GARCH-proces

Wat is het GARCH-proces?

Het gegeneraliseerde autoregressieve conditionele heteroskedasticiteitsproces (GARCH) is een econometrische term die in 1982 is ontwikkeld door Robert F. Engle, een econoom en in 2003 winnaar van de Nobelprijs voor de Memorial Prize for Economics. GARCH beschrijft een benadering om de volatiliteit op financiële markten te schatten.

Er zijn verschillende vormen van GARCH-modellering. Financiële professionals geven vaak de voorkeur aan het GARCH-proces omdat het een realistischere context biedt dan andere modellen bij het voorspellen van de prijzen en tarieven van financiële instrumenten.

Inzicht in het GARCH-proces

Heteroskedasticiteit beschrijft het onregelmatige variatiepatroon van een foutterm, of variabele, in een statistisch model. Waar er heteroskedasticiteit is, komen de waarnemingen in wezen niet overeen met een lineair patroon. In plaats daarvan hebben ze de neiging om te clusteren.

Het resultaat is dat de conclusies en voorspellende waarde die uit het model worden getrokken, 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 doorgaans om de volatiliteit van rendementen voor aandelen, obligaties en marktindices te schatten. Ze gebruiken de resulterende informatie om prijzen te bepalen, te beoordelen welke activa mogelijk een hoger rendement zullen opleveren en het rendement van huidige investeringen te voorspellen om te helpen bij hun beslissingen over activaspreiding, afdekking, 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 om te testen op significantie.

Twee andere veelgebruikte benaderingen voor het schatten en voorspellen van financiële volatiliteit zijn de klassieke historische volatiliteitsmethode (VolSD) en de exponentieel gewogen voortschrijdend gemiddelde volatiliteitsmethode (VolEWMA).

GARCH-modellen die het beste zijn voor het retourneren van activa

GARCH-processen verschillen van homoskedastische modellen, die een constante vluchtigheid veronderstellen en worden gebruikt in gewone kleinste kwadraten (OLS) -analyse. OLS streeft ernaar de afwijkingen tussen datapunten en een regressielijn te minimaliseren om op die punten te passen. Bij vermogensrendementen lijkt de volatiliteit in bepaalde perioden te variëren en af ​​te hangen van variantie in het verleden, waardoor een homoskedastisch model suboptimaal is.

GARCH-processen zijn, omdat ze autoregressief zijn, afhankelijk van eerdere kwadraatwaarnemingen en vroegere varianties om de huidige variantie te modelleren. GARCH-processen worden veel gebruikt in de financiële sector vanwege hun effectiviteit bij het modelleren van vermogensrendementen en inflatie. GARCH streeft ernaar fouten in prognoses te minimaliseren door rekening te houden met fouten in eerdere prognoses en door de nauwkeurigheid van lopende voorspellingen te verbeteren.

Voorbeeld van het GARCH-proces

GARCH-modellen beschrijven financiële markten waarin de volatiliteit kan veranderen, volatieler worden tijdens perioden van financiële crises of wereldgebeurtenissen en minder volatiel worden tijdens perioden van relatieve rustige en gestage economische groei. Op het gebied van rendementen kunnen aandelenrendementen er bijvoorbeeld relatief uniform uitzien voor de jaren voorafgaand aan een financiële crisis zoals die van 2007.

In de periode na het uitbreken van een crisis kunnen de rendementen echter wild schommelen van negatief naar positief. Bovendien kan de toegenomen volatiliteit voorspellend zijn voor toekomstige volatiliteit. De volatiliteit kan dan terugkeren naar niveaus die lijken op die van vóór de crisis of in de toekomst meer uniform worden. Een eenvoudig regressiemodel houdt geen rekening met deze variatie in volatiliteit op financiële markten. Het is niet representatief voor de ” zwarte zwaan ” -gebeurtenissen die vaker voorkomen dan voorspeld.