GARCH-process
Vad är GARCH-processenDen generaliserade autoregressiva villkorade heteroskedasticitetsprocessen (GARCH) är en ekonometrisk term som utvecklades 1982 av Robert F. Engle, en ekonom och vinnaren av Nobel Memorial Prize for Economics 2003, för att beskriva en metod för att uppskatta volatilitet på finansmarknaderna. Det finns flera former av GARCH-modellering. GARCH-processen föredras ofta av yrkesverksamma inom finansiell modellering eftersom den ger ett mer verkligt sammanhang än andra former när man försöker förutse priser och priser för finansiella instrument.
BREAKING NOWN GARCH Process
Heteroskedasticitet beskriver ett oregelbundet variationmönster för en feltermin, eller variabel, i en statistisk modell. I huvudsak, där det finns heteroskedasticitet, överensstämmer observationer inte med ett linjärt mönster. Istället tenderar de att klustera. Resultatet är att slutsatserna och det prediktiva värdet man kan dra av modellen inte kommer att vara tillförlitliga. GARCH är en statistisk modell som kan användas för att analysera ett antal olika typer av finansiella data, till exempel makroekonomiska data. Finansinstitut använder vanligtvis denna modell för att uppskatta volatiliteten i avkastningen för aktier, obligationer och marknadsindex. De använder den resulterande informationen för att fastställa prissättningen och bedöma vilka tillgångar som potentiellt kommer att ge högre avkastning, samt för att förutse avkastningen på nuvarande investeringar för att hjälpa till i deras tillgångsfördelning, säkring, riskhantering och portföljoptimeringsbeslut.
Den allmänna processen för en GARCH-modell innebär tre steg. Den första är att uppskatta en bäst passande autoregressiv modell. Den andra är att beräkna autokorrelationer av feltermen. Det tredje steget är att testa för betydelse. Två andra allmänt använda metoder för att uppskatta och förutsäga finansiell volatilitet är den klassiska historiska volatilitetsmetoden (VolSD) -metoden och den exponentiellt viktade rörliga genomsnittliga volatilitetsmetoden (VolEWMA).
Exempel på GARCH-process
GARCH-modeller hjälper till att beskriva finansmarknader där volatiliteten kan förändras, blir mer volatil under perioder med finansiella kriser eller världshändelser och mindre flyktiga under perioder med relativ lugn och stabil ekonomisk tillväxt. På en avkastningstomt, till exempel, kan aktieavkastningen se relativt enhetlig ut under åren fram till en finansiell kris som den 2007. Under tiden efter krisens början kan emellertid avkastningen svänga vilt från negativa till positivt territorium. Dessutom kan den ökade volatiliteten förutsäga volatiliteten framöver. Volatilitet kan då återgå till nivåer som liknar nivån före krisen eller vara mer enhetliga framöver. En enkel regressionsmodell tar inte hänsyn till denna variation i volatilitet på finansmarknaderna och är inte representativ för de "svarta svan" -händelserna som inträffar mer än man skulle förutsäga.
GARCH-modeller bäst för tillgångsretur
GARCH-processer skiljer sig från homoskedastiska modeller, som antar konstant flyktighet och används i grundläggande vanliga minsta kvadrater (OLS) -analys. OLS syftar till att minimera avvikelserna mellan datapunkter och en regressionslinje för att passa dessa punkter. Med tillgångsavkastning verkar volatiliteten variera under vissa tidsperioder och beror på tidigare varians, vilket gör en homoskedastisk modell inte optimal.
GARCH-processer, som är autoregressiva, beror på tidigare kvadratiska observationer och tidigare varianser för att modellera för aktuell varians. GARCH-processer används ofta inom finansiering på grund av deras effektivitet i modellering av tillgångar och inflation. GARCH strävar efter att minimera fel i prognosen genom att redovisa fel i tidigare prognoser och därmed förbättra noggrannheten i pågående förutsägelser.
Jämför investeringskonton Leverantörs namn Beskrivning Annonsörens upplysning × Erbjudandena som visas i denna tabell kommer från partnerskap från vilka Investopedia erhåller ersättning.