Mikä on yleinen autoRegressiivinen ehdollinen heteroskedativuus (GARCH)?
Generalized AutoRegressive Conditional Heteroskedasticity (GARCH) on tilastollinen malli, jota käytetään aikasarjadatan analysointiin, jossa varianssivirheen uskotaan olevan sarjassa autokorreloiva. GARCH-mallit olettavat, että virhetermin varianssi seuraa autoregressiivisesti liikkuvaa keskiarvoa.
Avainsanat
- GARCH on tilastollinen mallinnustekniikka, jota käytetään rahoitusvarojen tuottojen volatiliteetin ennustamiseen. GARCH on sopiva aikasarjatiedoille, joissa virhetermin varianssi on sarjassa autokorreloitu autoregressiivisen liukuvan keskimääräisen prosessin jälkeen. GARCH on hyödyllinen arvioitaessa riskejä ja odotettavissa olevia tuottoja omaisuuserille, joiden tuotot vaihtelevat vaihtelevasti.
Yleisen autoRegressiivisen ehdollisen heteroskedatilisuuden (GARCH) ymmärtäminen
Vaikka yleisiä autoRegressive Conditional Heteroskedasticity (GARCH) -malleja voidaan käyttää monentyyppisten taloudellisten tietojen, kuten makrotaloudellisten tietojen, analysoinnissa, finanssilaitokset käyttävät niitä tyypillisesti arvioidessaan osakkeiden, joukkovelkakirjojen ja markkinaindeksien tuottojen volatiliteettia. He käyttävät tuloksena olevia tietoja auttaakseen määrittämään hinnoittelu ja arvioimaan, mitkä omaisuuserät mahdollisesti tuottavat korkeamman tuoton, sekä ennustamaan nykyisten sijoitusten tuottoa auttaakseen varallisuuden allokointia, suojausta, riskienhallintaa ja salkun optimointia koskevissa päätöksissä.
GARCH-malleja käytetään, kun virhetermin varianssi ei ole vakio. Eli virhetermi on heteroskedaattinen. Heteroskedativuus kuvaa virhetermin tai muuttujan epäsäännöllistä variaatiota tilastollisessa mallissa. Pohjimmiltaan missä heteroskedatiikkaa on, havainnot eivät vastaa lineaarista mallia. Sen sijaan heillä on taipumus ryhmittyä. Siksi, jos näihin tietoihin käytetään vakiovarianssin omaavia tilastollisia malleja, mallin perusteella tehdyt päätelmät ja ennustearvo eivät ole luotettavia.
Virhetermin varianssin GARCH-malleissa oletetaan vaihtelevan systemaattisesti, sillä edellytyksellä, että virhetermien keskimääräinen koko on edeltävinä ajanjaksoina. Toisin sanoen sillä on ehdollista heteroskedastisuutta, ja syy heteroskedatilisuuteen on, että virhetermi seuraa autoregressiivista liikkuvaa keskiarvoa. Tämä tarkoittaa, että se on funktion keskiarvo sen omista aikaisemmista arvoista.
GARCH: n historia
GARCH määritettiin 1980-luvulla tapana ratkaista omaisuuserien hintojen epävakauden ennustamisen ongelma. Se perustui ekonomisti Robert Englen läpimurtoon 1982 liittyvään työhön esitellessä automaattisen edistymisen ehdollista heteroskedatiivisuutta (ARCH) -malli. Hänen mallinsa mukaan taloudellisen tuoton vaihtelut eivät olleet vakioita ajan myötä, vaan ovat autokorreloivia tai ehdollisia / riippuvaisia toisistaan. Esimerkiksi tämä voidaan nähdä osaketuottoissa, joissa tuottojen volatiliteetin jaksot ovat yleensä klusteroituja yhteen.
Alkuperäisen käyttöönoton jälkeen GARCH: sta on syntynyt monia muunnelmia. Näitä ovat epälineaarinen (NGARCH), joka käsittelee korrelaatiota ja havaittujen palautusten "volatiliteettiryhmittelyä", ja integroitu GARCH (IGARCH), joka rajoittaa haihtuvuusparametria. Kaikissa GARCH-mallin muunnelmissa pyritään sisällyttämään palautumisen suunta, positiivinen tai negatiivinen, suuruuden lisäksi (käsitelty alkuperäisessä mallissa).
Jokaista GARCH-johdannaista voidaan käyttää ottamaan huomioon varaston, teollisuuden tai taloudellisen tiedon erityiset ominaisuudet. Arvioidessaan riskiä finanssilaitokset sisällyttävät GARCH-mallit omaan riski-arvoonsa (VAR), suurimpaan odotettavissa olevaan tappioon (riippumatta siitä, onko kyse yksittäisestä sijoitus- tai kauppa-asemasta, portfoliosta, tai divisioonan tai yrityksen laajuisella tasolla) tietyn ajanjakson ajan. ennusteet. GARCH-mallien katsotaan tarjoavan parempia riskimittareita kuin mitä voidaan saavuttaa seuraamalla pelkästään keskihajontaa.
Eri GARCH-mallien luotettavuudesta eri markkinaolosuhteissa, myös vuoden 2007 talouskriisiä edeltäneinä ja sen jälkeen, on tehty erilaisia tutkimuksia.
