Què és el procés GARCH
El procés d’heteroskedasticitat condicional autoregressiva generalitzada (GARCH) és un terme economètric desenvolupat el 1982 per Robert F. Engle, economista i guanyador del Premi Nobel Memorial d’Economia el 2003, per descriure un enfocament per estimar la volatilitat en els mercats financers. Hi ha diverses formes de modelat GARCH. Els processos GARCH sovint són preferits pels professionals del modelat financer, ja que proporciona un context més real que altres formes quan s’intenta predir els preus i les tarifes dels instruments financers.
Procés de DESCOMPANYAMENT
Heteroskedasticity descriu el patró irregular de variació d’un terme d’error, o variable, en un model estadístic. Essencialment, quan hi ha heteroskedasticitat, les observacions no s’ajusten a un patró lineal. En canvi, solen agrupar-se. El resultat és que les conclusions i el valor predictiu que es pot treure del model no seran fiables. GARCH és un model estadístic que es pot utilitzar per analitzar diversos tipus de dades financeres, com per exemple, dades macroeconòmiques. Les institucions financeres solen utilitzar aquest model per estimar la volatilitat dels rendiments d’accions, bons i índexs de mercat. Utilitzen la informació resultant per ajudar a determinar els preus i jutjar quins actius potencialment proporcionaran rendiments més alts, així com per a pronosticar els rendiments de les inversions actuals per ajudar en les seves decisions d’assignació d’actius, cobertura, gestió de riscos i optimització de la cartera.
El procés general d’un model GARCH inclou tres passos. El primer és estimar un model autoregressiu més adequat. El segon és calcular les autocorrelacions del terme d’error. El tercer pas és provar la seva importància. Altres dos enfocaments àmpliament utilitzats per estimar i predir la volatilitat financera són el mètode de volatilitat històrica clàssica (VolSD) i el mètode de volatilitat mitjana mòbil ponderada exponencialment (VolEWMA).
Exemple de procés GARCH
Els models GARCH ajuden a descriure mercats financers en els quals pot canviar la volatilitat, tornant-se més volàtil durant els períodes de crisis financeres o esdeveniments mundials i menys volàtil durant els períodes de relativa calma i creixement econòmic constant. En un gràfic de rendiments, per exemple, els rendiments de les accions poden semblar relativament uniformes durant els anys que van provocar una crisi financera com la del 2007. En el període de temps següent a l’aparició de la crisi, però, els rendiments poden variar de forma negativa. cap a territori positiu. A més, l’augment de volatilitat pot predir la volatilitat. La volatilitat després pot tornar a nivells semblants al dels nivells anteriors a la crisi o bé avançar més uniformement. Un model de regressió simple no té en compte aquesta variació de la volatilitat presentada als mercats financers i no és representatiu dels esdeveniments del "cigne negre" que es produeixen més del que es preveuria.
Models GARCH Millors per a rendiments d’actius
Els processos GARCH es diferencien dels models homoskedàstics, que assumeixen una volatilitat constant i s’utilitzen en l’anàlisi bàsica ordinària dels quadrats mínims (OLS). L’OLS té com a objectiu minimitzar les desviacions entre els punts de dades i una línia de regressió per adaptar-se a aquests punts. Amb els rendiments d’actius, la volatilitat sembla variar durant determinats períodes de temps i depèn de la variància passada, fent que un model homoskedastic no sigui òptim.
Els processos GARCH, autoregressius, depenen de les observacions quadrades anteriors i de les variències passades per modelar la variància actual. Els processos GARCH s’utilitzen àmpliament en les finances per la seva eficàcia a l’hora de modelar els rendiments d’actius i la inflació. GARCH té com a objectiu minimitzar els errors de previsió comptabilitzant els errors de la previsió prèvia i, per tant, millorar la precisió de les prediccions en curs.
