Generaliseret autoRegressiv betinget heteroskedasticitet (GARCH)
Generaliseret AutoRegressive Conditional Heteroskedasticity (GARCH) er en statistisk model, der bruges til analyse af tidsseriedata, hvor variansfejlen antages at være autokorreleret serielt. GARCH-modeller antager, at variansen af fejlbetegnelsen følger en autoregressiv glidende gennemsnitsproces.
Key takeaways
- GARCH er en statistisk modelleringsteknik, der bruges til at forudsige volatiliteten i afkast på finansielle aktiver.
- GARCH er passende til tidsseriedata, hvor variansen af fejltermen autokorreleres serielt efter en autoregressiv glidende gennemsnitsproces.
- GARCH er nyttigt til at vurdere risiko og forventet afkast for aktiver, der udviser samlede perioder med volatilitet i afkast.
Forståelse af generaliseret autoRegressiv betinget heteroskedasticitet (GARCH)
Selvom Generalised AutoRegressive Conditional Heteroskedasticity (GARCH) modeller kan bruges til analyse af en række forskellige typer finansielle data, såsom makroøkonomiske data, bruger finansinstitutioner dem typisk 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.
GARCH-modeller bruges, når variansen af fejlbetegnelsen ikke er konstant. Det vil sige, at fejlbetegnelsen er heteroskedastisk. 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. Hvis der anvendes statistiske modeller, der antager konstant varians på disse data, vil de konklusioner og den forudsigelige værdi, man kan trække fra modellen, ikke være pålidelige.
Varianten af fejlbetegnelsen i GARCH-modeller antages at variere systematisk, afhængig af den gennemsnitlige størrelse af fejlbetingelserne i tidligere perioder. Med andre ord, det har betinget heteroskedasticitet, og årsagen til heteroskedasticiteten er, at fejlbetegnelsen følger et autoregressivt glidende gennemsnitsmønster. Dette betyder, at det er en funktion af et gennemsnit af sine egne fortidsværdier.
GARCHs historie
GARCH blev formuleret i 1980'erne som en måde at tackle problemet med at forudsige volatilitet i aktivpriserne. Det bygger på økonom Robert Engles gennembrud i 1982 med at introducere modellen Autoregressive Conditional Heteroskedasticity (ARCH). Hans model antog, at variationen i det økonomiske afkast ikke var konstant over tid, men er autokorreleret eller betinget af / afhængig af hinanden. F.eks. Kan man se dette i lagerafkast, hvor perioder med volatilitet i afkast har tendens til at være samlet.
Siden den oprindelige introduktion er der kommet mange variationer af GARCH frem. Disse inkluderer ikke-lineær (NGARCH), der adresserer korrelation og observeret "volatilitetsklynge" af returneringer, og Integreret GARCH (IGARCH), som begrænser volatilitetsparameteren. Alle GARCH-modelvariationer søger at inkorporere retningen, positiv eller negativ, afkast ud over størrelsesordenen (adresseret i den originale model).
Hver afledning af GARCH kan bruges til at imødekomme de specifikke kvaliteter af bestanden, industrien eller økonomiske data. Ved vurderingen af risiko inkorporerer finansielle institutioner GARCH-modeller i deres Value-at-Risk (VAR), det maksimale forventede tab (hvad enten det gælder en enkelt investering eller handelsposition, portefølje eller på en division eller virksomhedsniveau) over en specificeret tidsperiode fremspring. GARCH-modeller betragtes for at give bedre målemetoder, end de kan opnås ved at spore standardafvigelse alene.
Der er udført forskellige undersøgelser af pålideligheden af forskellige GARCH-modeller under forskellige markedsforhold, herunder i perioderne op til og efter finanskrisen i 2007.
Sammenlign Navn på udbydere af investeringskonti Beskrivelse Annoncørens viden × De tilbud, der vises i denne tabel, er fra partnerskaber, hvorfra Investopedia modtager kompensation.