Generaliserad AutoRegressive Conditional Heteroskedasticity (GARCH)
Generalised AutoRegressive Conditional Heteroskedasticity (GARCH) är en statistisk modell som används för att analysera tidsseriedata där variansfelet tros vara seriellt autokorrelerat. GARCH-modeller antar att variansen hos feltermen följer en autoregressiv glidande medelprocess.
Key Takeaways
- GARCH är en statistisk modelleringsteknik som används för att förutsäga volatiliteten i avkastningen på finansiella tillgångar.
- GARCH är lämplig för tidsseriedata där variansen hos feltermen autokorreleras seriellt efter en autoregressiv glidande medelprocess.
- GARCH är användbart för att bedöma risk och förväntad avkastning för tillgångar som uppvisar grupperade volatilitetsperioder i avkastning.
Förstå Generalised AutoRegressive Conditional Heteroskedasticity (GARCH)
Även om Generalized AutoRegressive Conditional Heteroskedasticity (GARCH) -modeller kan användas vid analys av ett antal olika typer av finansiella data, såsom makroekonomiska data, använder finansinstitut dem vanligtvis 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.
GARCH-modeller används när variansen hos feltermen inte är konstant. Det vill säga att feltermen är heteroskedastisk. Heteroskedasticitet beskriver ett oregelbundet variationmönster för en feltermin, eller variabel, i en statistisk modell. I huvudsak, var det finns heteroskedasticitet, överensstämmer observationer inte med ett linjärt mönster. Istället tenderar de att klustera. Därför, om statistiska modeller som antar konstant varians används på dessa data, kommer slutsatserna och det förutsägbara värdet man kan dra från modellen inte att vara tillförlitliga.
Variansen i feltermen i GARCH-modeller antas variera systematiskt, beroende på den genomsnittliga storleken på feltermerna under tidigare perioder. Med andra ord har den villkorad heteroskedasticitet, och orsaken till heteroskedasticiteten är att feltermen följer ett autoregressivt rörligt medelvärde. Detta betyder att det är en funktion av ett genomsnitt av sina egna tidigare värden.
GARCH: s historia
GARCH formulerades på 1980-talet som ett sätt att hantera problemet med att förutse volatilitet i tillgångspriser. Det byggde på ekonomen Robert Engles genombrott 1982-arbete för att introducera modellen Autoregressive Conditional Heteroskedasticity (ARCH). Hans modell antog att variationen i finansiell avkastning inte var konstant över tid utan är autokorrelerad eller villkorad / beroende av varandra. Till exempel kan man se detta i lageravkastningar där perioder med volatilitet i avkastning tenderar att klustras samman.
Sedan den ursprungliga introduktionen har många varianter av GARCH dykt upp. Dessa inkluderar icke-linjär (NGARCH), som adresserar korrelation och observerad "volatilitetsklustering" av returer, och Integrerad GARCH (IGARCH), som begränsar volatilitetsparametern. Alla GARCH-modellvariationer försöker integrera riktningen, positiv eller negativ, för avkastning utöver storleken (adresserad i den ursprungliga modellen).
Varje derivat av GARCH kan användas för att tillgodose de specifika egenskaperna för lager, industri eller ekonomisk data. Vid bedömning av risker införlivar finansinstitut GARCH-modeller i sina Value-at-Risk (VAR), maximal förväntad förlust (vare sig det gäller en enskild investering eller handelsposition, portfölj eller på en division eller företagsnivå) under en viss tidsperiod projektioner. GARCH-modeller ses för att ge bättre mätare av risker än som kan erhållas genom att spåra standardavvikelse ensam.
Olika studier har genomförts om tillförlitligheten hos olika GARCH-modeller under olika marknadsförhållanden, inklusive under perioderna fram till och efter finanskrisen 2007.
Jämför investeringskonton Leverantörs namn Beskrivning Annonsörens upplysning × Erbjudandena som visas i denna tabell kommer från partnerskap där Investopedia erhåller ersättning.