Co je generalizovaná automatická regresivní podmíněná heteroskedasticita (GARCH)?
Generalized AutoRegressive Conditional Heteroskedasticity (GARCH) je statistický model používaný při analýze dat časových řad, u nichž se předpokládá, že chyba rozptylu je sériově autokorelována. Modely GARCH předpokládají, že rozptyl chybového termínu sleduje proces autoregresivního klouzavého průměru.
Klíč s sebou
- GARCH je technika statistického modelování, která pomáhá předpovídat volatilitu výnosů z finančních aktiv. GARCH je vhodný pro data časových řad, kde rozptyl termínu chyby je sériově autokorelován po autoregresivním procesu klouzavého průměru. GARCH je užitečný pro posouzení rizika a očekávaných výnosů u aktiv, která vykazují seskupená období volatility výnosů.
Porozumění generalizované autoregresivní podmíněně heteroskedasticity (GARCH)
Přestože modely generalizované autoRegresivní podmíněné heteroskedasticity (GARCH) lze použít při analýze řady různých typů finančních údajů, jako jsou makroekonomická data, finanční instituce je obvykle používají 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 pomohly při jejich rozhodování o alokaci, zajištění, řízení rizik a optimalizaci portfolia.
Modely GARCH se používají, když rozptyl chybového termínu není konstantní. To znamená, že chybový termín je heteroskedastický. Heteroskedasticita popisuje nepravidelný vzor variace chybového termínu nebo proměnné ve statistickém modelu. V zásadě, kdekoli je heteroskedasticita, pozorování neodpovídá lineárnímu vzorci. Místo toho mají sklon klastrování. Pokud se tedy u těchto dat použijí statistické modely, které předpokládají konstantní rozptyl, závěry a prediktivní hodnota, které lze z modelu vyvodit, nebudou spolehlivé.
Předpokládá se, že rozptyl chybového termínu v GARCH modelech se bude systematicky měnit, podmíněn průměrnou velikostí chybových termínů v předchozích obdobích. Jinými slovy, má podmíněnou heteroskedasticitu a důvodem pro heteroskedasticitu je to, že chybový termín sleduje autoregresivní průběh klouzavého průměru. To znamená, že je funkcí průměru vlastních minulých hodnot.
Historie GARCH
GARCH byl formulován v 80. letech 20. století jako způsob řešení problému předpovídání volatility cen aktiv. Stavěl na průlomové práci ekonoma Roberta Engla v roce 1982 při zavádění modelu autoregresivního podmíněného heteroskedasticity (ARCH). Jeho model předpokládal, že změna finančních výnosů nebyla v průběhu času konstantní, ale jsou autokorelovány nebo závislé na sobě. Například to lze vidět ve výnosech z akcií, kde období volatility ve výnosech mají tendenci se seskupovat dohromady.
Od původního zavedení se objevilo mnoho variací GARCH. Patří mezi ně nelineární (NGARCH), který řeší korelaci a pozorované „shlukování volatility“ výnosů, a integrované GARCH (IGARCH), které omezují parametr volatility. Všechny varianty modelu GARCH se snaží kromě velikosti (včleněné v původním modelu) začlenit i směr, pozitivní nebo negativní, návratnosti.
Každá derivace GARCH může být použita k přizpůsobení specifickým vlastnostem populace, průmyslu nebo ekonomických dat. Při posuzování rizika finanční instituce začleňují modely GARCH do své Value-at-Risk (VAR), maximální očekávané ztráty (ať už pro jednu investiční nebo obchodní pozici, portfolio, nebo na úrovni divize nebo celé firmy) za určité časové období. projekce. Modely GARCH jsou zobrazeny tak, aby poskytovaly lepší ukazatele rizika, než jaké lze získat pouze sledováním standardní odchylky.
Byly provedeny různé studie spolehlivosti různých modelů GARCH za různých tržních podmínek, a to i v období před finanční krizí 2007 a po ní.
