány kvůli jejich účinnosti při modelování výnosů a inflace aktiv. GARCH si klade za cíl minimalizovat chyby v předpovídání tím, že zohlední chyby v předpovídání, a tím zvýšit přesnost probíhajících předpovědí.
