A continuaciónSiguiente guía
Modelos de recomendación de dos torres
Técnico
GUÍA Técnica
Modelos de volatilidad GARCH
Los modelos GARCH pronostican la varianza condicional que varía en el tiempo relacionando la volatilidad actual con shocks cuadrados pasados y estimaciones de varianza pasadas.
En esta pagina3 minutos de lectura
Descripción general
A menudo se utilizan para rendimientos financieros con agrupación de volatilidad, pero un pronóstico de varianza ajustado depende de que los supuestos distributivos, el orden del modelo y el proceso de rendimiento se especifiquen adecuadamente.
Buceo profundo
Los rendimientos financieros a menudo muestran agrupaciones de volatilidad: grandes cambios absolutos tienden a ocurrir cerca de otros grandes cambios, mientras que también persisten períodos de calma. El rendimiento en sí puede tener poca autocorrelación lineal, mientras que su magnitud al cuadrado sigue siendo dependiente. GARCH, o heterocedasticidad condicional autorregresiva generalizada, modela la varianza condicional como evolucionando a través del tiempo utilizando shocks pasados y varianza pasada. Una ecuación de varianza GARCH(1,1) es h_t = omega + alfa*épsilon_(t-1)^2 + beta*h_(t-1), donde h_t es la varianza condicional y épsilon es la innovación de la ecuación media. El término alfa de ARCH responde al último shock al cuadrado; el término GARCH beta arrastra la variación anterior. Por lo tanto, un shock grande puede aumentar la volatilidad prevista incluso cuando el pronóstico medio no cambia. Los modelos de orden superior añaden más shocks o variaciones rezagados. El modelo normalmente supone que las innovaciones estandarizadas siguen una distribución elegida, como la normal o la t de Student. Los rendimientos de cola pesada pueden hacer que un supuesto normal sea inadecuado. Las restricciones a los parámetros se utilizan para mantener la varianza positiva y, a menudo, para fomentar la estacionariedad; La parametrización exacta depende del software. La varianza incondicional existe bajo condiciones adicionales, como una suma de persistencia estable para GARCH(1,1) estándar, pero esas condiciones deben verificarse en lugar de asumirse. Después del ajuste, inspeccione los residuos estandarizados para determinar la correlación serial restante y sus cuadrados para determinar la agrupación de volatilidad restante. Evalúe los pronósticos sobre datos posteriores utilizando un proxy adecuado para la varianza realizada, reconociendo que las medidas realizadas son ruidosas. Un ajuste GARCH no predice la dirección del próximo rendimiento, no identifica la causa de la volatilidad ni garantiza la cobertura de los intervalos de riesgo. Las rupturas estructurales, los efectos de apalancamiento (donde los shocks negativos y positivos afectan la volatilidad de manera diferente) y la periodicidad intradiaria pueden requerir variantes o modelos más ricos. Informar los supuestos y el horizonte de pronóstico, especialmente cuando las estimaciones informan los límites de riesgo.
Impacto Estratégico
Costo y presupuesto
Las decisiones de arquitectura impulsan el rendimiento y los costos operativos durante años.
Decisiones más claras
La educación técnica ayuda a los equipos a elegir la pila adecuada, no sólo la más nueva.
control de calidad
Mejores opciones de ingeniería reducen los incidentes de confiabilidad en la producción.
El futuro de los modelos de volatilidad GARCH
Los pronósticos de volatilidad se pueden comunicar de manera más responsable mostrando la distribución supuesta de la innovación, la persistencia, el horizonte y el proxy de evaluación junto con las estimaciones de la varianza. Los equipos de riesgo deben comparar los pronósticos GARCH con líneas de base más simples y evaluar la cobertura de intervalos en mercados cambiantes. Cuando los shocks tienen efectos asimétricos, comparar una variante asimétrica justificada en lugar de obligar al GARCH simétrico a explicarlos. Monitorear los residuos estandarizados para detectar cambios de régimen y recalibrarlos en función de la evidencia. Un pronóstico de varianza condicional resume la incertidumbre basada en modelos en un horizonte temporal; no es un límite garantizado para pérdidas futuras.
Implementación en el mundo real
Una serie de retornos hipotéticos tiene semanas tranquilas seguidas de semanas turbulentas. Un modelo GARCH puede transportar información de shocks cuadrados recientes a la varianza condicional futura, lo que representa la agrupación de volatilidad.
En un GARCH(1,1), el siguiente pronóstico de varianza utiliza una constante, la innovación al cuadrado anterior y la varianza condicional anterior. Un gran shock reciente puede elevar el pronóstico incluso si el rendimiento esperado se mantiene cerca de cero.
Un analista compara los supuestos de innovación normales y de cola pesada y verifica los residuos estandarizados y la autocorrelación residual al cuadrado. Un modelo de varianza que deja la agrupación en residuos al cuadrado puede ser inadecuado.
Un equipo de riesgo evalúa los pronósticos de varianza de un paso contra los indicadores realizados posteriormente y los compara con una línea base de variación constante simple, documentando los límites de medición del indicador.
Riesgos y barandillas
La optimización de un punto de referencia puede ocultar debilidades más amplias del sistema.
Los costos de infraestructura y mantenimiento a menudo se subestiman.
Las brechas de seguridad y observabilidad pueden crecer a medida que los sistemas se vuelven más complejos.
Hoja de ruta de implementación
Defina objetivos de latencia, calidad y costos antes de la implementación.
Comparación en condiciones realistas de carga y datos.
Monitoreo de instrumentos para detectar errores, deriva e impacto para el usuario.
Prepare rutas de reversión y respuesta a incidentes antes de escalar.
Sigue explorando
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the GARCH Volatility Models quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Preguntas frecuentes
¿Qué son los modelos de volatilidad GARCH?
Los modelos GARCH pronostican la varianza condicional que varía en el tiempo relacionando la volatilidad actual con shocks cuadrados pasados y estimaciones de varianza pasadas. A menudo se utilizan para rendimientos financieros con agrupación de volatilidad, pero un pronóstico de varianza ajustado depende de que los supuestos distributivos, el orden del modelo y el proceso de rendimiento se especifiquen adecuadamente.
¿Qué términos impulsan la siguiente varianza en un modelo GARCH(1,1)?
La ecuación estándar GARCH(1,1) combina omega, un shock cuadrático rezagado y una varianza rezagada.
¿Qué tiende a afectar a la varianza condicional un gran shock cuadrado reciente?
La innovación rezagada al cuadrado entra positivamente bajo las restricciones habituales, aumentando el pronóstico después de un gran shock.
¿Puede un pronóstico de varianza GARCH determinar si el próximo rendimiento es positivo o negativo?
La ecuación de varianza describe el diferencial o la volatilidad, no el signo de la próxima innovación.
¿Qué ayudan a evaluar los residuos estandarizados?
Se verifica la dependencia restante de los residuos estandarizados después de contabilizar la varianza condicional modelada.
¿Por qué inspeccionar residuos estandarizados al cuadrado?
La dependencia de los residuos al cuadrado puede indicar que la dinámica de la volatilidad sigue sin explicarse.
sigue aprendiendo
Guías relacionadas
Más guías seleccionadas para este tema.