Hva er GARCH-prosessen
Den generaliserte autoregressive betingede heteroskedasticity-prosessen (GARCH) er et økonometrisk begrep utviklet i 1982 av Robert F. Engle, en økonom og vinner av Nobel Memorial Prize for Economics i 2003, for å beskrive en tilnærming for å estimere volatilitet i finansmarkedene. Det er flere former for GARCH-modellering. GARCH-prosessen er ofte å foretrekke av fagpersoner innen finansiell modellering fordi den gir en mer reell kontekst enn andre former når du prøver å forutsi priser og priser på finansielle instrumenter.
Å bryte ned GARCH-prosess
Heteroskedasticity beskriver det uregelmessige variasjonsmønsteret til en feilbegrep, eller variabel, i en statistisk modell. I hovedsak, der det er heteroskedastisitet, samsvarer observasjoner ikke med et lineært mønster. I stedet har de en tendens til å klynge seg. Resultatet er at konklusjonene og den prediktive verdien man kan trekke fra modellen ikke vil være pålitelige. GARCH er en statistisk modell som kan brukes til å analysere en rekke forskjellige typer økonomiske data, for eksempel makroøkonomiske data. Finansinstitusjoner bruker vanligvis denne modellen for å estimere volatiliteten i avkastningen for aksjer, obligasjoner og markedsindekser. De bruker den resulterende informasjonen for å bestemme prisfastsettelse og bedømme hvilke eiendeler som potensielt vil gi høyere avkastning, samt for å forutsi avkastningen på nåværende investeringer for å hjelpe til med beslutninger om allokering, sikring, risikostyring og porteføljeoptimalisering.
Den generelle prosessen for en GARCH-modell innebærer tre trinn. Den første er å estimere en best passende autoregressiv modell. Det andre er å beregne autokorrelasjoner av feilbegrep. Det tredje trinnet er å teste for betydning. To andre mye benyttede tilnærminger for å estimere og forutsi økonomisk volatilitet er den klassiske historiske volatilitetsmetoden (VolSD) -metoden og den eksponentielt vektede glidende gjennomsnittlig volatilitetsmetoden (VolEWMA).
Eksempel på GARCH-prosess
GARCH-modeller er med på å beskrive finansmarkeder der volatiliteten kan endre seg, bli mer ustabil i perioder med økonomiske kriser eller verdensbegivenheter og mindre ustabile i perioder med relativt rolig og jevn økonomisk vekst. På et avkastningsdiagram, for eksempel, kan aksjeavkastningen se relativt jevn ut for årene frem til en finanskrise som den i 2007. I tidsperioden etter krisens begynnelse kan avkastningen imidlertid svinge vilt fra negativ til positivt territorium. Dessuten kan den økte flyktigheten være prediktiv for volatiliteten fremover. Flyktighet kan da gå tilbake til nivåer som ligner nivået før krisen eller være mer enhetlig fremover. En enkel regresjonsmodell gjør ikke rede for denne variasjonen i volatilitet som vises i finansmarkedene, og er ikke representativ for de "svarte svane" -hendelsene som oppstår mer enn man kunne forutsi.
GARCH-modeller som er best for avkastning
GARCH-prosesser skiller seg fra homoskedastiske modeller, som antar konstant flyktighet og blir brukt i grunnleggende ordinære minstekvadrater (OLS) -analyse. OLS har som mål å minimere avvikene mellom datapunkter og en regresjonslinje for å passe til disse punktene. Med avkastning av eiendeler ser volatiliteten ut til å variere i løpet av visse tidsperioder og avhenge av varians fra tidligere, noe som gjør en homoskedastisk modell ikke optimal.
GARCH-prosesser er autoregressive og avhenger av tidligere kvadratiske observasjoner og tidligere varianser for å modellere for nåværende varians. GARCH prosesser er mye brukt i finans på grunn av deres effektivitet i modellering av avkastning og inflasjon. GARCH tar sikte på å minimere feil i prognoser ved å gjøre rede for feil i forutgående prognoser og derved øke nøyaktigheten av pågående prediksjoner.
