Heteroscedasticidad condicional autorregresiva generalizada (GARCH)
La heterocedasticidad condicional autorregresiva generalizada (GARCH) es un modelo estadístico utilizado en el análisis de datos de series temporales en los que se cree que el error de varianza está autocorrelacionado en serie. Los modelos GARCH suponen que la varianza del término de error sigue un proceso de media móvil autorregresiva.
Para llevar clave
- GARCH es una técnica de modelado estadístico utilizada para ayudar a predecir la volatilidad de los rendimientos de los activos financieros.
- GARCH es apropiado para datos de series de tiempo donde la varianza del término de error se autocorrelaciona en serie después de un proceso de promedio móvil autorregresivo.
- GARCH es útil para evaluar el riesgo y los rendimientos esperados de los activos que exhiben períodos agrupados de volatilidad en los rendimientos.
Comprensión de la heterocedasticidad condicional autorregresiva generalizada (GARCH)
Aunque los modelos de heterocedasticidad condicional autorregresiva generalizada (GARCH) se pueden usar en el análisis de varios tipos diferentes de datos financieros, como los datos macroeconómicos, las instituciones financieras los usan típicamente para estimar la volatilidad de los rendimientos de acciones, bonos e índices de mercado. Utilizan la información resultante para ayudar a determinar los precios y juzgar qué activos potencialmente proporcionarán mayores rendimientos, así como para pronosticar los rendimientos de las inversiones actuales para ayudar en sus decisiones de asignación de activos, cobertura, gestión de riesgos y optimización de cartera.
Los modelos GARCH se usan cuando la varianza del término de error no es constante. Es decir, el término de error es heteroscedastic. La heterocedasticidad describe el patrón irregular de variación de un término de error, o variable, en un modelo estadístico. Esencialmente, donde haya heteroscedasticidad, las observaciones no se ajustan a un patrón lineal. En cambio, tienden a agruparse. Por lo tanto, si se utilizan modelos estadísticos que suponen una varianza constante en estos datos, entonces las conclusiones y el valor predictivo que uno pueda extraer del modelo no serán confiables.
Se supone que la varianza del término de error en los modelos GARCH varía sistemáticamente, condicional al tamaño promedio de los términos de error en períodos anteriores. En otras palabras, tiene heteroscedasticidad condicional, y la razón de la heteroscedasticidad es que el término de error sigue un patrón de promedio móvil autorregresivo. Esto significa que es una función de un promedio de sus propios valores pasados.
Historia de GARCH
GARCH se formuló en la década de 1980 como una forma de abordar el problema de pronosticar la volatilidad en los precios de los activos. Se basó en el avance del economista Robert Engle en 1982 al introducir el modelo de heterocedasticidad condicional autorregresiva (ARCH). Su modelo suponía que la variación de los rendimientos financieros no era constante a lo largo del tiempo, sino que están autocorrelacionados o condicionados o dependientes entre sí. Por ejemplo, uno puede ver esto en los rendimientos de las acciones, donde los períodos de volatilidad en los rendimientos tienden a agruparse.
Desde la introducción original, han surgido muchas variaciones de GARCH. Estos incluyen No lineal (NGARCH), que aborda la correlación y la "agrupación de volatilidad" observada de los retornos, y GARCH integrado (IGARCH), que restringe el parámetro de volatilidad. Todas las variaciones del modelo GARCH buscan incorporar la dirección, positiva o negativa, de los retornos además de la magnitud (abordada en el modelo original).
Cada derivación de GARCH se puede utilizar para acomodar las cualidades específicas de los datos de existencias, industria o economía. Al evaluar el riesgo, las instituciones financieras incorporan modelos GARCH en su Valor-en-Riesgo (VAR), la pérdida máxima esperada (ya sea para una sola inversión o posición comercial, cartera, o en un nivel de división o de toda la empresa) durante un período de tiempo específico proyecciones Los modelos GARCH se ven para proporcionar mejores indicadores de riesgo que los que se pueden obtener a través del seguimiento de la desviación estándar solo.
Se han llevado a cabo varios estudios sobre la confiabilidad de varios modelos GARCH durante diferentes condiciones del mercado, incluso durante los períodos previos y posteriores a la crisis financiera de 2007.
Comparar cuentas de inversión Nombre del proveedor Descripción Divulgación del anunciante × Las ofertas que aparecen en esta tabla son de asociaciones de las cuales Investopedia recibe una compensación.