Was ist der GARCH-Prozess?
Der verallgemeinerte autoregressive bedingte Heteroskedastizitätsprozess (GARCH) ist ein ökonometrischer Begriff, der 1982 von Robert F. Engle, einem Ökonomen und 2003 Gewinner des Nobelpreises für Volkswirtschaft, entwickelt wurde, um einen Ansatz zur Schätzung der Volatilität an den Finanzmärkten zu beschreiben. Es gibt verschiedene Formen der GARCH-Modellierung. Der GARCH-Prozess wird häufig von professionellen Finanzmodellierern bevorzugt, da er einen realistischeren Kontext bietet als andere Formen, wenn versucht wird, die Preise und Kurse von Finanzinstrumenten vorherzusagen.
BREAKING DOWN GARCH-Prozess
Die Heteroskedastizität beschreibt das unregelmäßige Variationsmuster eines Fehlerterms oder einer Variablen in einem statistischen Modell. Im Wesentlichen stimmen Beobachtungen bei heteroskedastischem Verhalten nicht mit einem linearen Muster überein. Stattdessen neigen sie zur Häufung. Das Ergebnis ist, dass die Schlussfolgerungen und der prädiktive Wert, die man aus dem Modell ziehen kann, nicht zuverlässig sind. GARCH ist ein statistisches Modell, mit dem verschiedene Arten von Finanzdaten analysiert werden können, beispielsweise makroökonomische Daten. Finanzinstitute verwenden dieses Modell normalerweise, um die Volatilität der Renditen für Aktien, Anleihen und Marktindizes zu schätzen. Sie verwenden die sich daraus ergebenden Informationen, um die Preisgestaltung zu bestimmen und zu beurteilen, welche Vermögenswerte möglicherweise höhere Renditen erzielen werden, sowie um die Renditen aktueller Anlagen zu prognostizieren, um bei ihren Entscheidungen zur Asset-Allokation, Absicherung, zum Risikomanagement und zur Portfoliooptimierung zu helfen.
Der allgemeine Prozess für ein GARCH-Modell umfasst drei Schritte. Die erste besteht darin, ein am besten geeignetes autoregressives Modell zu schätzen. Die zweite besteht darin, Autokorrelationen des Fehlerausdrucks zu berechnen. Der dritte Schritt besteht darin, die Signifikanz zu testen. Zwei weitere weit verbreitete Ansätze zur Schätzung und Vorhersage der finanziellen Volatilität sind die klassische historische Volatilitätsmethode (VolSD) und die exponentiell gewichtete Methode der gleitenden durchschnittlichen Volatilität (VolEWMA).
Beispiel eines GARCH-Prozesses
GARCH-Modelle helfen bei der Beschreibung von Finanzmärkten, auf denen sich die Volatilität ändern kann und in Zeiten von Finanzkrisen oder Weltereignissen volatiler und in Zeiten eines relativ ruhigen und stetigen Wirtschaftswachstums weniger volatil wird. Auf einer Renditekurve können beispielsweise die Aktienrenditen für die Jahre, die zu einer Finanzkrise wie der von 2007 führen, relativ einheitlich aussehen. In der Zeit nach dem Ausbruch einer Krise können die Renditen jedoch stark vom Negativen abweichen auf positives Territorium. Darüber hinaus kann die erhöhte Volatilität ein Hinweis auf die künftige Volatilität sein. Die Volatilität könnte dann auf ein Niveau zurückkehren, das dem Niveau vor der Krise ähnelt, oder in Zukunft einheitlicher sein. Ein einfaches Regressionsmodell berücksichtigt diese Schwankung der Volatilität an den Finanzmärkten nicht und ist nicht repräsentativ für die "Black Swan" -Ereignisse, die mehr als erwartet eintreten.
GARCH-Modelle Am besten für Anlagenrenditen geeignet
GARCH-Prozesse unterscheiden sich von homoskedastischen Modellen, die eine konstante Volatilität voraussetzen und bei der grundlegenden Analyse der kleinsten Quadrate (OLS) verwendet werden. OLS zielt darauf ab, die Abweichungen zwischen Datenpunkten und einer Regressionslinie zu minimieren, um diese Punkte anzupassen. Bei der Rendite von Vermögenswerten scheint die Volatilität in bestimmten Zeiträumen zu variieren und von den Abweichungen in der Vergangenheit abzuhängen, so dass ein homoskedastisches Modell nicht optimal ist.
Da GARCH-Prozesse autoregressiv sind, hängen sie von Beobachtungen im Quadrat der Vergangenheit und früheren Varianzen ab, um die aktuelle Varianz zu modellieren. GARCH-Prozesse werden aufgrund ihrer Effektivität bei der Modellierung von Anlagenrenditen und Inflation häufig in der Finanzbranche eingesetzt. Ziel von GARCH ist die Minimierung von Prognosefehlern, indem Fehler in früheren Prognosen berücksichtigt und damit die Genauigkeit laufender Prognosen verbessert werden.
