GARCH (Generalized AutoRegressive Conditional Heteroskedasticity) 란 무엇입니까?
GARCH (Generalized AutoRegressive Conditional Heteroskedasticity)는 분산 오차가 연속적으로 자기 상관 된 것으로 여겨지는 시계열 데이터를 분석하는 데 사용되는 통계 모델입니다. GARCH 모델은 오차항의 분산이 자동 회귀 이동 평균 과정을 따른다고 가정합니다.
주요 테이크 아웃
- GARCH는 금융 자산에 대한 수익의 변동성을 예측하는 데 사용되는 통계 모델링 기법입니다. GARCH는 자동 회귀 이동 평균 프로세스에 따라 오차 항의 변동이 연속적으로 자기 상관되는 시계열 데이터에 적합합니다. GARCH는 수익 변동에 클러스터 된 기간을 나타내는 자산에 대한 위험 및 예상 수익을 평가하는 데 유용합니다.
GARCH (Generalized AutoRegressive Conditional Heteroskedasticity) 이해
GARCH (Generalized AutoRegressive Conditional Heteroskedasticity) 모델을 사용하여 거시 경제 데이터와 같은 여러 가지 유형의 재무 데이터를 분석 할 수 있지만, 금융 기관에서는 일반적으로이를 사용하여 주식, 채권 및 시장 지수에 대한 수익률의 변동성을 추정합니다. 결과 정보를 사용하여 가격을 결정하고 잠재적으로 더 높은 수익을 제공 할 자산을 판단하고 자산 할당, 헤징, 위험 관리 및 포트폴리오 최적화 결정에 도움이되는 현재 투자 수익을 예측합니다.
GARCH 모델은 오차항의 분산이 일정하지 않을 때 사용됩니다. 즉, 오차항은 이분산성입니다. 이분산성은 통계 모델에서 오차 항 또는 변수의 불규칙 패턴 변동을 설명합니다. 본질적으로, 이분산성이있는 곳에는 관측치가 선형 패턴과 일치하지 않습니다. 대신, 그들은 묶는 경향이 있습니다. 따라서 일정한 분산을 가정하는 통계 모형을이 데이터에 사용하면 모형에서 도출 할 수있는 결론 및 예측 값을 신뢰할 수 없습니다.
GARCH 모델에서 오차 항의 분산은 이전 기간의 오차 항의 평균 크기에 따라 체계적으로 변하는 것으로 가정합니다. 즉, 조건부 이분산성이 있으며이 분산의 이유는 오차항이 자기 회귀 이동 평균 패턴을 따르기 때문입니다. 이는 평균 자체 과거 값의 함수임을 의미합니다.
가치의 역사
GARCH는 1980 년대에 자산 가격의 변동성을 예측하는 문제를 해결하기 위해 공식화되었습니다. 그것은 경제학자 Robert Engle의 1982 년 ARCH (Autoregressive Conditional Heteroskedasticity) 모델을 소개하는 획기적인 작업을 기반으로합니다. 그의 모델은 재무 수익의 변동이 시간이 지남에 따라 일정하지 않지만 자기 상관 또는 서로에 대한 조건 적 / 의존적이라고 가정했다. 예를 들어, 수익률 변동성 기간이 함께 모이는 경향이있는 재고 수익률에서이를 확인할 수 있습니다.
처음 소개 된 이후로 GARCH의 많은 변형이 등장했습니다. 여기에는 상관 관계를 다루고 리턴의 "휘발성 클러스터링"을 관찰하는 비선형 (NGARCH) 및 휘발성 매개 변수를 제한하는 통합 GARCH (IGARCH)가 포함됩니다. 모든 GARCH 모델 변형은 크기 (원래 모델에서 주소 지정) 외에 양수 또는 음수의 귀환 방향을 통합하려고합니다.
GARCH의 각 파생물은 주식, 산업 또는 경제 데이터의 특정 품질을 수용하는 데 사용될 수 있습니다. 위험을 평가할 때 금융 기관은 GARCH 모델을 VAR (Value-at-Risk), 최대 예상 손실 (단일 투자 또는 거래 위치, 포트폴리오 또는 부서 또는 회사 차원에서) 기간 동안 통합합니다 투영. GARCH 모델은 표준 편차 만 추적하여 얻을 수있는 것보다 더 나은 위험 게이지를 제공합니다.
2007 년 금융 위기 이후의시기를 포함하여 다양한 시장 상황에서 다양한 GARCH 모델의 신뢰성에 대한 다양한 연구가 수행되었습니다.
