Proceso GARCH

¿Qué es el proceso GARCH?

El proceso de heterogeneidad condicional autónoma generalizada (GARCH) es un término econométrico desarrollado por Robert F. Engle, economista y ganador del Premio Nobel de Economía en 2003 en 1982. GARCH describe un enfoque para evaluar la volatilidad en los mercados financieros.

Existen diferentes tipos de modelado GARCH. Los profesionales financieros suelen preferir el proceso GARCH porque proporciona un contexto más realista que otros modelos cuando se trata de predecir los precios y las tasas de los instrumentos financieros.

Comprender el proceso GARCH

La heterocedasticidad describe un patrón irregular de cambio de término de error, o variable, en un modelo estadístico. Esencialmente, donde hay heterogeneidad, las observaciones no se adhieren a un patrón lineal. En cambio, tienden a agruparse.

El resultado es que las conclusiones y el valor previsto extraídos del modelo no serán fiables. GARCH es un modelo estadístico que se puede utilizar para analizar varios tipos diferentes de datos financieros, por ejemplo, datos macroeconómicos. Las instituciones financieras suelen utilizar este modelo para estimar la volatilidad de los rendimientos de las acciones, los bonos y los índices de mercado. Utilizan la información resultante para determinar los precios, juzgar qué activos pueden producir mayores rendimientos y predecir los rendimientos de las inversiones actuales para ayudar en sus decisiones de asignación de activos, cobertura, gestión, riesgo y optimización de la cartera.

El proceso general del modelo GARCH consta de tres pasos. La primera es estimar qué modelo autorregresivo es el más adecuado. El segundo es calcular las autocorrelaciones del término de error. El tercer paso es probar la importancia.

Otros dos enfoques ampliamente utilizados para evaluar y predecir la volatilidad financiera son el método clásico de volatilidad histórica (VolSD) y el método de volatilidad de movimiento ponderado exponencial (VolEWMA).

Los mejores modelos GARCH para la devolución de activos

Los procesos GARCH son diferentes de los modelos homocedásticos, que suponen una volatilidad constante y se utilizan en el análisis básico de raíz mínima cuadrada (MCO). OLS tiene como objetivo minimizar las desviaciones entre los puntos de datos y una línea de regresión para adaptar esos puntos. Con los rendimientos de los activos, la volatilidad parece cambiar durante ciertos períodos y depende de la variación en el pasado, lo que resulta en un modelo homocedástico subóptimo.

Los procesos GARCH, debido a que son autónomos, se basan en observaciones cuadráticas previas y varianzas previas para modelar la varianza actual. Los procesos GARCH se utilizan ampliamente en finanzas debido a su eficacia para modelar los rendimientos de los activos y la inflación. GARCH tiene como objetivo minimizar los errores de pronóstico al tener en cuenta los errores de pronóstico anticipado y mejorar la precisión de los pronósticos en curso.

Ejemplo del proceso GARCH

Los modelos GARCH describen mercados financieros donde la volatilidad puede cambiar, volviéndose más volátiles durante períodos de crisis financieras o eventos globales y menos volátiles durante períodos de crecimiento económico constante. En una gráfica de rentabilidad, por ejemplo, la rentabilidad de las acciones de los años anteriores a una crisis financiera, por ejemplo 2007, puede parecer relativamente uniforme.

En el período posterior a la crisis, sin embargo, los rendimientos pueden oscilar enormemente de un territorio negativo a uno positivo. Además, el aumento de la volatilidad puede predecir una volatilidad continua. La volatilidad puede entonces volver a niveles similares a los niveles previos a la crisis o más uniformes en el futuro. Un modelo de regresión simple no tiene en cuenta esta variabilidad en la volatilidad mostrada en los mercados financieros. No es representativo de los eventos del «cisne negro» que ocurren con más frecuencia de lo previsto.