กระบวนการ GARCH คืออะไร
กระบวนการ heteroskedasticity (GARCH) เงื่อนไขอัตโนมัติแบบอัตตาจรเป็นคำศัพท์ทางเศรษฐศาสตร์ที่พัฒนาขึ้นในปี 2525 โดย Robert F. Engle นักเศรษฐศาสตร์และผู้ชนะรางวัลโนเบลอนุสรณ์เศรษฐศาสตร์ปี 2546 เพื่ออธิบายวิธีการประเมินความผันผวนในตลาดการเงิน การสร้างแบบจำลอง GARCH มีหลายรูปแบบ กระบวนการ GARCH มักเป็นที่ต้องการของผู้เชี่ยวชาญด้านการสร้างแบบจำลองทางการเงินเพราะมันให้บริบทที่เป็นจริงมากกว่ารูปแบบอื่น ๆ เมื่อพยายามทำนายราคาและอัตราของเครื่องมือทางการเงิน
ทำลายกระบวนการ GARCH
Heteroskedasticity อธิบายรูปแบบที่ผิดปกติของการเปลี่ยนแปลงของคำผิดพลาดหรือตัวแปรในรูปแบบทางสถิติ โดยพื้นฐานแล้วที่นั่นมีความแตกต่างกันอย่างมากการสังเกตไม่สอดคล้องกับรูปแบบเชิงเส้น แต่พวกเขามักจะทำคลัสเตอร์ ผลที่ได้คือข้อสรุปและค่าการทำนายที่สามารถดึงออกมาจากแบบจำลองจะไม่น่าเชื่อถือ GARCH เป็นแบบจำลองทางสถิติที่สามารถใช้ในการวิเคราะห์ข้อมูลทางการเงินประเภทต่าง ๆ เช่นข้อมูลทางเศรษฐกิจมหภาค สถาบันการเงินมักใช้โมเดลนี้เพื่อประเมินความผันผวนของผลตอบแทนของหุ้นพันธบัตรและดัชนีตลาด พวกเขาใช้ข้อมูลผลลัพธ์เพื่อช่วยในการกำหนดราคาและตัดสินว่าสินทรัพย์ใดที่จะให้ผลตอบแทนที่สูงกว่ารวมถึงการคาดการณ์ผลตอบแทนของการลงทุนปัจจุบันเพื่อช่วยในการจัดสรรสินทรัพย์การป้องกันความเสี่ยงการจัดการความเสี่ยง
กระบวนการทั่วไปสำหรับแบบจำลอง GARCH เกี่ยวข้องกับสามขั้นตอน สิ่งแรกคือการประเมินแบบจำลองการตอบโต้อัตโนมัติที่ดีที่สุด ประการที่สองคือการคำนวณความสัมพันธ์อัตโนมัติของคำผิดพลาด ขั้นตอนที่สามคือการทดสอบความสำคัญ อีกสองวิธีที่ใช้กันอย่างแพร่หลายในการประเมินและการทำนายความผันผวนทางการเงินคือวิธีความผันผวนทางประวัติศาสตร์แบบคลาสสิก (VolSD) และวิธีการความผันผวนเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักชี้แจง (VolEWMA)
ตัวอย่างของกระบวนการ GARCH
แบบจำลอง GARCH ช่วยอธิบายตลาดการเงินที่ความผันผวนสามารถเปลี่ยนแปลงได้กลายเป็นความผันผวนมากขึ้นในช่วงวิกฤตการณ์ทางการเงินหรือเหตุการณ์โลกและความผันผวนน้อยกว่าในช่วงที่ความสงบของญาติและการเติบโตทางเศรษฐกิจมีเสถียรภาพ ตัวอย่างเช่นผลตอบแทนหุ้นอาจดูค่อนข้างสม่ำเสมอสำหรับปีที่นำไปสู่วิกฤตการณ์ทางการเงินเช่นในปี 2550 ในช่วงเวลาหลังจากการเกิดวิกฤตอย่างไรก็ตามผลตอบแทนอาจแกว่งอย่างรุนแรงจากเชิงลบ ไปยังดินแดนบวก นอกจากนี้ความผันผวนที่เพิ่มขึ้นอาจเป็นตัวทำนายความผันผวนในอนาคต ความผันผวนอาจกลับสู่ระดับที่ใกล้เคียงกับระดับก่อนเกิดวิกฤตหรือมีความสม่ำเสมอมากขึ้นในอนาคต แบบจำลองการถดถอยอย่างง่ายไม่ได้อธิบายความผันแปรของความผันผวนที่แสดงในตลาดการเงินและไม่ได้เป็นตัวแทนของเหตุการณ์ "หงส์ดำ" ที่เกิดขึ้นมากกว่าหนึ่งคาดการณ์
แบบจำลอง GARCH เหมาะสำหรับการคืนทรัพย์สิน
กระบวนการ GARCH นั้นแตกต่างจากแบบจำลอง homoskedastic ซึ่งถือว่ามีความผันผวนอย่างต่อเนื่องและถูกนำมาใช้ในการวิเคราะห์แบบธรรมดากำลังสองน้อยที่สุด (OLS) OLS มีจุดมุ่งหมายเพื่อลดความเบี่ยงเบนระหว่างจุดข้อมูลและเส้นการถดถอยให้พอดีกับจุดเหล่านั้น ด้วยผลตอบแทนของสินทรัพย์ความผันผวนดูเหมือนจะเปลี่ยนแปลงในช่วงระยะเวลาหนึ่งและขึ้นอยู่กับความแปรปรวนในอดีตทำให้โมเดล homoskedastic ไม่เหมาะสม
กระบวนการของ GARCH ซึ่งมีการตอบโต้อัตโนมัติขึ้นอยู่กับการสังเกตกำลังสองที่ผ่านมาและผลต่างที่ผ่านมาเพื่อจำลองสำหรับความแปรปรวนในปัจจุบัน กระบวนการ GARCH ถูกนำมาใช้อย่างกว้างขวางในด้านการเงินเนื่องจากประสิทธิภาพในการสร้างแบบจำลองผลตอบแทนสินทรัพย์และอัตราเงินเฟ้อ GARCH มีจุดมุ่งหมายเพื่อลดข้อผิดพลาดในการพยากรณ์โดยการบัญชีเพื่อหาข้อผิดพลาดในการคาดการณ์ก่อนหน้าและเพื่อเพิ่มความแม่นยำของการคาดการณ์อย่างต่อเนื่อง
