Ano ang Proseso ng GARCH
Ang pangkalahatang proseso ng kondisyong heteroskedasticity (GARCH) na pangkalahatan ay isang pang-ekonomikong termino na binuo noong 1982 ni Robert F. Engle, isang ekonomista at 2003 na nagwagi ng Nobel Memorial Prize for Economics, upang ilarawan ang isang diskarte upang matantya ang pagkasumpungin sa mga pamilihan sa pananalapi. Mayroong ilang mga anyo ng pagmomolde ng GARCH. Ang proseso ng GARCH ay madalas na ginusto ng mga propesyonal sa pagmomolde sa pananalapi dahil nagbibigay ito ng isang mas real-world na konteksto kaysa sa iba pang mga form kapag sinusubukan upang mahulaan ang mga presyo at mga rate ng mga instrumento sa pananalapi.
Proseso ng Paghahanap sa BREAKING
Inilarawan ng Heteroskedasticity ang hindi regular na pattern ng pagkakaiba-iba ng isang term na error, o variable, sa isang istatistikong modelo. Mahalaga, kung saan mayroong heteroskedasticity, ang mga obserbasyon ay hindi umaayon sa isang guhit na pattern. Sa halip, may posibilidad silang kumpol. Ang resulta ay ang mga konklusyon at mahuhulaan na halaga na maaaring makuha ng isang tao mula sa modelo ay hindi maaasahan. Ang GARCH ay isang istatistikong modelo na maaaring magamit upang pag-aralan ang isang iba't ibang mga uri ng data sa pananalapi, halimbawa, data ng macroeconomic. Karaniwang ginagamit ng mga institusyong pampinansyal ang modelong ito upang matantya ang pagkasumpungin ng pagbabalik para sa mga stock, bond at indeks sa merkado. Ginagamit nila ang nagresultang impormasyon upang matukoy ang pagpepresyo at hukom kung aling mga asset ang maaaring magbigay ng mas mataas na pagbabalik, pati na rin upang matantya ang mga pagbabalik ng kasalukuyang pamumuhunan upang makatulong sa kanilang paglalaan ng asset, pag-upa, pamamahala sa peligro at mga desisyon sa pag-optimize ng portfolio.
Ang pangkalahatang proseso para sa isang modelo ng GARCH ay nagsasangkot ng tatlong mga hakbang. Ang una ay ang pagtantya ng isang pinakamahusay na angkop na autoregressive modelo. Ang pangalawa ay ang pagkalkula ng mga autocorrelations ng term ng error. Ang ikatlong hakbang ay ang pagsubok para sa kabuluhan. Dalawang iba pang malawak na ginagamit na diskarte sa pagtantya at paghuhula sa pagkasumpungin sa pananalapi ay ang klasikong pagkasumpungin ng kasaysayan (VolSD) na pamamaraan at ang exponentially na bigat na paglipat ng average na pag-volatility (VolEWMA).
Halimbawa ng Proseso ng GARCH
Ang mga modelo ng GARCH ay tumutulong upang mailarawan ang mga pamilihan sa pananalapi kung saan maaaring mabago ang pagkasumpungin, nagiging mas pabagu-bago ng loob sa mga panahon ng mga krisis sa pananalapi o mga kaganapan sa mundo at hindi gaanong pabagu-bago ng panahon sa kamag-anak na kalmado at matatag na paglago ng ekonomiya. Sa isang balangkas ng mga pagbabalik, halimbawa, ang mga pagbabalik sa stock ay maaaring magmukhang medyo pantay-pantay para sa mga taon na humahantong sa isang krisis sa pananalapi tulad ng isa noong 2007. Sa tagal ng panahon kasunod ng pagsisimula ng isang krisis, gayunpaman, ang mga pagbabalik ay maaaring ligoy mula sa negatibo sa positibong teritoryo. Bukod dito, ang pagtaas ng pagkasumpungin ay maaaring mahulaan ng pagkasumpungin pasulong. Ang pagkasumpungin ay maaaring bumalik sa mga antas na kahawig ng mga antas ng pre-krisis o maging mas magkaparehas na pasulong. Ang isang simpleng modelo ng pagbabalik ay hindi account para sa pagkakaiba-iba ng pagkasira ng loob na ipinakita sa mga merkado sa pananalapi at hindi kinatawan ng mga "black swan" na mga kaganapan na nagaganap nang higit sa isa ay mahuhulaan.
Mga Modelong GARCH Pinakamahusay para sa Pagbabalik ng Asset
Ang mga proseso ng GARCH ay naiiba sa mga modelo ng homoskedastic, na ipinapalagay ang patuloy na pagkasumpungin at ginagamit sa pangunahing ordinaryong hindi bababa sa mga parisukat (OLS) na pagsusuri. Nilalayon ng OLS na mabawasan ang mga paglihis sa pagitan ng mga puntos ng data at isang linya ng regression upang magkasya sa mga puntong iyon. Sa pagbabalik ng pag-aari, ang pagkasumpungin ay tila nag-iiba sa panahon ng ilang mga tagal ng panahon at nakasalalay sa nakaraang pagkakaiba-iba, paggawa ng isang homoskedastic na modelo ay hindi optimal.
Ang mga proseso ng GARCH, pagiging autoregressive, nakasalalay sa mga nakaraang squared na mga obserbasyon at mga nakaraang pagkakaiba-iba upang maging modelo para sa kasalukuyang pagkakaiba-iba. Ang mga proseso ng GARCH ay malawakang ginagamit sa pananalapi dahil sa kanilang pagiging epektibo sa mga modelo ng pagbabalik ng asset at inflation. Nilalayon ng GARCH na mabawasan ang mga error sa pagtataya sa pamamagitan ng pag-account para sa mga error sa naunang pagtataya at, sa gayon, pagpapahusay ng kawastuhan ng patuloy na mga hula.
