Ano ang Generalized AutoRegressive Conditional Heteroskedasticity (GARCH)?
Ang Generalized AutoRegressive Conditional Heteroskedasticity (GARCH) ay isang istatistikong modelo na ginamit sa pagsusuri ng data ng serye ng oras kung saan ang pagkakaiba-iba ng error ay pinaniniwalaan na serially autocorrelated. Ipinapalagay ng mga modelo ng GARCH na ang pagkakaiba-iba ng termino ng error ay sumusunod sa isang autoregressive gumagalaw na average na proseso.
Mga Key Takeaways
- Ang GARCH ay isang pamamaraan ng istatistika ng istatistika na ginamit upang matukoy ang pagkasumpungin ng pagbabalik sa mga assets ng pananalapi.GARCH ay angkop para sa data ng serye ng oras kung saan ang pagkakaiba-iba ng term ng error ay serially autocorrelated kasunod ng isang autoregressive na gumagalaw na average na proseso. Ang GARCH ay kapaki-pakinabang upang masuri ang panganib at inaasahang babalik para sa mga ari-arian na nagpapakita ng mga clustered na panahon ng pagkasumpungin sa mga pagbabalik.
Pag-unawa sa Generalized AutoRegressive Conditional Heteroskedasticity (GARCH)
Bagaman ang mga modelo ng Generalized AutoRegressive Conditional Heteroskedasticity (GARCH) ay maaaring magamit sa pagsusuri ng isang iba't ibang mga uri ng data sa pananalapi, tulad ng data ng macroeconomic, mga institusyong pampinansyal na karaniwang ginagamit ang mga ito upang matantya ang pagkasumpungin ng pagbabalik para sa mga stock, bond, at mga 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 ng peligro, at mga desisyon sa pag-optimize ng portfolio.
Ginagamit ang mga modelo ng GARCH kapag ang pagkakaiba-iba ng termino ng error ay hindi pare-pareho. Iyon ay, ang term ng error ay heteroskedastic. Inilarawan ng Heteroskedasticity ang hindi regular na pattern ng pagkakaiba-iba ng isang term na error, o variable, sa isang istatistikong modelo. Mahalaga, saanman mayroong heteroskedasticity, ang mga obserbasyon ay hindi umaayon sa isang guhit na pattern. Sa halip, may posibilidad silang kumpol. Samakatuwid, kung ang mga modelo ng istatistika na ipinapalagay na palagiang pagkakaiba-iba ay ginagamit sa data na ito, kung gayon ang mga konklusyon at mahuhulaan na halaga ay maaaring makuha ng isang modelo mula sa modelo.
Ang pagkakaiba-iba ng termino ng error sa mga modelo ng GARCH ay ipinapalagay na magkakaiba-iba ng sistematiko, kondisyunal sa average na laki ng mga term sa pagkakamali sa mga nakaraang panahon. Sa madaling salita, mayroon itong kondisyong heteroskedasticity, at ang dahilan para sa heteroskedasticity ay ang error term ay sumusunod sa isang autoregressive gumagalaw na average na pattern. Nangangahulugan ito na ito ay isang function ng isang average ng sarili nitong mga nakaraang halaga.
Kasaysayan ng GARCH
Ang GARCH ay nakabalangkas noong 1980s bilang isang paraan upang matugunan ang problema ng pagbabawas ng pagkasumpungin sa mga presyo ng asset. Itinayo ito sa tagumpay ng ekonomistang Robert Engle noong 1982 sa pagpapakilala sa modelong Autoregressive Conditional Heteroskedasticity (ARCH). Ipinagpalagay ng kanyang modelo na ang pagkakaiba-iba ng mga pagbabalik sa pananalapi ay hindi palagi sa paglipas ng panahon ngunit autocorrelated, o kondisyon sa / umaasa sa bawat isa. Halimbawa, maaaring makita ito ng isa sa mga pagbabalik ng stock kung saan ang mga panahon ng pagkasumpong sa pagbabalik ay may posibilidad na magkasama.
Dahil ang orihinal na pagpapakilala, maraming mga pagkakaiba-iba ng GARCH ang lumitaw. Kasama dito ang Nonlinear (NGARCH), na tinutukoy ang ugnayan at sinusunod ang "volatility clustering" ng mga pagbabalik, at Pinagsamang GARCH (IGARCH), na pinipigilan ang parameter ng pagkasumpungin. Ang lahat ng mga pagkakaiba-iba ng modelo ng GARCH ay naghahangad na isama ang direksyon, positibo o negatibo, ng mga pagbabalik bilang karagdagan sa kadakilaan (hinarap sa orihinal na modelo).
Ang bawat dereksyon ng GARCH ay maaaring magamit upang mapaunlakan ang mga tukoy na katangian ng data ng stock, industriya, o pang-ekonomiya. Sa pagtatasa ng peligro, isinasama ng mga institusyong pampinansyal ang mga modelo ng GARCH sa kanilang Value-at-Risk (VAR), maximum na inaasahang pagkawala (kung para sa isang solong pamumuhunan o posisyon sa pangangalakal, portfolio, o sa isang dibisyon o antas ng firm) sa isang tinukoy na tagal ng oras pag-asa. Ang mga modelo ng GARCH ay tiningnan upang magbigay ng mas mahusay na mga sukat ng peligro kaysa sa makuha sa pamamagitan ng pagsubaybay sa karaniwang paglihis lamang.
Ang iba't ibang mga pag-aaral ay isinagawa sa pagiging maaasahan ng iba't ibang mga modelo ng GARCH sa panahon ng iba't ibang mga kondisyon ng merkado, kabilang ang mga panahon na humahantong hanggang at pagkatapos ng 2007 na krisis sa pananalapi.
