DalšíDalší průvodce
Dvouvěžové doporučené modely
Technický
Technický PRŮVODCE
Modely GARCH předpovídají časově proměnný podmíněný rozptyl tím, že současnou volatilitu spojí s minulými čtvercovými šoky a minulými odhady rozptylu.
Poslechněte si tento návodAI-vyprávěný · ~3 min
Často se používají pro finanční návratnost se shlukováním volatility, ale přizpůsobená prognóza rozptylu závisí na distribučních předpokladech, pořadí modelu a adekvátním specifikaci procesu návratnosti.
Finanční výnosy často vykazují shlukování volatility: velké absolutní změny mají tendenci nastat v blízkosti jiných velkých změn, zatímco klidná období také přetrvávají. Samotný návrat může mít malou lineární autokorelaci, zatímco jeho druhá mocnina zůstává závislá. GARCH neboli zobecněná autoregresní podmíněná heteroskedasticita modeluje podmíněný rozptyl jako vyvíjející se v čase pomocí minulých šoků a minulých rozptylů. GARCH(1,1) variační rovnice je h_t = omega + alfa*epsilon_(t-1)^2 + beta*h_(t-1), kde h_t je podmíněný rozptyl a epsilon je inovace ze střední rovnice. Termín ARCH alfa reaguje na poslední druhou mocninu šoku; GARCH termín beta přenáší předchozí odchylku. Velký šok tedy může zvýšit predikovanou volatilitu, i když se průměrná prognóza nezmění. Modely vyšších řádů přidávají více opožděných rázů nebo odchylek. Model obvykle předpokládá, že standardizované inovace sledují zvolené rozdělení, jako je normální nebo studentské t. Vysoké výnosy mohou způsobit, že normální předpoklad nebude adekvátní. Omezení parametrů se používají k udržení pozitivní odchylky a často k podpoře stacionarity; přesná parametrizace závisí na softwaru. Nepodmíněná odchylka existuje za dalších podmínek, jako je stabilní součet perzistence pro standardní GARCH(1,1), ale tyto podmínky by měly být spíše kontrolovány než předpokládané. Po přizpůsobení zkontrolujte standardizované rezidua pro zbývající sériovou korelaci a jejich druhé mocniny pro zbývající shlukování volatility. Vyhodnoťte předpovědi na pozdějších datech pomocí vhodného proxy pro realizované odchylky a uvědomte si, že realizovaná měření jsou hlučná. GARCH fit nepředpovídá směr dalšího výnosu, neidentifikuje příčinu volatility ani nezaručuje pokrytí rizikových intervalů. Strukturální zlomy, pákové efekty (kde negativní a pozitivní šoky ovlivňují volatilitu odlišně) a intradenní periodicita mohou vyžadovat varianty nebo bohatší modely. Uveďte předpoklady a horizont prognózy, zejména pokud odhady informují o limitech rizika.
Série hypotetických návratů má klidné týdny následované turbulentními týdny. GARCH model může přenášet informace z nedávných čtvercových šoků do budoucích podmíněných rozptylů, které představují shlukování volatility.
V GARCH(1,1) prognóza příští rozptylu používá konstantu, předchozí čtvercovou inovaci a předchozí podmíněnou odchylku. Velký nedávný šok může zvýšit prognózu, i když očekávaný výnos zůstane blízko nule.
Analytik porovnává normální a těžké inovační předpoklady a kontroluje standardizovaná rezidua a druhou mocninu reziduální autokorelaci. Model rozptylu, který ponechává shlukování ve čtvercových reziduích, může být neadekvátní.
Rizikový tým vyhodnocuje jednokrokové prognózy rozptylu proti později realizovaným proxy a porovnává je s jednoduchou základní hodnotou konstantní odchylky, která dokumentuje limity měření proxy.
Předpovědi volatility mohou být sdělovány zodpovědněji tím, že se vedle odhadů rozptylu zobrazí předpokládané rozložení inovací, perzistence, horizont a hodnocení. Rizikové týmy by měly porovnat prognózy GARCH s jednoduššími základními hodnotami a posoudit intervalové pokrytí na měnících se trzích. Když mají šoky asymetrické účinky, porovnejte spíše odůvodněnou asymetrickou variantu, než abyste nutili symetrického GARCHA, aby je vysvětloval. Monitorujte standardizovaná rezidua pro změny režimu a rekalibrujte na základě důkazů. Prognóza podmíněného rozptylu shrnuje nejistotu založenou na modelu v časovém horizontu; není to zaručená vazba na budoucí ztráty.
Newsletter zdarma
Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.
Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.
Otestujte se
Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.
Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte
Modely GARCH předpovídají časově proměnný podmíněný rozptyl tím, že současnou volatilitu spojí s minulými čtvercovými šoky a minulými odhady rozptylu. Často se používají pro finanční návratnost se shlukováním volatility, ale přizpůsobená prognóza rozptylu závisí na distribučních předpokladech, pořadí modelu a adekvátním specifikaci procesu návratnosti.
Standardní rovnice GARCH(1,1) kombinuje omegu, zpožděný čtvercový šok a zpožděný rozptyl.
Inovace s opožděnou kvadrátkou vstupuje pozitivně za obvyklých omezení a zvyšuje prognózu po velkém šoku.
Rovnice rozptylu popisuje spread nebo volatilitu, nikoli znamení příští inovace.
Standardizovaná rezidua jsou kontrolována na zbývající závislost po zohlednění modelovaného podmíněného rozptylu.
Závislost na kvadrátech reziduí může naznačovat, že dynamika volatility zůstává nevysvětlena.
Učte se dál
Pro toto téma bylo vybráno více průvodců
DalšíDalší průvodce
Dvouvěžové doporučené modely
Technický