Kas ir vispārinātā automātiskā regresīvā nosacītā heteroskedatilitāte (GARCH)?
Ģeneralizētā automātiskā regresīvā nosacītā heteroskedatilitāte (GARCH) ir statistiskais modelis, ko izmanto laika rindu datu analīzē, kur tiek uzskatīts, ka dispersijas kļūda ir sērijveidā autokorelēta. GARCH modeļi pieņem, ka kļūdas vārda dispersija izriet no autoregresīvā mainīgā vidējā procesa.
Taustiņu izņemšana
- GARCH ir statistiskas modelēšanas paņēmiens, ko izmanto, lai palīdzētu prognozēt finanšu aktīvu atdeves nepastāvību. GARCH ir piemērots laika rindu datiem, kur kļūdas termiņa dispersija ir sērijveidā autokorelējama pēc autoregresīva mainīga vidējā procesa. GARCH ir noderīgs, lai novērtētu risku un sagaidāmo ienesīgumu aktīviem, kuriem ir sagrupēti ienākumu nepastāvības periodi.
Izpratne par vispārinātu automātisko regresīvo nosacīto heteroskedatilitāti (GARCH)
Lai arī vispārinātos autoRegresīvās nosacītās heteroskedatilitātes (GARCH) modeļus var izmantot, analizējot vairākus dažādu veidu finanšu datus, piemēram, makroekonomiskos datus, finanšu iestādes tos parasti izmanto, 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 veikt aktīvu sadali, riska ierobežošanu, riska pārvaldību un portfeļa optimizācijas lēmumus.
GARCH modeļus izmanto, ja kļūdas termiņa dispersija nav konstanta. Tas ir, kļūdas termins ir heteroskedastisks. Heteroskedatilitāte apraksta kļūdas termina vai mainīgā neregulāro variācijas statistiskajā modelī. Būtībā visur, kur ir heteroskedatilitāte, novērojumi neatbilst lineāram modelim. Tā vietā viņi mēdz sagrupēties. Tāpēc, ja šiem datiem izmanto statistiskos modeļus, kuriem ir pastāvīga dispersija, tad secinājumi un paredzamā vērtība, ko var izdarīt no modeļa, nebūs ticami.
Tiek pieņemts, ka kļūdas vārda dispersija GARCH modeļos sistemātiski mainās, atkarībā no kļūdu nosacījuma vidējā lieluma iepriekšējos periodos. Citiem vārdiem sakot, tai ir nosacīta heteroskedatilitāte, un heteroskedasticitātes iemesls ir tāds, ka kļūdas termins seko pēc autoregresīva mainīga vidējā modeļa. Tas nozīmē, ka tā ir vidējā funkcija no savām pagātnes vērtībām.
GARCH vēsture
GARCH tika formulēts 1980. gados kā veids, kā risināt aktīvu cenu nepastāvības prognozēšanas problēmu. Tas balstījās uz ekonomista Roberta Engles 1982. gada sasniegumu, ieviešot Autoregressive Conditional Heteroskedasticity (ARCH) modeli. Viņa modelī tika pieņemts, ka finanšu atdeves svārstības laika gaitā nav bijušas nemainīgas, bet ir savstarpēji saistītas vai atkarīgas vai atkarīgas no cita. Piemēram, to var redzēt krājumu deklarācijās, kur ienākumu nepastāvības periodi mēdz būt salikti kopā.
Kopš sākotnējās ieviešanas ir parādījušās daudzas GARCH variācijas. Tie ietver nelineāru (NGARCH), kas risina korelācijas un novēroto atgriešanās "nepastāvības klasteru", un integrēto GARCH (IGARCH), kas ierobežo nepastāvības parametru. Visas GARCH modeļa variācijas cenšas iekļaut pozitīvā vai negatīvā atdeves virzienu papildus lielumam (apskatīts oriģinālajā modelī).
Katru GARCH atvasinājumu var izmantot, lai pielāgotos krājuma, nozares vai ekonomisko datu īpašajām īpašībām. Novērtējot risku, finanšu iestādes iekļauj GARCH modeļus savā riska vērtībā (VAR), maksimālajos gaidāmajos zaudējumos (vai nu atsevišķam ieguldījumam vai tirdzniecības pozīcijai, portfelim, vai arī sadalīšanai vai uzņēmuma mērogā) noteiktā laika posmā projekcijas. GARCH modeļi tiek apskatīti tā, lai nodrošinātu labāku riska novērtējumu nekā to var iegūt, izsekojot tikai ar standarta novirzi.
Ir veikti dažādi pētījumi par dažādu GARCH modeļu uzticamību dažādos tirgus apstākļos, ieskaitot periodus pirms un pēc 2007. gada finanšu krīzes.
