Какво представлява процесът GARCH
Обобщеният процес на авторегресивна условна хетерокедастичност (GARCH) е иконометричен термин, разработен през 1982 г. от Робърт Ф. Енгъл, икономист и носител на Нобелова награда за икономика за 2003 г., за да опише подход за оценка на нестабилността на финансовите пазари. Има няколко форми на GARCH моделиране. Процесът GARCH често е предпочитан от специалистите по финансово моделиране, тъй като осигурява по-реален контекст от другите форми, когато се опитват да прогнозират цените и ставките на финансовите инструменти.
РАЗГЛЕЖДАНЕ НАДОЛУ ГАРШ Процес
Хетерокедастичността описва неправилния модел на изменение на грешка или променлива в статистически модел. По същество там, където има хетероскедастичност, наблюденията не съответстват на линеен модел. Вместо това те са склонни да се струпват. Резултатът е, че изводите и прогнозната стойност, които човек може да извлече от модела, няма да бъдат надеждни. GARCH е статистически модел, който може да се използва за анализ на редица различни видове финансови данни, например макроикономически данни. Финансовите институции обикновено използват този модел за оценка на нестабилността на възвръщаемостта на акции, облигации и пазарни индекси. Те използват получената информация, за да помогнат да определят ценообразуването и да преценят кои активи потенциално ще осигурят по-висока възвръщаемост, както и да прогнозират възвръщаемостта на текущите инвестиции, за да помогнат при вземането на активи, хеджиране, управление на риска и оптимизиране на портфейла.
Общият процес на GARCH модел включва три стъпки. Първият е да се оцени най-подходящият авторегресивен модел. Второто е да се изчислят автокорелации на термина за грешка. Третата стъпка е да се тества за значимост. Два други широко използвани подхода за оценка и прогнозиране на финансовата нестабилност са методът на класическата историческа нестабилност (VolSD) и методът на експоненциално претеглена колебателна средна волатилност (VolEWMA).
Пример за GARCH процес
Моделите GARCH помагат да се опишат финансовите пазари, на които нестабилността може да се промени, ставайки по-нестабилна по време на периоди на финансови кризи или световни събития и по-малко променлива по време на периоди на относително спокоен и стабилен икономически растеж. Например в сюжета на възвръщаемостта, възвръщаемостта на акциите може да изглежда сравнително еднаква за годините, водещи до финансова криза, като тази през 2007 г. Във времевия период след началото на кризата обаче, възвръщаемостта може да се люлее люто от отрицателна на положителна територия. Освен това, повишената волатилност може да предсказва променливостта на променливостта. След това нестабилността може да се върне към нива, наподобяващи нивата от преди кризата, или да бъде по-равномерна напред. Един прост регресионен модел не отчита тази промяна в нестабилността, проявена на финансовите пазари, и не е представителен за събитията на „черния лебед“, които се случват повече от един, който би предсказал.
GARCH модели най-добри за връщане на активи
Процесите на GARCH се различават от хомоскедастичните модели, които приемат постоянна променливост и се използват в основния анализ на най-малките най-малки квадрати (OLS). OLS има за цел да сведе до минимум отклоненията между данните и регресионната линия, за да се поберат в тези точки. С възвръщаемостта на активите, променливостта изглежда се променя през определени периоди от време и зависи от отминала разлика, което прави хомоскедастичния модел не оптимален.
Процесите на GARCH, като авторегресивни, зависят от предишни квадратни наблюдения и отминали отклонения, за да се моделира за текущата дисперсия. Процесите на GARCH се използват широко във финансите поради тяхната ефективност при моделиране на възвръщаемостта на активите и инфлацията. GARCH има за цел да сведе до минимум грешките при прогнозиране, като отчита грешки в предходните прогнози и по този начин повишава точността на текущите прогнози.
