Apakah Generalized Conditional Heometric Heteroskedasticity (GARCH)?
Heteroskedasticity Bersyarat AutoRegressive Umum (GARCH) adalah model statistik yang digunakan dalam menganalisis data siri masa dimana ralat varians dipercayai bersifat autokorelasi. Model GARCH mengandaikan bahawa varians istilah ralat mengikuti proses purata bergerak autoregressive.
Takeaways Utama
- GARCH adalah teknik pemodelan statistik yang digunakan untuk membantu meramal kemeruapan pulangan aset kewangan. GARCH adalah sesuai untuk data siri masa di mana varians dari istilah ralat adalah secara autokorelasi secara automatik berikutan proses purata bergerak autoregressive. GARCH berguna untuk menilai risiko dan jangkaan pulangan untuk aset yang memperlihatkan tempoh kemeruapan berkumpulan sebagai pulangan.
Memahami Heteroskedasticity Bersyarat AutoRegressive Umum (GARCH)
Walaupun Model Heteroskedasticiti Bersyarat Umum boleh digunakan dalam analisis beberapa jenis data kewangan yang berbeza, seperti data makroekonomi, institusi kewangan biasanya menggunakannya untuk menganggarkan ketidaktentuan pulangan untuk saham, bon, dan indeks pasaran. Mereka menggunakan maklumat yang dihasilkan untuk membantu menentukan harga dan hakim yang asetnya berpotensi dapat memberikan pulangan yang lebih tinggi, dan juga meramalkan pulangan pelaburan semasa untuk membantu peruntukan aset, lindung nilai, pengurusan risiko dan keputusan pengoptimalan portfolio.
Model GARCH digunakan apabila variasi istilah ralat tidak tetap. Iaitu, istilah ralat adalah heteroskedastic. Heteroskedasticity menerangkan corak variasi yang tidak teratur dari segi ralat, atau pembolehubah, dalam model statistik. Pada asasnya, di mana terdapat heteroskedasticity, pemerhatian tidak sesuai dengan corak linear. Sebaliknya, mereka cenderung gugus. Oleh itu, jika model statistik yang menganggap varians malar digunakan pada data ini, maka kesimpulan dan nilai ramalan yang dapat diperoleh dari model tidak boleh dipercayai.
Varians istilah ralat dalam model GARCH diandaikan untuk bervariasi secara sistematik, bersyarat pada saiz purata istilah ralat dalam tempoh sebelumnya. Dalam erti kata lain, ia mempunyai heteroskedasticity bersyarat, dan sebab untuk heteroskedasticity adalah bahawa istilah ralat mengikuti corak purata bergerak autoregressive. Ini bermakna ia adalah fungsi purata nilai masa lalu sendiri.
Sejarah GARCH
GARCH dirumuskan pada 1980-an sebagai cara untuk menangani masalah ramalan turun naik harga aset. Ia dibina atas kejayaan ahli ekonomi Robert Engle 1982 dalam memperkenalkan model Autoregressive Conditional Heteroskedasticity (ARCH). Modelnya menganggap variasi pulangan kewangan tidak berterusan dari masa ke masa tetapi autokorelasi, atau bersyarat kepada / bergantung kepada satu sama lain. Sebagai contoh, seseorang dapat melihat ini dalam pulangan saham di mana tempoh kemeruapan dalam pengembalian cenderung dikumpulkan bersama.
Sejak pengenalan asal, banyak variasi GARCH telah muncul. Ini termasuk Nonlinear (NGARCH), yang menghubungkan korelasi dan mengamati "volatilitas clustering" pulangan, dan GARCH Bersepadu (IGARCH), yang menyekat parameter volatilitas. Semua variasi model GARCH berusaha untuk menggabungkan arah, positif atau negatif, pulangan sebagai tambahan kepada magnitud (ditangani dalam model asal).
Setiap terbitan GARCH boleh digunakan untuk menampung ciri-ciri khusus saham, industri, atau data ekonomi. Dalam menaksir risiko, institusi kewangan menggabungkan model GARCH ke dalam Nilai-di-Risiko (VAR), kerugian maksimum yang dijangkakan (sama ada untuk satu pelaburan atau kedudukan dagangan, portfolio, atau di peringkat atau tahap firma tunggal) sepanjang tempoh masa tertentu unjuran. Model GARCH dilihat menyediakan lebih baik tolok risiko daripada yang boleh diperoleh melalui penyelarasan sisihan piawai sahaja.
Pelbagai kajian telah dijalankan ke atas kebolehpercayaan pelbagai model GARCH dalam keadaan pasaran yang berbeza, termasuk dalam tempoh yang membawa kepada dan selepas krisis kewangan 2007.
