Жалпы АвтоРегрессивті Шартты Гетероскедастылық (GARCH)

Жалпыланған автоРегрессивті шартты гетероскедастика (GARCH) дегеніміз не?

Жалпыланған АвтоРегрессивті Шартты Гетероскедастик (GARCH) — бұл дисперсиялық қателік сериялық автокорреляцияланған деп есептелетін уақыт қатары туралы деректерді талдауда қолданылатын статистикалық модель. GARCH модельдері қателік терминінің дисперсиясы ауторегрессивті қозғалмалы орташа процестен кейін жүреді деп болжайды.

Негізгі өнімдер

  • GARCH — қаржылық активтер кірісінің өзгергіштігін болжауға көмектесетін статистикалық модельдеу әдісі.
  • GARCH қателік мерзімінің дисперсиясы ауторегрессивті қозғалмалы орташа процестен кейін сериялық автокорреляцияланған уақыт сериялары үшін сәйкес келеді. 
  • GARCH кірістегі құбылмалылық кезеңдерін көрсететін активтер үшін тәуекелділік пен күтілетін кірісті бағалау үшін пайдалы.

Жалпы АвтоРегрессивті Шартты Гетероскедастиканы (GARCH) түсіну

Макроэкономикалық деректер сияқты қаржылық деректердің әртүрлі түрлерін талдауда жалпыланған автоРегрессивті шартты гетероскедастылық ( GARCH ) модельдерін қолдануға болатындығына қарамастан, қаржы институттары оларды әдетте акциялар, облигациялар және нарықтық индекстер кірістерінің тұрақсыздығын бағалау үшін пайдаланады. Олар алынған ақпараттарды бағаны анықтауға және қай активтер жоғары кірістер әкелетінін анықтауға, сондай-ақ активтерді орналастыруға, хеджирлеуге, тәуекелдерді басқаруға және портфолионы оңтайландыруға қатысты шешімдерге көмектесу үшін ағымдағы инвестициялардың кірістерін болжау үшін пайдаланады.

GARCH модельдері қате терминінің дисперсиясы тұрақты болмаған кезде қолданылады. Яғни, қателік термині гетероскедастикалық болып табылады. Гетероскедастика статистикалық модельде қателік терминінің немесе айнымалының өзгеруінің тұрақты емес заңдылығын сипаттайды. Шын мәнінде, гетероскедастика бар жерде бақылаулар сызықтық үлгіге сәйкес келмейді. Керісінше, олар кластерге бейім. Сондықтан, егер бұл мәліметтерде тұрақты дисперсияны қабылдайтын статистикалық модельдер қолданылса, онда модельден шығаруға болатын тұжырымдар мен болжамдық мән сенімді болмайды.

GARCH модельдеріндегі қателіктер мерзімінің ауытқуы жүйелі түрде өзгереді, бұл алдыңғы кезеңдердегі қателік шарттарының орташа мөлшеріне байланысты. Басқаша айтқанда, оның шартты гетероскедастикасы бар, ал гетероскедастиканың себебі — қателік терминінің ауторегрессивті қозғалмалы орташа сызба бойынша жүруі. Бұл дегеніміз, бұл өзінің орташа мәндерінің орташа мәні.

GARCH тарихы

GARCH 1986 жылы сол кездегі докторант, доктор Тим Боллерсев тарабынан активтер бағасының құбылмалылығын болжау проблемасын шешу тәсілі ретінде жасалған. Ол экономист Роберт Энглдің 1982 жылғы Авторегрессивті шартты гетероскедастика (ARCH) моделін енгізудегі жетістіктері негізінде құрылды. Оның моделі қаржылық кірістердің өзгеруі уақыт бойынша тұрақты болмады, бірақ олар автокорреляцияланған немесе бір-біріне тәуелді / тәуелді деп болжады. Мысалы, мұны қор қайтарымдылығынан көруге болады, егер кірістегі құбылмалылық кезеңдері топтастырылатын болса.

Бастапқы кіріспеден бастап, GARCH көптеген вариациялары пайда болды. Оларға корреляцияны және кірістердің байқалатын «құбылмалылық кластерін» қарастыратын бейсызықтық (NGARCH) және құбылмалылық параметрін шектейтін интегралды GARCH (IGARCH) кіреді. GARCH моделінің барлық вариациялары шамасына қосымша қайтарымның бағытын, оң немесе теріс мәндерін қосуға тырысады (бастапқы модельде көрсетілген).

GARCH-тің әрбір туындысын қордың, саланың немесе экономикалық деректердің нақты сапаларын ескеру үшін пайдалануға болады. Олардың ішіне тәуекел, қаржы институттары біріктіру GARCH модельдері бағалау кезінде Мән-қауіп-қатер төніп (VAR), максималды белгіленген уақыт кезеңі ішінде (бір инвестициялық немесе сауда лауазымына ма портфелі немесе бөлу немесе фирма-кең деңгейде) жоғалту деп күтілуде проекциялар. GARCH модельдері тек стандартты ауытқуды бақылау арқылы алуға болатыннан гөрі тәуекелдің жақсы көрсеткіштерін ұсынады.

Нарықтың әртүрлі конъюктураларында, оның ішінде 2007 ж. Қаржылық дағдарысқа дейінгі және одан кейінгі кезеңдерде әртүрлі GARCH модельдерінің сенімділігі туралы әр түрлі зерттеулер жүргізілді.