GARCH процесі

GARCH процесі дегеніміз не?

Жалпы ауторегрессивті шартты гетероскедастиктің (GARCH) процесі – бұл экономист және экономика бойынша Нобель мемориалдық сыйлығының 2003 жылғы лауреаты, экономист Роберт Ф.Энгле 1982 жылы жасаған эконометрикалық термин. GARCH қаржы нарықтарындағы құбылмалылықты бағалау тәсілін сипаттайды.

GARCH модельдеудің бірнеше формалары бар. Қаржы мамандары көбінесе GARCH процесін артық көреді, себебі ол басқа модельдерге қарағанда нақты жағдайларды ұсынады, бұл қаржы құралдарының бағалары мен ставкаларын болжау кезінде.

GARCH процесін түсіну

Гетероскедастика статистикалық модельде қателік терминінің немесе айнымалының өзгеруінің тұрақты емес заңдылығын сипаттайды. Негізінен, гетероскедастика бар жерде бақылаулар сызықтық заңдылыққа сәйкес келмейді. Керісінше, олар кластерге бейім.

Нәтижесінде модельден алынған тұжырымдар мен болжамдық мән сенімді болмайды. GARCH – бұл қаржылық деректердің әртүрлі түрлерін, мысалы, макроэкономикалық деректерді талдауға болатын статистикалық модель. Қаржы институттары әдетте осы модельді акциялар, облигациялар және нарықтық индекстер бойынша кірістердің тұрақсыздығын бағалау үшін пайдаланады. Олар алынған ақпараттарды бағаны анықтау үшін пайдаланады, қандай активтер жоғары кірістер әкелетінін анықтайды және активтерді орналастыру, хеджирлеу, тәуекелдерді басқару және портфельді оңтайландыру туралы шешімдерге көмектесу үшін ағымдағы инвестициялардың кірісін болжайды.

GARCH моделінің жалпы процесі үш кезеңнен тұрады. Біріншісі – ең жақсы сай келетін автогрессивті модельді бағалау. Екінші есептеу autocorrelations туралы қате мерзімге. Үшінші қадам – ​​маңыздылығын тексеру.

Қаржылық құбылмалылықты бағалау мен болжаудың тағы екі кең қолданылатын тәсілі – бұл классикалық тарихи құбылмалылық (VolSD) әдісі және экспоненциалды өлшенген орташа құбылмалылық (VolEWMA) әдісі.

Активтерді қайтаруға арналған ең жақсы модельдер

GARCH процестері тұрақты құбылмалылықты қабылдайтын және қарапайым қарапайым минималды квадраттарды (OLS) талдауда қолданылатын гомоскедастикалық модельдерден ерекшеленеді. OLS деректер нүктелері мен регрессия сызығы арасындағы ауытқуларды осы нүктелерге сәйкес келтіруді азайтуға бағытталған. Активтердің кірістілігімен құбылмалылық белгілі бір кезеңдерде өзгеретін сияқты және өткен дисперсияға тәуелді, сондықтан гомоскедастикалық модель оңтайлы емес болады.

GARCH процестері, өйткені олар авторегрессивті болып табылады, бұрынғы квадраттық бақылауларға және ағымдағы дисперсияны модельдеу үшін өткен дисперсияларға тәуелді. GARCH процестері активтер кірісі мен инфляцияны модельдеудегі тиімділігіне байланысты қаржы саласында кеңінен қолданылады. GARCH алдын-ала болжау кезіндегі қателіктерді есепке алу және болжаудың дәлдігін арттыру арқылы болжау кезіндегі қателіктерді азайтуға бағытталған.

GARCH процесінің мысалы

GARCH модельдері құбылмалылықтың өзгеруі мүмкін қаржылық нарықтарды сипаттайды, олар қаржылық дағдарыстар немесе әлемдік оқиғалар кезеңінде құбылмалылыққа ие болады, ал салыстырмалы тыныштық пен тұрақты экономикалық өсу кезеңінде тұрақсыз болады. Табыс жоспарында, мысалы, қор қайтарымы 2007 жыл сияқты қаржылық дағдарысқа дейінгі жылдар ішінде біркелкі болып көрінуі мүмкін.

Дағдарыстың басталуынан кейінгі кезеңде қайтарымдар жағымсыз аймақтан позитивті аймаққа қарай өзгеруі мүмкін. Сонымен қатар, құбылмалылықтың жоғарылауы болашақта болатын құбылмалылықты болжай алады. Содан кейін құбылмалылық дағдарысқа дейінгі деңгейге ұқсас деңгейге оралуы немесе алға қарай біркелкі болуы мүмкін. Қарапайым регрессия моделі қаржы нарықтарында құбылмалылықтың өзгеруін ескермейді. Бұл болжанғаннан жиі болатын « қара аққулар » оқиғаларының өкілі емес.