GARCH Процесс

Что такое GARCH Процесс?

Процесс обобщенной авторегрессионной условной гетероскедастичности (GARCH) – это эконометрический термин, разработанный в 1982 году Робертом Ф. Энглом, экономистом и лауреатом Нобелевской премии по экономике 2003 года. GARCH описывает подход к оценке волатильности финансовых рынков.

Есть несколько форм моделирования GARCH. Финансовые профессионалы часто предпочитают процесс GARCH, потому что он обеспечивает более реальный контекст, чем другие модели, при попытке предсказать цены и курсы финансовых инструментов.

Ключевые моменты:

  • Процесс обобщенной авторегрессионной условной гетероскедастичности (GARCH) – это подход к оценке волатильности финансовых рынков.
  • Финансовые учреждения используют эту модель для оценки волатильности доходности акций, облигаций и других инвестиционных инструментов.
  • Процесс GARCH обеспечивает более реальный контекст, чем другие модели, при прогнозировании цен и курсов финансовых инструментов.

Понимание процесса GARCH

Гетероскедастичность описывает нерегулярный образец изменения члена ошибки или переменной в статистической модели. По сути, там, где есть гетероскедастичность, наблюдения не соответствуют линейной схеме . Вместо этого они склонны группироваться.

В результате выводы и прогнозная ценность модели не будут надежными. GARCH – это статистическая модель, которую можно использовать для анализа ряда различных типов финансовых данных, например, макроэкономических данных. Финансовые учреждения обычно используют эту модель для оценки волатильности доходности акций, облигаций и рыночных индексов . Они используют полученную информацию для определения цен, оценки активов, которые потенциально могут обеспечить более высокую доходность, и прогнозирования доходности текущих инвестиций, чтобы помочь в распределении активов, хеджировании, управлении рисками и решениях по оптимизации портфеля.

Общий процесс для модели GARCH состоит из трех шагов. Первый – это оценка наиболее подходящей модели авторегрессии . Во – вторых, для вычисления автокорреляции в векторе ошибок . Третий шаг – проверка значимости.

Два других широко используемых подхода к оценке и прогнозированию финансовой волатильности – это классический метод исторической волатильности (VolSD) и метод волатильности с экспоненциально взвешенной скользящей средней (VolEWMA).

Модели GARCH, оптимальные для возврата активов

Процессы GARCH отличаются от гомоскедастических моделей, которые предполагают постоянную волатильность и используются в базовом анализе методом наименьших квадратов (МНК). OLS направлен на минимизацию отклонений между точками данных и линией регрессии, чтобы соответствовать этим точкам. Что касается доходности активов, волатильность, по-видимому, меняется в течение определенных периодов и зависит от прошлой дисперсии, что делает гомоскедастическую модель неоптимальной.

Процессы GARCH, поскольку они являются авторегрессионными, зависят от прошлых наблюдений в квадрате и прошлых дисперсий для моделирования текущей дисперсии. Процессы GARCH широко используются в финансах благодаря их эффективности при моделировании доходности активов и инфляции. GARCH стремится минимизировать ошибки в прогнозировании за счет учета ошибок в предыдущем прогнозе и повышения точности текущих прогнозов.

Пример процесса GARCH

Модели GARCH описывают финансовые рынки, на которых волатильность может меняться, становясь более неустойчивой в периоды финансовых кризисов или мировых событий и менее волатильной в периоды относительного спокойствия и устойчивого экономического роста. Например, на графике доходности доходность акций может выглядеть относительно однородной за годы, предшествовавшие финансовому кризису, например, в 2007 году.

Однако в период после начала кризиса доходность может резко колебаться с отрицательной на положительную территорию. Более того, повышенная волатильность может указывать на волатильность в будущем. Затем волатильность может вернуться к уровням, напоминающим докризисные уровни, или будет более равномерной в будущем. Простая регрессионная модель не учитывает эту вариативность волатильности финансовых рынков. Он не является репрезентативным для событий « черного лебедя », которые происходят чаще, чем предполагалось.