Quy trình tìm kiếm là gì
Quá trình không đồng nhất có điều kiện tự phát (GARCH) là một thuật ngữ kinh tế lượng được phát triển vào năm 1982 bởi Robert F. Engle, một nhà kinh tế và là người giành giải Nobel Tưởng niệm Kinh tế năm 2003, để mô tả một cách tiếp cận để ước tính sự biến động trên thị trường tài chính. Có một số hình thức mô hình GARCH. Quá trình GARCH thường được các chuyên gia mô hình tài chính ưa thích vì nó cung cấp bối cảnh thực tế hơn các hình thức khác khi cố gắng dự đoán giá và tỷ lệ của các công cụ tài chính.
Quá trình tìm kiếm BREAKING DOWN
Heteroskedasticity mô tả mô hình biến đổi bất thường của một thuật ngữ lỗi hoặc biến, trong một mô hình thống kê. Về cơ bản, nơi có sự không đồng nhất, các quan sát không phù hợp với một mô hình tuyến tính. Thay vào đó, họ có xu hướng co cụm. Kết quả là các kết luận và giá trị dự đoán mà người ta có thể rút ra từ mô hình sẽ không đáng tin cậy. GARCH là một mô hình thống kê có thể được sử dụng để phân tích một số loại dữ liệu tài chính khác nhau, ví dụ, dữ liệu kinh tế vĩ mô. Các tổ chức tài chính thường sử dụng mô hình này để ước tính sự biến động của lợi nhuận cho cổ phiếu, trái phiếu và các chỉ số thị trường. Họ sử dụng thông tin kết quả để giúp xác định giá và đánh giá tài sản nào có khả năng mang lại lợi nhuận cao hơn, cũng như dự báo lợi nhuận của các khoản đầu tư hiện tại để giúp phân bổ tài sản, phòng ngừa rủi ro, quản lý rủi ro và tối ưu hóa danh mục đầu tư.
Quy trình chung cho mô hình GARCH bao gồm ba bước. Đầu tiên là ước tính một mô hình tự phát phù hợp nhất. Thứ hai là tính toán tự động tương quan của thuật ngữ lỗi. Bước thứ ba là kiểm tra ý nghĩa. Hai phương pháp khác được sử dụng rộng rãi để ước tính và dự đoán biến động tài chính là phương pháp biến động lịch sử cổ điển (VolSD) và phương pháp biến động trung bình di chuyển theo cấp số nhân (VolEWMA).
Ví dụ về quy trình GARCH
Các mô hình GARCH giúp mô tả thị trường tài chính trong đó biến động có thể thay đổi, trở nên biến động hơn trong thời kỳ khủng hoảng tài chính hoặc các sự kiện thế giới và ít biến động hơn trong thời kỳ tăng trưởng kinh tế tương đối bình tĩnh và ổn định. Ví dụ, trên một biểu đồ lợi nhuận, lợi nhuận chứng khoán có thể trông tương đối đồng đều trong những năm dẫn đến một cuộc khủng hoảng tài chính như năm 2007, trong khoảng thời gian sau khi xảy ra khủng hoảng, tuy nhiên, lợi nhuận có thể tăng vọt từ tiêu cực đến lãnh thổ tích cực. Hơn nữa, sự biến động tăng lên có thể được dự đoán về sự biến động trong tương lai. Sự biến động sau đó có thể trở lại mức tương tự như mức trước khủng hoảng hoặc sẽ đồng đều hơn trong tương lai. Một mô hình hồi quy đơn giản không tính đến sự biến động của biến động này được thể hiện trên thị trường tài chính và không phải là đại diện cho các sự kiện "thiên nga đen" xảy ra nhiều hơn người ta dự đoán.
Mô hình GARCH tốt nhất cho lợi nhuận tài sản
Các quy trình GARCH khác với các mô hình homoskedastic, giả định độ biến động không đổi và được sử dụng trong phân tích bình phương nhỏ nhất (OLS) cơ bản. OLS nhằm mục đích giảm thiểu độ lệch giữa các điểm dữ liệu và đường hồi quy để phù hợp với các điểm đó. Với lợi nhuận tài sản, sự biến động dường như thay đổi trong những khoảng thời gian nhất định và phụ thuộc vào phương sai trong quá khứ, làm cho một mô hình homoskedastic không tối ưu.
Các quá trình GARCH, được tự động, phụ thuộc vào các quan sát bình phương trong quá khứ và các phương sai trong quá khứ để mô hình cho phương sai hiện tại. Các quy trình GARCH được sử dụng rộng rãi trong tài chính do tính hiệu quả của chúng trong việc mô hình hóa lợi nhuận tài sản và lạm phát. GARCH nhằm mục đích giảm thiểu các lỗi trong dự báo bằng cách hạch toán các lỗi trong dự báo trước và do đó, nâng cao tính chính xác của các dự đoán đang diễn ra.
