Что такое процесс GARCH
Процесс обобщенной авторегрессионной условной гетероскедастичности (GARCH) является эконометрическим термином, разработанным в 1982 году Робертом Ф. Энглом, экономистом и лауреатом Нобелевской премии в области экономики за 2003 год, для описания подхода к оценке волатильности на финансовых рынках. Существует несколько форм моделирования GARCH. Процесс GARCH часто предпочитают профессионалы финансового моделирования, потому что он обеспечивает более реальный контекст, чем другие формы, когда пытается предсказать цены и ставки финансовых инструментов.
ПРОРЫВ ГАРХА Процесс
Гетероскедастичность описывает нерегулярный характер изменения члена ошибки или переменной в статистической модели. По существу, там, где есть гетероскедастичность, наблюдения не соответствуют линейному образцу. Вместо этого они имеют тенденцию группироваться. В результате выводы и прогностическая ценность, которые можно извлечь из 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, чтобы помочь определить цену и оценить, какие активы потенциально могут обеспечить более высокую доходность, а также спрогнозировать доходность текущих инвестиций, чтобы помочь в распределении активов, хеджировании, управлении рисками и оптимизации портфеля.
Общий процесс для модели GARCH состоит из трех этапов. Первый - оценить наиболее подходящую модель авторегрессии. Второе - это вычислить автокорреляции ошибки. Третий шаг - проверить на значимость. Два других широко используемых подхода к оценке и прогнозированию финансовой волатильности - это классический метод исторической волатильности (VolSD) и метод экспоненциально взвешенной волатильности скользящего среднего (VolEWMA).
Пример процесса GARCH
Модели GARCH помогают описать финансовые рынки, на которых волатильность может меняться, становясь более волатильной 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 равномерной в течение лет, предшествовавших финансовому кризису, такому как кризис в 2007 году. Однако в период, следующий за началом кризиса, доходность может резко отличаться от отрицательной на положительную территорию. Кроме того, повышенная волатильность может быть предиктором волатильности в будущем. Волатильность может затем вернуться к уровням, напоминающим уровни докризисных уровней, или стать более равномерной в будущем. Простая регрессионная модель не учитывает это изменение волатильности, которое проявляется на финансовых рынках, и не отражает события «черного лебедя», которые происходят больше, чем можно было бы предсказать.
Модели GARCH, лучшие для возврата активов
Процессы GARCH отличаются от гомоскедастических моделей, которые предполагают постоянную волатильность и используются в базовом анализе наименьших квадратов (OLS). OLS стремится минимизировать отклонения между точками данных и линией регрессии, чтобы соответствовать этим точкам. При доходности активов волатильность, по-видимому, меняется в течение определенных периодов времени и зависит от прошлой дисперсии, что делает гомоскедастическую модель неоптимальной.
Процессы GARCH, будучи авторегрессионными, зависят от прошлых квадратов наблюдений и прошлых отклонений 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 путем учета ошибок в предыдущем прогнозировании и, таким образом, повышения точности текущих прогнозов.
