Kas yra GARCH procesas
Apibendrintas autoregresinio sąlyginio heteroskedaziškumo (GARCH) procesas yra ekonometrinis terminas, kurį 1982 m. Sukūrė ekonomistas ir 2003 m. Nobelio memorialinės ekonomikos premijos laureatas Robertas F. Engle'as, kad apibūdintų požiūrį į nepastovumo finansų rinkose įvertinimo metodą. Yra keletas GARCH modeliavimo formų. GARCH procesui dažnai teikia pirmenybę finansinio modeliavimo profesionalai, nes bandant numatyti finansinių priemonių kainas ir kursus, pateikiamas realesnis kontekstas nei kitos formos.
IŠSKIRTINIO DOKUMENTO SUDARYMO procesas
Heteroskedaziškumas apibūdina statistinio modelio klaidų termino ar kintamojo variacijos netaisyklingą modelį. Iš esmės ten, kur yra heteroskedališkumas, stebėjimai neatitinka linijinio modelio. Vietoj to, jie linkę į grupes. Rezultatas yra tas, kad išvados ir numatomoji vertė, kurią galima padaryti remiantis modeliu, nebus patikimos. GARCH yra statistinis modelis, kuris gali būti naudojamas analizuoti daugybę skirtingų tipų finansinių duomenų, pavyzdžiui, makroekonominius duomenis. Finansų institucijos paprastai naudoja šį modelį vertindamos akcijų, obligacijų ir rinkos indeksų grąžos nepastovumą. Jie naudojasi gauta informacija, kad padėtų nustatyti kainodarą ir nuspręsti, kuris turtas potencialiai duos didesnę grąžą, taip pat numatyti dabartinių investicijų grąžą, kad galėtų padėti paskirstyti turtą, apsidrausti, valdyti riziką ir optimizuoti portfelio sprendimus.
Bendras GARCH modelio procesas apima tris etapus. Pirmiausia reikia įvertinti geriausiai tinkantį autoregressive modelį. Antrasis - apskaičiuoti klaidos termino autokoreliacijas. Trečias žingsnis yra reikšmingumo patikrinimas. Du kiti plačiai naudojami metodai finansiniam kintamumui įvertinti ir prognozuoti yra klasikinis istorinio kintamumo (VolSD) metodas ir eksponentiškai svertinis slenkamojo vidurkio kintamumo (VolEWMA) metodas.
GARCH proceso pavyzdys
GARCH modeliai padeda apibūdinti finansų rinkas, kuriose kintamumas gali kisti, finansų krizių ar pasaulio įvykių laikotarpiais tampa nestabilus ir santykinai ramaus bei pastovaus ekonomikos augimo laikotarpiais nestabilus. Pvz., Grąžinimų plane atsargų grąža gali atrodyti gana vienoda tais metais, kurie baigėsi tokia finansine krize, kokia buvo 2007 m., Tačiau po krizės pradžios grąža gali smarkiai svyruoti nuo neigiamos į teigiamą teritoriją. Be to, padidėjęs nepastovumas gali nuspėti, kad nepastovumas vyks toliau. Tuomet nepastovumas gali grįžti į lygį, panašų į ikikrizinį, arba būti tolygesnis. Paprastas regresijos modelis neatsižvelgia į šį nepastovumo svyravimą finansų rinkose ir neatspindi „juodosios gulbės“ įvykių, vykstančių daugiau nei galima būtų numatyti.
Turto grąžinimui geriausi „GARCH“ modeliai
GARCH procesai skiriasi nuo homoskedastinių modelių, kurie daro pastovų kintamumą ir yra naudojami atliekant bazinių paprastųjų mažiausiųjų kvadratų (OLS) analizę. OLS tikslas - iki minimumo sumažinti nuokrypius tarp duomenų taškų ir regresijos tiesę, kad jie atitiktų tuos taškus. Turint mintyje turto grąžą, kintamumas tam tikrais laikotarpiais kinta ir priklauso nuo praeities pokyčių, todėl homoskedatinis modelis nėra optimalus.
GARCH procesai, būdami autoregresyvūs, priklauso nuo ankstesnių kvadratinių stebėjimų ir praeities dispersijų, atsižvelgiant į dabartinės dispersijos modelį. GARCH procesai yra plačiai naudojami finansuose dėl jų efektyvumo modeliuojant turto grąžą ir infliaciją. GARCH siekiama sumažinti prognozavimo klaidas apskaitant ankstesnio prognozavimo klaidas ir tokiu būdu didinant vykstančių prognozių tikslumą.
