Garch Model: คำจำกัดความและการใช้งานในสถิติ

heteroskedasticity (GARCH) แบบทั่วไปคืออะไร?

heteroskedasticity (GARCH) ทั่วไปมีการใช้เพื่อช่วยทำนายความผันผวนของผลตอบแทนต่อสินทรัพย์ทางการเงิน แบบจำลองทางสถิติช่วยวิเคราะห์ข้อมูลอนุกรมเวลาที่เชื่อว่าข้อผิดพลาดความแปรปรวนนั้นมีความสัมพันธ์แบบอัตโนมัติแบบอนุกรม รุ่น Garch สมมติว่าความแปรปรวนของข้อกำหนดข้อผิดพลาดเป็นไปตามกระบวนการเฉลี่ยเคลื่อนที่แบบอัตโนมัติ

การทำความเข้าใจความหลากหลายตามเงื่อนไข autoregressive heteroskedasticity (GARCH)

แม้ว่าโมเดล GARCH สามารถใช้ในการวิเคราะห์ข้อมูลทางการเงินหลายประเภทเช่นข้อมูลเศรษฐกิจมหภาคสถาบันการเงินมักจะใช้เพื่อประเมินความผันผวนผลตอบแทนสำหรับหุ้นพันธบัตรและดัชนีตลาด พวกเขาใช้ข้อมูลผลลัพธ์เพื่อช่วยกำหนดราคาและตัดสินว่าสินทรัพย์ใดที่จะให้ผลตอบแทนที่สูงขึ้นรวมถึงการคาดการณ์ผลตอบแทนของการลงทุนในปัจจุบันเพื่อช่วยในการจัดสรรสินทรัพย์การป้องกันความเสี่ยงการบริหารความเสี่ยงและการตัดสินใจเพิ่มประสิทธิภาพพอร์ตโฟลิโอ

รุ่น Garch จะใช้เมื่อความแปรปรวนของคำผิดพลาดไม่คงที่ นั่นคือคำผิดพลาดคือheteroskedastic- Heteroskedasticity อธิบายรูปแบบที่ผิดปกติของการเปลี่ยนแปลงของคำผิดพลาดหรือตัวแปรในแบบจำลองทางสถิติ

โดยพื้นฐานแล้วไม่ว่าจะมี heteroskedasticity การสังเกตจะไม่สอดคล้องกับรูปแบบเชิงเส้น แต่พวกเขามักจะจัดกลุ่ม ดังนั้นหากแบบจำลองทางสถิติที่ใช้ความแปรปรวนคงที่จะถูกใช้กับข้อมูลนี้ข้อสรุปและค่าการทำนายที่สามารถดึงจากแบบจำลองจะไม่น่าเชื่อถือ

ความแปรปรวนของคำผิดพลาดในโมเดล GARCH นั้นจะแตกต่างกันอย่างเป็นระบบเงื่อนไขตามขนาดเฉลี่ยของเงื่อนไขข้อผิดพลาดในช่วงก่อนหน้า กล่าวอีกนัยหนึ่งมันมี heteroskedasticity แบบมีเงื่อนไขและเหตุผลของ heteroskedasticity คือคำผิดพลาดคือการติดตาม autoregressiveค่าเฉลี่ยเคลื่อนที่ลวดลาย. ซึ่งหมายความว่ามันเป็นฟังก์ชั่นของค่าเฉลี่ยของค่าที่ผ่านมาของตัวเอง

Garch ได้รับการพัฒนาในปี 1986 โดย Dr. Tim Bollerslev นักศึกษาปริญญาเอกในเวลานั้นเพื่อแก้ไขปัญหาการพยากรณ์ความผันผวนในราคาสินทรัพย์ มันสร้างขึ้นจากนักเศรษฐศาสตร์ของ Robert Engle Breakthrough ในปี 1982 งานในการแนะนำheteroskedasticity ตามเงื่อนไขอัตโนมัติ (ARCH)แบบอย่าง. แบบจำลองของเขาสันนิษฐานว่าการเปลี่ยนแปลงของผลตอบแทนทางการเงินไม่คงที่เมื่อเวลาผ่านไป แต่มีความสัมพันธ์อัตโนมัติหรือมีเงื่อนไขที่จะ/พึ่งพาซึ่งกันและกัน หนึ่งสามารถเห็นสิ่งนี้เป็นตัวอย่างในการคืนหุ้นที่ระยะเวลาความผันผวนในผลตอบแทนมีแนวโน้มที่จะรวมกันเป็นกลุ่มเข้าด้วยกัน

ตั้งแต่การแนะนำดั้งเดิม Garch หลายรูปแบบได้เกิดขึ้น เหล่านี้รวมถึงไม่เชิงเส้น (ngarch) ที่อยู่ความสัมพันธ์และสังเกต "การจัดกลุ่มความผันผวน" ของผลตอบแทนและ Garch (IGARC) ซึ่ง จำกัด พารามิเตอร์ความผันผวน รูปแบบของแบบจำลอง Garch ทั้งหมดพยายามที่จะรวมทิศทางบวกหรือลบของผลตอบแทนนอกเหนือจากขนาด (ที่อยู่ในโมเดลดั้งเดิม)

การหามาของ Garch แต่ละครั้งสามารถใช้เพื่อรองรับคุณสมบัติเฉพาะของหุ้นอุตสาหกรรมหรือข้อมูลทางเศรษฐกิจ เมื่อประเมินความเสี่ยงสถาบันการเงินจะรวมโมเดล Garch ไว้ในพวกเขาค่าความเสี่ยง (คือ)การสูญเสียที่คาดหวังสูงสุด (ไม่ว่าจะเป็นการลงทุนครั้งเดียวหรือตำแหน่งการซื้อขายพอร์ตโฟลิโอหรือในระดับหนึ่งหรือระดับ บริษัท ) ในช่วงเวลาที่กำหนด รุ่น Garch ถูกดูเพื่อให้เกจวัดความเสี่ยงที่ดีกว่าที่จะได้รับผ่านการติดตามค่าเบี่ยงเบนมาตรฐานตามลำพัง.

การศึกษาต่าง ๆ ได้ดำเนินการเกี่ยวกับความน่าเชื่อถือของโมเดล GARCH ต่างๆในช่วงสภาพตลาดที่แตกต่างกันรวมถึงในช่วงเวลาที่นำไปสู่และหลังภาวะเศรษฐกิจถดถอยครั้งใหญ่-

บรรทัดล่าง

แบบจำลอง Garch สั้นสำหรับ heteroskedasticity แบบอัตโนมัติแบบทั่วไปใช้ในการถดถอยที่คำผิดพลาดดูเหมือนจะเชื่อมโยงกันหรือกับตัวแปรอื่น ๆ ในสถิติทางการเงินมันถูกใช้เพื่อทำนายความผันผวนของหุ้นพันธบัตรและหลักทรัพย์อื่น ๆ เพื่อกำหนดความเสี่ยงและผลตอบแทนที่เกี่ยวข้องกับการลงทุนเหล่านั้น