Mikä on GARCH-prosessi?
Yleinen autoregressiivinen ehdollisen heteroskedastisuuden (GARCH) prosessi on ekonometrinen termi, jonka kehitti 1982 ekonomisti ja vuoden 2003 Nobelin taloustieteellisen Nobel-palkinnon voittaja Robert F. Engle, kuvaamaan lähestymistapaa arvioimaan epävakautta rahoitusmarkkinoilla. GARCH-mallinnusta on useita muotoja. Rahoitusmallinnuksen ammattilaiset suosivat usein GARCH-prosessia, koska se tarjoaa reaalimaailman kontekstin kuin muut muodot, kun yritetään ennustaa rahoitusinstrumenttien hintoja ja korkoja.
HARJOITTAMISPROSESSI
Heteroskedativuus kuvaa virhetermin tai muuttujan epäsäännöllistä variaatiota tilastollisessa mallissa. Pohjimmiltaan heteroskedatillisuuden havainnot eivät ole linjakuvion mukaisia. Sen sijaan heillä on taipumus ryhmittyä. Tuloksena on, että mallista tehdyt päätelmät ja ennustearvo eivät ole luotettavia. GARCH on tilastollinen malli, jota voidaan käyttää useiden erityyppisten taloudellisten tietojen, esimerkiksi makrotaloudellisten tietojen, analysoimiseen. Rahoituslaitokset yleensä käyttävät tätä mallia arvioidakseen osakkeiden, joukkovelkakirjojen ja markkinaindeksien tuottojen epävakauden. He käyttävät tuloksena olevia tietoja auttaakseen määrittämään hinnoittelu ja arvioimaan, mitkä omaisuuserät mahdollisesti tuottavat korkeamman tuoton, sekä ennakoimaan nykyisten sijoitusten tuottoja auttaakseen varallisuuden allokointia, suojausta, riskienhallintaa ja salkun optimointia koskevissa päätöksissä.
GARCH-mallin yleinen prosessi sisältää kolme vaihetta. Ensimmäinen on arvioida parhaiten sopiva autoregressiivinen malli. Toinen on laskea virhetermin autokorrelaatiot. Kolmas vaihe on testata merkitsevyys. Kaksi muuta laajalti käytettyä lähestymistapaa taloudellisen volatiliteetin arvioimiseksi ja ennustamiseksi ovat klassinen historiallinen volatiliteettimenetelmä (VolSD) ja eksponentiaalisesti painotettu liikkuva keskimääräinen volatiliteettimenetelmä (VolEWMA).
Esimerkki GARCH-prosessista
GARCH-mallit auttavat kuvaamaan rahoitusmarkkinoita, joilla volatiliteetti voi muuttua, muuttuessa epävakaammaksi finanssikriisin tai maailmantapahtumien aikana ja vähemmän epävakaana suhteellisen rauhallisen ja tasaisen talouskasvun aikana. Esimerkiksi tuottokaaviossa osaketuotot voivat näyttää suhteellisen yhtenäisiltä vuosilta, jotka johtavat vuoden 2007 kaltaiseen finanssikriisiin. Kriisin puhkeamista seuraavana ajanjaksona tuotot voivat kuitenkin vaihdella villisti negatiivisesta positiiviselle alueelle. Lisäksi lisääntynyt volatiliteetti voi ennustaa volatiliteetin jatkumisen. Volatiliteetti voi sitten palata tasolle, joka muistuttaa kriisiä edeltäneen tason tasoa, tai olla tasaisempi jatkossa. Yksinkertainen regressiomalli ei ota huomioon tätä rahoitusmarkkinoilla esiintyvän volatiliteetin vaihtelua, eikä se edusta edusta "mustan joutsen" -tapahtumia, joita tapahtuu useamman kuin voitaisiin ennustaa.
Omaisuuserien palautukseen parhaiten soveltuvat GARCH-mallit
GARCH-prosessit eroavat homoskedallisista malleista, joissa oletetaan jatkuva volatiliteetti ja joita käytetään tavallisissa tavallisissa pienimmän neliösumman (OLS) analyyseissä. OLS: n tavoitteena on minimoida poikkeamat datapisteiden ja regressioviivan välillä näiden pisteiden sopimiseksi. Omaisuuserien tuoton yhteydessä volatiliteetti näyttää vaihtelevan tiettyinä ajanjaksoina ja riippuvan aikaisemmasta varianssista, mikä tekee homoskedallisesta mallista epäoptimaalin.
GARCH-prosessit, jotka ovat autoregressiivisia, riippuvat aiemmista neliöistä havainnoista ja aikaisemmista varianssista nykyisen varianssin mallin suhteen. GARCH-prosesseja käytetään laajalti rahoituksessa, koska ne vaikuttavat tehokkaasti omaisuuden tuoton ja inflaation mallintamiseen. GARCH pyrkii minimoimaan ennustevirheet ottamalla huomioon virheet aiemmassa ennusteessa ja parantamaan siten meneillään olevien ennusteiden tarkkuutta.
