¿Qué es la heterocedasticidad condicional autorregresiva generalizada (GARCH)?
La heterocedasticidad condicional autorregresiva generalizada (GARCH) es un modelo estadístico que se utiliza para analizar datos de series de tiempo en las que se cree que el error de varianza está autocorrelacionado desde la perspectiva de una serie. Los modelos GARCH asumen que la varianza del término error sigue un proceso autónomo de promedio móvil.
Conclusiones clave
- GARCH es una técnica de modelado estadístico que se utiliza para predecir la volatilidad de los rendimientos de los activos financieros.
- GARCH es adecuado para datos de series de tiempo donde la varianza del término error se autocorrelaciona en serie después de un proceso de movimiento autónomo promedio.
- GARCH es útil para evaluar el riesgo y los rendimientos esperados de los activos que muestran períodos agrupados de volatilidad en los rendimientos.
Comprensión de la heterocedasticidad condicional autorregresiva general (GARCH)
Si bien los modelos generalizados de heterocedasticidad condicional autorregresiva (GARCH) se pueden utilizar en el análisis de varios tipos diferentes de datos financieros, como los datos macroeconómicos, las instituciones financieras suelen utilizarlos para estimar la volatilidad de los rendimientos de acciones, bonos e índices de mercado. Utilizan la información resultante para determinar los precios y juzgar qué activos pueden generar rendimientos más altos, así como para predecir los rendimientos de las inversiones actuales para ayudar en su asignación de activos, cobertura, cobertura y cobertura.gestión de riesgos y sus decisiones de optimización de cartera .
Los modelos GARCH se utilizan cuando la varianza del término error no es constante. Es decir, el término error es heterocedástico. La heterocedasticidad describe un patrón irregular de cambio de término de error, o variable, en un modelo estadístico. Esencialmente, dondequiera que haya heterogeneidad, las observaciones no se adhieren a un patrón lineal. En cambio, tienden a agruparse. Por lo tanto, si se utilizan modelos estadísticos que suponen una variabilidad continua de estos datos, las conclusiones y el valor predicho que se pueden extraer del modelo no serán fiables.
Se asume que la varianza del término error en los modelos GARCH varía sistemáticamente, dependiendo de la magnitud promedio de los términos de error en períodos anteriores. Es decir, la heterocedasticidad es condicional, y la razón de la heterocedasticidad es que el término error sigue un patrón autonómico de media móvil. Esto significa que es función de sus propios valores medios.
Historia GARCH
Dr. desarrollado. Tim Bollersev, un estudiante de doctorado en ese momento GARCH en 1986, como una forma de abordar el problema de predecir la volatilidad en los precios de los activos. Contribuyó al trabajo pionero de 1982 del economista Robert Engle sobre la introducción del modelo de heterocedasticidad condicional autónoma (ARCH). Su modelo asumió que la variabilidad de los rendimientos financieros no era estable a lo largo del tiempo, sino que estaban autocorrelacionados o eran interdependientes / interdependientes. Por ejemplo, esto se puede ver en los rendimientos de las acciones donde los períodos de volatilidad en los rendimientos agrupados son típicos.
Desde la introducción original, han surgido muchos cambios en GARCH. Estos incluyen Nonlinear (NGARCH), que aborda la correlación de retorno y el «agrupamiento de volatilidad», y Integrated GARCH (IGARCH), que restringe el parámetro de volatilidad. Cada cambio al modelo GARCH busca incorporar la dirección, positiva o negativa, de los retornos además del volumen (abordado en el modelo original).
Todos los derivados de GARCH se pueden utilizar para cumplir con las cualidades específicas de las acciones, la industria o los datos económicos. Al evaluar el riesgo, las instituciones financieras incorporan modelos GARCH en Valor en Riesgo (VAR), la pérdida máxima esperada (ya sea para una inversión individual o posición de negociación, cartera o a nivel de división o empresa) a lo largo del tiempo. Los modelos GARCH se consideran para proporcionar mejores indicadores de riesgo que los que se pueden obtener rastreando la desviación estándar solo.
La confiabilidad de varios modelos GARCH se ha estudiado de diversas maneras durante diversas condiciones del mercado, incluso durante los períodos antes y después de la crisis financiera de 2007.
