Što je generalizirana auto-progresivna uvjetna heteroskedastičnost (GARCH)?
Generalizirana automatska progresivna uvjetna heteroskedastičnost (GARCH) je statistički model koji se koristi u analiziranju podataka vremenske serije gdje se vjeruje da je greška varijance serijski autokorelirana. GARCH modeli pretpostavljaju da varijanca pojma pogreške slijedi postupak automatskog kretanja prosjeka.
Ključni odvodi
- GARCH je tehnika statističkog modeliranja koja se koristi da se predvidi volatilnost povrata financijske imovine. GARCH je prikladan za podatke vremenske serije gdje se varijacija pojma pogreške serijski autokorelira nakon procesa automatskog kretanja prosjeka. GARCH je koristan za procjenu rizika i očekivanih povrata imovine koja pokazuje klasterirana razdoblja nestabilnosti u prinosu.
Razumijevanje generalizirane automatske progresivne uvjetne heteroterostičnosti (GARCH)
Iako se generalizirani modeli automatske progresivne uvjetne heteroroskedastičnosti (GARCH) mogu upotrijebiti u analizi niza različitih vrsta financijskih podataka, poput makroekonomskih podataka, financijske institucije ih obično koriste za procjenu volatilnosti povrata za dionice, obveznice i indekse tržišta. Pomoću dobivenih informacija koriste se za određivanje cijena i prosudbu koja će imovina potencijalno omogućiti veći povrat, kao i za predviđanje povrata tekućih investicija kako bi se pomoglo u njihovim odlukama o raspodjeli imovine, zaštiti, upravljanju rizikom i optimizaciji portfelja.
GARCH modeli se koriste kada varijacija pojma pogreške nije konstantna. Odnosno, pojam pogreške je heteroskedastički. Heteroskedastičnost opisuje nepravilan obrazac varijacije pojma pogreške ili varijable u statističkom modelu. U osnovi, gdje god postoji heteroskadastičnost, opažanja nisu u skladu s linearnim obrascem. Umjesto toga, skloni su grupiranju. Stoga, ako se na ovim podacima koriste statistički modeli koji pretpostavljaju stalnu varijancu, tada zaključci i prediktivna vrijednost koja se može izvući iz modela neće biti pouzdani.
Pretpostavlja se da varijanca pojma pogreške u GARCH modelima sustavno varira, uvjetovana prosječnom veličinom pojmova pogreške u prethodnim razdobljima. Drugim riječima, ona ima uvjetnu heteroskedastičnost, a razlog heteroskedastičnosti je u tome što izraz pogreške slijedi obrazac automatskog kretanja prosjeka. To znači da je to funkcija prosjeka vlastitih prošlih vrijednosti.
Povijest GARCH-a
GARCH je formuliran 1980-ih kao način rješavanja problema predviđanja volatilnosti cijena imovine. Zasnovao je na revolucionarnom radu ekonomista Roberta Englea iz 1982. godine na uvođenju modela Autoregressive Conditional Heteroskedasticity (ARCH). Njegov je model pretpostavio da varijacije financijskih prinosa tijekom vremena nisu stalne, već su autokorelirane ili ovisne jedna o drugoj. Primjerice, to se može vidjeti u prinosima dionica tamo gdje su razdoblja volatilnosti povrata sklopljena.
Od originalnog uvoda pojavile su se mnoge varijacije GARCH-a. Tu se ubrajaju nelinearni (NGARCH) koji se odnosi na korelaciju i opažaju "kolebanje volatilnosti" povrata i integrirani GARCH (IGARCH), koji ograničava parametar volatilnosti. Sve varijacije GARCH modela nastoje uključiti smjer, pozitivan ili negativan, prinose osim veličine (obrađene u izvornom modelu).
Svaka izvedba GARCH-a može se upotrijebiti za prilagođavanje specifičnih podataka o zalihama, industriji ili ekonomskim podacima. Procjenjujući rizik, financijske institucije uključuju GARCH modele u svoj vrijednost po riziku (VAR), maksimalni očekivani gubitak (bilo za pojedinačnu investicijsku ili trgovačku poziciju, portfelj, bilo na razini odjela ili poduzeća) tijekom određenog vremenskog razdoblja projekcije. GARCH modeli se gledaju tako da pružaju bolje mjerljive rizike nego što se mogu dobiti samo praćenjem standardnog odstupanja.
Provedene su različite studije o pouzdanosti različitih modela GARCH tijekom različitih tržišnih uvjeta, uključujući i razdoblja koja su vodila do i nakon financijske krize 2007. godine.
