Kas yra apibendrintas autoregresinis sąlyginis heteroskedaziškumas (GARCH)?
Apibendrintas autoregresinis sąlyginis heteroskedaziškumas (GARCH) yra statistinis modelis, naudojamas analizuoti laiko eilučių duomenis, kai manoma, kad dispersijos paklaida yra nuosekliai autokoreliuojama. GARCH modeliai daro prielaidą, kad klaidos termino dispersija seka automatiškai progresuojančiu slenkančio vidurkio procesu.
Pagrindiniai išvežamieji daiktai
- GARCH yra statistinio modeliavimo metodas, naudojamas padėti numatyti finansinio turto grąžos nepastovumą. GARCH yra tinkamas laiko eilučių duomenims, kai klaidos termino dispersija yra nuosekliai autokoreliuojama po autoregresyvaus slenkančio vidurkio proceso. GARCH yra naudinga norint įvertinti riziką ir numatomą grąžą turtui, kuriam būdingi sugrupuoti grąžos svyravimo laikotarpiai.
Bendrojo autoregresinio sąlyginio heteroskedaziškumo (GARCH) supratimas
Nors apibendrinti autoregresinio sąlyginio heteroskedaziškumo (GARCH) modeliai gali būti naudojami analizuojant daugybę skirtingų tipų finansinių duomenų, pavyzdžiui, makroekonominius duomenis, finansinės institucijos paprastai juos naudoja vertindamos atsargų, obligacijų ir rinkos indeksų grąžos nepastovumą. Jie naudojasi gauta informacija, kad padėtų nustatyti kainodarą ir nuspręsti, kuris turtas gali duoti didesnę grąžą, taip pat numatyti dabartinių investicijų grąžą, kad galėtų padėti paskirstyti turtą, apsidrausti, valdyti riziką ir optimizuoti portfelį.
GARCH modeliai naudojami, kai klaidos termino dispersija nėra pastovi. T. y., Klaidos terminas yra heteroskedatinis. Heteroskedaziškumas apibūdina statistinio modelio klaidų termino ar kintamojo variacijos netaisyklingą modelį. Iš esmės visur, kur yra heteroskedaziškumas, stebėjimai neatitinka linijinio modelio. Vietoj to, jie linkę į grupes. Todėl, jei šiems duomenims bus naudojami statistiniai modeliai, kurių prielaida yra nuolatinė, varianto išvados ir prognozinė vertė nebus patikimos.
Manoma, kad klaidos termino dispersija GARCH modeliuose sistemingai kinta, atsižvelgiant į vidutinį ankstesnių laikotarpių klaidų dydžių dydį. Kitaip tariant, ji turi sąlyginį heteroskedaziškumą, o heteroskedasticiškumo priežastis yra ta, kad klaidos terminas seka autoregresyviuoju slenkančiu vidurkiu. Tai reiškia, kad tai yra jo paties praeities verčių vidurkio funkcija.
GARCH istorija
GARCH buvo suformuluota devintajame dešimtmetyje kaip būdas spręsti turto kainų nepastovumo prognozavimo problemą. Jis buvo paremtas ekonomisto Roberto Engle'io proveržiu 1982 m., Pristatant Autoregressive Conditional Heteroskedasticity (ARCH) modelį. Jo modelis padarė prielaidą, kad finansinės grąžos kitimas nebuvo pastovus laikui bėgant, bet yra autokoreliuojamos arba sąlygotos viena nuo kitos ar priklausomos nuo jų. Pvz., Tai galima pastebėti akcijų grąžose, kur grąžos nepastovumo laikotarpiai paprastai būna suskirstyti į grupes.
Nuo pradinio pristatymo atsirado daug GARCH variantų. Tai apima netiesinę (NGARCH), nagrinėjančią koreliaciją ir pastebėtus grįžtamųjų duomenų nepastovumo klasterius, ir integruotą GARCH (IGARCH), kuris riboja nepastovumo parametrą. Visuose GARCH modelio variantuose siekiama įtraukti teigiamą ar neigiamą grąžos kryptį, be dydžio (nagrinėto pirminiame modelyje).
Kiekvienas GARCH išvestis gali būti naudojamas pritaikyti specifines atsargų, pramonės ar ekonominių duomenų savybes. Vertindamos riziką, finansų įstaigos įtraukia GARCH modelius į savo rizikos vertę (VAR), didžiausius tikėtinus nuostolius (tiek dėl vienos investicijos ar prekybos pozicijos, tiek dėl portfelio, tiek dėl padalinio ar visos įmonės lygio) per nustatytą laikotarpį. projekcijos. Žiūrima, kad GARCH modeliai pateikia geresnius rizikos rodiklius, nei galima gauti stebint vien standartinį nuokrypį.
Buvo atlikta įvairių tyrimų dėl įvairių GARCH modelių patikimumo įvairiomis rinkos sąlygomis, įskaitant laikotarpius iki 2007 m. Finansinės krizės ir po jos.
