GARCH-proces
Den generaliserede autoregressive betingede heteroskedasticitet (GARCH) -proces er et økonometrisk udtryk udviklet i 1982 af Robert F. Engle, en økonom og vinder af Nobel Memorial Prize for Economics i 2003 for at beskrive en tilgang til at estimere volatilitet på finansielle markeder. Der er flere former for GARCH-modellering. GARCH-processen foretrækkes ofte af fagmænd i finansiel modellering, fordi den giver en mere reel kontekst end andre former, når man prøver at forudsige priser og priser på finansielle instrumenter.
BREAKING NED GARCH Process
Heteroskedasticitet beskriver det uregelmæssige variation af mønsteret i en fejlbegivenhed eller variabel i en statistisk model. I det væsentlige, hvor der er heteroskedasticitet, er observationer ikke i overensstemmelse med et lineært mønster. I stedet har de en tendens til at klynge sig sammen. Resultatet er, at de konklusioner og den forudsigelige værdi, man kan trække fra modellen, ikke vil være pålidelige. GARCH er en statistisk model, der kan bruges til at analysere en række forskellige typer finansielle data, for eksempel makroøkonomiske data. Finansielle institutioner bruger typisk denne model til at estimere volatiliteten i afkast for aktier, obligationer og markedsindeks. De bruger de resulterende oplysninger til at hjælpe med at bestemme prisfastsættelse og bedømme, hvilke aktiver der potentielt vil give et højere afkast, samt til at forudsige afkastet af de aktuelle investeringer til at hjælpe med deres aktivallokering, afdækning, risikostyring og porteføljeoptimeringsbeslutninger.
Den generelle proces for en GARCH-model involverer tre trin. Den første er at estimere en bedst passende autoregressiv model. Det andet er at beregne autokorrelationer af fejlbetegnelsen. Det tredje trin er at teste for betydning. To andre vidt anvendte tilgange til estimering og forudsigelse af økonomisk volatilitet er den klassiske historiske volatilitetsmetode (VolSD) -metode og den eksponentielt vægtede glidende gennemsnitlige volatilitetsmetode (VolEWMA).
Eksempel på GARCH-proces
GARCH-modeller hjælper med at beskrive de finansielle markeder, hvor volatiliteten kan ændre sig, bliver mere ustabil i perioder med finansielle kriser eller verdensbegivenheder og mindre ustabile i perioder med relativ rolig og stabil økonomisk vækst. På et plot med afkast, for eksempel, kan aktieafkast se relativt ens ud i årene frem til en finanskrise som den i 2007. I tidsperioden efter krisens indtræden kan afkast dog svinge vildt fra negativt til positivt territorium. Derudover kan den øgede volatilitet være forudsigelig for volatiliteten fremover. Flygtighed kan derefter vende tilbage til niveauer, der ligner niveauerne før niveauerne før krisen eller være mere ensartede fremover. En simpel regressionsmodel tager ikke højde for denne variation i volatilitet, der vises på finansielle markeder, og er ikke repræsentativ for de "sorte svane" -begivenheder, der forekommer mere end man ville forudsige.
GARCH-modeller bedst til afkast af aktiver
GARCH-processer adskiller sig fra homoskedastiske modeller, der antager konstant flygtighed og anvendes i grundlæggende almindelige mindstekvadrater (OLS) -analyse. OLS sigter mod at minimere afvigelserne mellem datapunkter og en regressionslinje, der passer til disse punkter. Med aktivafkast synes volatilitet at variere i bestemte tidsperioder og afhænger af tidligere varians, hvilket gør en homoskedastisk model ikke optimal.
GARCH-processer er autoregressive og afhænger af tidligere kvadratiske observationer og fortidsafvigelser for at modellere den aktuelle varians. GARCH-processer er vidt brugt i finansiering på grund af deres effektivitet i modellering af aktivafkast og inflation. GARCH sigter mod at minimere fejl ved forudsigelse ved at redegøre for fejl i forudgående prognoser og derved forbedre nøjagtigheden af igangværende forudsigelser.
Sammenlign Navn på udbydere af investeringskonti Beskrivelse Annoncørens viden × De tilbud, der vises i denne tabel, er fra partnerskaber, hvorfra Investopedia modtager kompensation.