Kas ir GARCH process?
Ģeneralizētais autoregresīvās nosacītās heteroskedasticitātes (GARCH) process ir ekonometriskais termins, kuru 1982. gadā izstrādāja Roberts F. Engle, ekonomists un 2003. gada Nobela ekonomikas piemiņas balvas laureāts, lai aprakstītu pieeju finanšu tirgu nepastāvības novērtēšanai. Pastāv vairākas GARCH modelēšanas formas. GARCH procesam bieži dod priekšroku finanšu modelēšanas speciālisti, jo, mēģinot paredzēt finanšu instrumentu cenas un likmes, tas nodrošina reālākas situācijas kontekstu nekā citas formas.
LEJUPIELĀDĒJAMĀS LIETOŠANAS process
Heteroskedatilitāte apraksta kļūdas termina vai mainīgā neregulāro variācijas statistiskajā modelī. Būtībā, ja ir heteroskedasticitāte, novērojumi neatbilst lineāram modelim. Tā vietā viņi mēdz sagrupēties. Rezultātā secinājumi un paredzamā vērtība, ko var izdarīt no modeļa, nebūs ticami. GARCH ir statistikas modelis, ko var izmantot, lai analizētu vairākus dažāda veida finanšu datus, piemēram, makroekonomiskos datus. Finanšu iestādes parasti izmanto šo modeli, lai novērtētu akciju, obligāciju un tirgus indeksu atdeves nepastāvību. Viņi izmanto iegūto informāciju, lai palīdzētu noteikt cenu noteikšanu un spriest, kuri aktīvi potenciāli nodrošinās augstāku atdevi, kā arī prognozēt pašreizējo ieguldījumu atdevi, lai palīdzētu viņu aktīvu sadalē, riska ierobežošanā, riska pārvaldībā un portfeļa optimizācijas lēmumos.
GARCH modeļa vispārīgais process ietver trīs posmus. Pirmais ir novērtēt vispiemērotāko autoregresīvo modeli. Otrais ir aprēķināt kļūdas termina autokorelācijas. Trešais solis ir nozīmīguma pārbaude. Divas citas plaši izmantotas pieejas finanšu nepastāvības novērtēšanai un prognozēšanai ir klasiskā vēsturiskā nepastāvības (VolSD) metode un eksponenciāli svērtā mainīgā vidējā nepastāvības (VolEWMA) metode.
GARCH procesa piemērs
GARCH modeļi palīdz aprakstīt finanšu tirgus, kuros nepastāvība var mainīties, kļūstot nepastāvīgākiem finanšu krīzes vai pasaules notikumu periodos un mazāk nepastāvīgiem relatīvi mierīgas un vienmērīgas ekonomiskās izaugsmes periodos. Piemēram, ienākumu griezumā krājumu ienākumi var izskatīties salīdzinoši vienādi gados, kas ved līdz finanšu krīzei, piemēram, 2007. gadā. Tomēr laika posmā pēc krīzes ienākumi var negatīvi mainīties no negatīvas uz pozitīvu teritoriju. Turklāt palielināta nepastāvība var paredzēt nepastāvības turpmāku attīstību. Pēc tam nepastāvība var atgriezties līmenī, kas līdzinās pirmskrīzes līmenim, vai arī turpmāk mainīties. Vienkāršs regresijas modelis neatspoguļo šīs svārstīgumu svārstības, kas vērojamas finanšu tirgos, un tas neatspoguļo "melnā gulbja" notikumus, kas notiek vairāk nekā varētu paredzēt.
Aktīvu atgriešanai vislabākie GARCH modeļi
GARCH procesi atšķiras no homoskedastiskajiem modeļiem, kuriem ir pastāvīga nepastāvība un kurus izmanto parasto mazāko kvadrātu (OLS) analīzē. OLS mērķis ir samazināt novirzes starp datu punktiem un regresijas līniju, lai tās atbilstu šiem punktiem. Ar aktīvu atdevi svārstīgums noteiktā laika posmā mainās un ir atkarīgs no pagātnes svārstībām, padarot homoskedastisko modeli neoptimālu.
GARCH procesi, kas ir autoregresīvi, ir atkarīgi no pagātnes novērojumiem kvadrātā un pagātnes variācijām līdz pašreizējās dispersijas modelim. GARCH procesi tiek plaši izmantoti finansēs, pateicoties to efektivitātei aktīvu atdeves un inflācijas modelēšanā. GARCH mērķis ir samazināt kļūdas prognozēšanā, uzskaitot kļūdas iepriekšējās prognozēs, un tādējādi uzlabojot pašreizējo prognožu precizitāti.
