Gegeneraliseerde AutoRegressieve voorwaardelijke heteroskedasticiteit (GARCH)
Gegeneraliseerde AutoRegressieve voorwaardelijke heteroskedasticiteit (GARCH) is een statistisch model dat wordt gebruikt bij het analyseren van tijdreeksgegevens waarvan wordt aangenomen dat de variantiefout serieel autocorrelatief is. GARCH-modellen gaan ervan uit dat de variantie van de foutterm een autoregressief voortschrijdend gemiddelde proces volgt.
Belangrijkste leerpunten
- GARCH is een statistische modelleringstechniek die wordt gebruikt om de volatiliteit van het rendement op financiële activa te voorspellen.
- GARCH is geschikt voor tijdreeksgegevens waarbij de variantie van de foutterm serieel automatisch gekoppeld is volgens een autoregressief voortschrijdend gemiddelde proces.
- GARCH is nuttig om risico's en verwachte rendementen te beoordelen voor activa die geclusterde periodes van volatiliteit in rendement vertonen.
Gegeneraliseerde AutoRegressieve voorwaardelijke heteroskedasticiteit (GARCH) begrijpen
Hoewel gegeneraliseerde AutoRegressive Conditional Heteroskedasticity (GARCH) -modellen kunnen worden gebruikt bij de analyse van een aantal verschillende soorten financiële gegevens, zoals macro-economische gegevens, gebruiken financiële instellingen deze doorgaans om de volatiliteit van het rendement voor aandelen, obligaties en marktindexen te schatten. Ze gebruiken de resulterende informatie om de prijsbepaling 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.
GARCH-modellen worden gebruikt wanneer de variantie van de foutterm niet constant is. Dat wil zeggen, de foutterm is heteroskedastisch. Heteroskedasticiteit beschrijft het onregelmatige patroon van variatie van een foutterm of variabele in een statistisch model. Waar er heteroskedasticiteit is, zijn waarnemingen in wezen niet in overeenstemming met een lineair patroon. In plaats daarvan neigen ze ertoe zich te clusteren. Daarom, als statistische modellen die constante variantie veronderstellen op deze gegevens worden gebruikt, zijn de conclusies en voorspellende waarde die men uit het model kan trekken niet betrouwbaar.
Aangenomen wordt dat de variantie van de foutterm in GARCH-modellen systematisch varieert, afhankelijk van de gemiddelde grootte van de fouttermen in voorgaande perioden. Met andere woorden, het heeft voorwaardelijke heteroskedasticiteit en de reden voor de heteroskedasticiteit is dat de foutterm een autoregressief voortschrijdend gemiddeld patroon volgt. Dit betekent dat het een functie is van een gemiddelde van zijn eigen waarden uit het verleden.
Geschiedenis van GARCH
GARCH werd geformuleerd in de jaren 1980 als een manier om het probleem van het voorspellen van de volatiliteit van de activaprijzen aan te pakken. Het bouwde voort op het doorbraakwerk van econoom Robert Engle uit 1982 bij de introductie van het Autoregressive Conditional Heteroskedasticity (ARCH) -model. Zijn model veronderstelde dat de variatie in financieel rendement niet constant was in de tijd, maar autocorrelatief is of afhankelijk van / afhankelijk van elkaar. Men kan dit bijvoorbeeld zien in aandelenrendementen waar perioden van volatiliteit in rendementen meestal zijn geclusterd.
Sinds de oorspronkelijke introductie zijn er vele variaties op GARCH ontstaan. Deze omvatten niet-lineair (NGARCH), dat betrekking heeft op correlatie en waargenomen "volatiliteitsclustering" van rendementen, en Integrated GARCH (IGARCH), die de volatiliteitsparameter beperkt. Alle variaties van het GARCH-model proberen naast de grootte (geadresseerd in het oorspronkelijke model) de richting, positief of negatief, van rendementen op te nemen.
Elke afleiding van GARCH kan worden gebruikt om tegemoet te komen aan de specifieke kwaliteiten van de voorraad, de industrie of economische gegevens. Bij het beoordelen van risico's nemen financiële instellingen GARCH-modellen op in hun Value-at-Risk (VAR), maximaal verwacht verlies (hetzij voor een enkele belegging of handelspositie, portefeuille of op divisie- of bedrijfsbreed niveau) gedurende een specifieke periode uitsteeksels. GARCH-modellen worden gezien om betere risicometers te bieden dan alleen kan worden verkregen door de standaarddeviatie te volgen.
Er zijn verschillende onderzoeken uitgevoerd naar de betrouwbaarheid van verschillende GARCH-modellen tijdens verschillende marktomstandigheden, inclusief in de periode voorafgaand aan en na de financiële crisis van 2007.
Vergelijk beleggingsrekeningen Aanbieder Naam Beschrijving Adverteerder Openbaarmaking × De aanbiedingen die in deze tabel worden weergegeven, zijn afkomstig van samenwerkingsverbanden waarvan Investopedia een vergoeding ontvangt.