Heteroskedasticity Conditional GeneralRegressive (GARCH) คืออะไร?
รูปแบบสถิติทั่วไปที่ใช้ AutoRegressive Conditional Heteroskedasticity (GARCH) ใช้ในการวิเคราะห์ข้อมูลอนุกรมเวลาซึ่งข้อผิดพลาดความแปรปรวนเชื่อว่ามีความสัมพันธ์กันแบบอนุกรม แบบจำลอง GARCH สมมติว่าความแปรปรวนของคำผิดพลาดเป็นไปตามกระบวนการเฉลี่ยเคลื่อนที่อัตโนมัติ
ประเด็นที่สำคัญ
- GARCH เป็นเทคนิคการสร้างแบบจำลองทางสถิติที่ใช้ในการทำนายความผันผวนของผลตอบแทนจากสินทรัพย์ทางการเงิน GARCH เหมาะสมสำหรับข้อมูลอนุกรมเวลาที่ความแปรปรวนของคำผิดพลาดมีความสัมพันธ์กันแบบอนุกรมอัตโนมัติตามกระบวนการเฉลี่ยเคลื่อนที่แบบอัตโนมัติ GARCH มีประโยชน์ในการประเมินความเสี่ยงและผลตอบแทนที่คาดหวังสำหรับสินทรัพย์ที่แสดงช่วงเวลาของความผันผวนของผลตอบแทน
การทำความเข้าใจกับ Heteroskedasticity เงื่อนไขการลงทะเบียนอัตโนมัติทั่วไป (GARCH)
ถึงแม้ว่าแบบจำลอง AutoRegressive Conditional Heteroskedasticity (GARCH) ทั่วไปสามารถใช้ในการวิเคราะห์ข้อมูลทางการเงินประเภทต่าง ๆ เช่นข้อมูลทางเศรษฐศาสตร์มหภาคสถาบันการเงินมักใช้เพื่อประเมินความผันผวนของผลตอบแทนของหุ้นพันธบัตรและดัชนีตลาด พวกเขาใช้ข้อมูลผลลัพธ์เพื่อช่วยในการกำหนดราคาและตัดสินว่าสินทรัพย์ใดที่จะให้ผลตอบแทนที่สูงกว่ารวมถึงการคาดการณ์ผลตอบแทนของการลงทุนปัจจุบันเพื่อช่วยในการจัดสรรสินทรัพย์การป้องกันความเสี่ยงการจัดการความเสี่ยง
แบบจำลอง GARCH ใช้เมื่อความแปรปรวนของคำผิดพลาดไม่คงที่ นั่นคือคำที่ผิดพลาดคือ heteroskedastic Heteroskedasticity อธิบายรูปแบบที่ผิดปกติของการเปลี่ยนแปลงของคำผิดพลาดหรือตัวแปรในรูปแบบทางสถิติ โดยพื้นฐานแล้วที่ใดก็ตามที่มี heteroskedasticity การสังเกตไม่สอดคล้องกับรูปแบบเชิงเส้น แต่พวกเขามักจะทำคลัสเตอร์ ดังนั้นหากใช้แบบจำลองทางสถิติที่ถือว่าความแปรปรวนคงที่ถูกใช้กับข้อมูลนี้ข้อสรุปและค่าการทำนายที่เราสามารถดึงจากแบบจำลองจะไม่น่าเชื่อถือ
ความแปรปรวนของคำผิดพลาดในแบบจำลอง GARCH จะถือว่าแตกต่างกันอย่างเป็นระบบโดยมีเงื่อนไขกับขนาดเฉลี่ยของคำผิดพลาดในช่วงก่อนหน้า กล่าวอีกนัยหนึ่งมันมีเงื่อนไข heteroskedasticity และเหตุผลสำหรับ heteroskedasticity ก็คือว่าข้อผิดพลาดเป็นไปตามรูปแบบค่าเฉลี่ยเคลื่อนที่อัตโนมัติ ซึ่งหมายความว่ามันเป็นฟังก์ชันของค่าเฉลี่ยของค่าที่ผ่านมาของตัวเอง
ประวัติของ GARCH
GARCH ได้รับการกำหนดขึ้นในปี 1980 เพื่อแก้ปัญหาการคาดการณ์ความผันผวนของราคาสินทรัพย์ มันสร้างจากการพัฒนาของนักเศรษฐศาสตร์ของ Robert Engle ในปี 1982 งานแนะนำรูปแบบ Autoregressive Conditional Heteroskedasticity (ARCH) แบบจำลองของเขาสันนิษฐานว่าการเปลี่ยนแปลงของผลตอบแทนทางการเงินไม่คงที่เมื่อเวลาผ่านไป แต่มีความสัมพันธ์กันแบบอัตโนมัติหรือมีเงื่อนไขที่ / ขึ้นอยู่กับซึ่งกันและกัน ตัวอย่างเช่นหนึ่งสามารถเห็นสิ่งนี้ในผลตอบแทนสต็อกที่ช่วงเวลาของความผันผวนในผลตอบแทนมีแนวโน้มที่จะรวมกลุ่มกัน
นับตั้งแต่เปิดตัวครั้งแรก GARCH มีการเปลี่ยนแปลงมากมาย ซึ่งรวมถึง Nonlinear (NGARCH) ซึ่งระบุถึงความสัมพันธ์และการสังเกต "การจัดกลุ่มความผันผวน" ของผลตอบแทนและ Integrated GARCH (IGARCH) ซึ่ง จำกัด พารามิเตอร์ความผันผวน รูปแบบของ GARCH ทุกรูปแบบพยายามที่จะรวมทิศทางผลบวกหรือลบของผลตอบแทนนอกเหนือจากขนาด (ระบุไว้ในรูปแบบดั้งเดิม)
แต่ละแหล่งที่มาของ GARCH สามารถใช้เพื่อรองรับคุณสมบัติเฉพาะของหุ้นอุตสาหกรรมหรือข้อมูลทางเศรษฐกิจ ในการประเมินความเสี่ยงสถาบันการเงินจะรวมโมเดล GARCH ไว้ใน Value-at-Risk (VAR) การสูญเสียที่คาดหวังสูงสุด (ไม่ว่าจะเป็นการลงทุนหรือตำแหน่งการค้าเดียวพอร์ตโฟลิโอหรือในระดับแผนกหรือระดับ บริษัท) ประมาณการ แบบจำลอง GARCH นั้นถูกมองว่าให้ค่าความเสี่ยงที่ดีกว่าการวัดค่าเบี่ยงเบนมาตรฐานเพียงอย่างเดียว
การศึกษาที่หลากหลายได้ดำเนินการเกี่ยวกับความน่าเชื่อถือของแบบจำลอง GARCH ต่างๆในสภาวะตลาดที่แตกต่างกันรวมถึงในช่วงที่นำไปสู่และหลังวิกฤตการณ์ทางการเงินในปี 2550
