GARCH-proces
Het gegeneraliseerde autoregressieve voorwaardelijke heteroskedasticiteit (GARCH) proces is een econometrische term ontwikkeld in 1982 door Robert F. Engle, een econoom en winnaar van de Nobelprijs voor Economie 2003, om een benadering te beschrijven om de volatiliteit op financiële markten te schatten. Er zijn verschillende vormen van GARCH-modellering. Het GARCH-proces wordt vaak geprefereerd door professionals in financiële modellen, omdat het een realistischer context biedt dan andere vormen wanneer wordt geprobeerd de prijzen en tarieven van financiële instrumenten te voorspellen.
GARCH Proces UITBREIDEN
Heteroskedasticiteit beschrijft het onregelmatige patroon van variatie van een foutterm of variabele in een statistisch model. Waar er heteroskedasticiteit is, komen waarnemingen niet overeen met een lineair patroon. In plaats daarvan neigen ze ertoe zich te clusteren. Het resultaat is dat de conclusies en voorspellende waarde die men uit het model kan trekken niet betrouwbaar zullen zijn. GARCH is een statistisch model dat kan worden gebruikt om een aantal verschillende soorten financiële gegevens te analyseren, bijvoorbeeld macro-economische gegevens. Financiële instellingen gebruiken dit model meestal om de volatiliteit van het rendement voor aandelen, obligaties en marktindexen te schatten. Ze gebruiken de resulterende informatie om de prijs te bepalen en te beoordelen welke activa mogelijk een hoger rendement zullen opleveren, evenals om het rendement van de huidige investeringen te voorspellen om te helpen bij hun beslissingen over de allocatie van activa, hedging, risicobeheer en portefeuilleoptimalisatie.
Het algemene proces voor een GARCH-model omvat drie stappen. De eerste is om een best passend autoregressief model te schatten. De tweede is om autocorrelaties van de foutterm te berekenen. De derde stap is het testen op significantie. Twee andere veel gebruikte benaderingen voor het schatten en voorspellen van financiële volatiliteit zijn de klassieke historische volatiliteitsmethode (VolSD) en de exponentieel gewogen voortschrijdende gemiddelde volatiliteitsmethode (VolEWMA).
Voorbeeld van GARCH-proces
GARCH-modellen helpen om financiële markten te beschrijven waarin de volatiliteit kan veranderen, volatieler wordt tijdens periodes van financiële crises of wereldgebeurtenissen en minder volatiel tijdens periodes van relatieve kalmte en gestage economische groei. Op een plot van rendementen, bijvoorbeeld, kunnen aandelenrendementen er relatief uniform uitzien voor de jaren voorafgaand aan een financiële crisis zoals die in 2007. In de periode na het begin van een crisis kunnen de rendementen echter wild schommelen van negatief naar positief territorium. Bovendien kan de verhoogde volatiliteit voorspellend zijn voor de volatiliteit in de toekomst. De volatiliteit kan dan terugkeren naar niveaus die lijken op die van vóór de crisis of in de toekomst uniformer zijn. Een eenvoudig regressiemodel houdt geen rekening met deze variatie in de volatiliteit van financiële markten en is niet representatief voor de "zwarte zwaan" -gebeurtenissen die meer voorkomen dan men zou voorspellen.
GARCH-modellen Het beste voor het retourneren van activa
GARCH-processen verschillen van homoskedastische modellen, die een constante volatiliteit veronderstellen en worden gebruikt in standaard gewone kleinste kwadraten (OLS) -analyse. OLS heeft als doel de afwijkingen tussen gegevenspunten en een regressielijn te minimaliseren om in die punten te passen. Met activarendementen lijkt de volatiliteit gedurende bepaalde perioden te variëren en afhankelijk te zijn van variantie in het verleden, waardoor een homoskedastisch model niet optimaal is.
GARCH-processen, zijnde autoregressief, zijn afhankelijk van in het verleden gekwadrateerde waarnemingen en eerdere varianties om te modelleren voor huidige variantie. GARCH-processen worden veel gebruikt in de financiële sector vanwege hun effectiviteit bij het modelleren van activarendementen en inflatie. GARCH heeft als doel fouten in de voorspelling te minimaliseren door rekening te houden met fouten in eerdere voorspellingen en daarmee de nauwkeurigheid van lopende voorspellingen te verbeteren.
Vergelijk beleggingsrekeningen Aanbieder Naam Beschrijving Adverteerder Openbaarmaking × De aanbiedingen die in deze tabel worden weergegeven, zijn afkomstig van samenwerkingsverbanden waarvan Investopedia een vergoeding ontvangt.