Što je GARCH postupak
Generalizirani postupak autoregresivne uvjetne heteroskedastičnosti (GARCH) ekonometrijski je pojam koji je 1982. godine razvio Robert F. Engle, ekonomist i dobitnik Nobelove nagrade za ekonomiju 2003. godine kako bi opisao pristup procjeni nestabilnosti na financijskim tržištima. Postoji nekoliko oblika GARCH modeliranja. GARCH postupak često preferiraju stručnjaci za financijsko modeliranje jer pruža kontekst u stvarnom svijetu od ostalih oblika kada pokušavaju predvidjeti cijene i stope financijskih instrumenata.
BREAKING DOWN GARCH Proces
Heteroskedastičnost opisuje nepravilan obrazac varijacije pojma pogreške ili varijable u statističkom modelu. U osnovi, tamo gdje postoji heteroskadastičnost, opažanja nisu u skladu s linearnim obrascem. Umjesto toga, skloni su grupiranju. Rezultat toga je da zaključci i prediktivna vrijednost koja se može izvući iz modela neće biti pouzdani. GARCH je statistički model koji se može koristiti za analizu različitih vrsta financijskih podataka, na primjer, makroekonomskih podataka. Financijske institucije obično koriste ovaj model za procjenu volatilnosti povrata za dionice, obveznice i tržišne indekse. Pomoću dobivenih informacija koriste se u određivanju cijena i presudi koja će imovina potencijalno omogućiti veći povrat, kao i za predviđanje povrata tekućih investicija kako bi se pomoglo u odlukama o njihovoj raspodjeli imovine, zaštiti, upravljanju rizikom i optimizaciji portfelja.
Opći postupak za GARCH model uključuje tri koraka. Prvi je procjena najprikladnijeg autoregresivnog modela. Drugi je način izračunavanja autokorelacija pojma pogreške. Treći korak je ispitivanje značaja. Druga dva široko korištena pristupa za procjenu i predviđanje financijske volatilnosti su metoda klasične povijesne volatilnosti (VolSD) i metoda eksponencijalno ponderirane pokretne prosječne volatilnosti (VolEWMA).
Primjer postupka GARCH
GARCH modeli pomažu opisati financijska tržišta na kojima se nestabilnost može mijenjati, postajući elastičnijima tijekom razdoblja financijskih kriza ili svjetskih događaja i manje nestabilna tijekom razdoblja relativnog smirenog i stabilnog gospodarskog rasta. Na primjer, na osnovu povrata prinosa, prinosi na dionice mogu izgledati relativno ujednačeno za godine koje su dovele do financijske krize poput one u 2007. Međutim, u vremenskom razdoblju nakon početka krize, prinosi mogu snažno odstupati od negativnih do pozitivnog teritorija. Štoviše, povećana volatilnost može predvidjeti kretanje naprijed. Volatilnost se tada može vratiti na razine koje nalikuju razinama prije krize ili biti ujednačeniji prema naprijed. Jednostavni regresijski model ne uzima u obzir ove varijacije volatilnosti izložene na financijskim tržištima i nije reprezentativan za događaje "crnog labuda" koji se događaju više nego što bi se moglo predvidjeti.
GARCH modeli najbolji za povrat imovine
GARCH procesi razlikuju se od homoskedastičkih modela koji pretpostavljaju stalnu volatilnost i koriste se u osnovnim analizama najmanjih kvadrata (OLS). Cilj OLS-a je smanjiti odstupanja između podatkovnih točaka i regresijske linije kako bi se uklopile te točke. S prinosom imovine, čini se da se volatilnost razlikuje tijekom određenih razdoblja i ovisi o prošloj varijanci, pa homoskedastički model nije optimalan.
GARCH procesi, biti autoregresivni, ovise o promatranim kvadratima i prošlim varijantama do modela trenutne varijance. GARCH procesi se široko koriste u financijama zbog njihove učinkovitosti u modeliranju povrata imovine i inflacije. GARCH ima za cilj minimizirati pogreške u predviđanju računajući pogreške u prethodnom predviđanju i, na taj način, poboljšavajući točnost tekućih predviđanja.
