Proceso GARCH

El proceso de heteroscedasticidad condicional autorregresiva generalizada (garch) es un término econométrico desarrollado en 1982 por Robert f. Engle, economista y ganador en 2003 del Premio Nobel de Economía, describió un enfoque para estimar la volatilidad en los mercados financieros. Hay varias formas de modelado garch. A menudo, los profesionales de modelos financieros prefieren el proceso Garch porque proporciona un contexto más real que otras formas cuando se trata de predecir los precios y las tasas de los instrumentos financieros.

La heterocedasticidad describe el patrón irregular de variación de un término de error, o variable, en un modelo estadístico. esencialmente, donde hay heterocedasticidad, las observaciones no se ajustan a un patrón lineal. en cambio, tienden a agruparse. el resultado es que las conclusiones y el valor predictivo que uno puede extraer del modelo no serán confiables. garch es un modelo estadístico que puede usarse para analizar varios tipos diferentes de datos financieros, por ejemplo, datos macroeconómicos. Las instituciones financieras suelen utilizar este modelo para estimar la volatilidad de los rendimientos de acciones, bonos e índices de mercado. usan 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 la asignación de activos, cobertura,

El proceso general para un modelo Garch implica tres pasos. el primero es estimar un modelo autorregresivo que mejor se ajuste. el segundo es calcular las autocorrelaciones del término de error. El tercer paso es probar la importancia. Otros dos enfoques ampliamente utilizados para estimar y predecir la volatilidad financiera son el método clásico de volatilidad histórica (volsd) y el método de volatilidad de media móvil ponderada exponencialmente (volewma).

Los modelos Garch ayudan a describir los mercados financieros en los que la volatilidad puede cambiar, volviéndose más volátil durante períodos de crisis financieras o eventos mundiales y menos volátil durante períodos de relativa calma y crecimiento económico constante. en una parcela de rendimientos, por ejemplo, los rendimientos de las acciones pueden parecer relativamente uniformes durante los años previos a una crisis financiera como la de 2007. En el período de tiempo posterior al inicio de una crisis, sin embargo, los rendimientos pueden oscilar enormemente de negativos a territorio positivo. Además, el aumento de la volatilidad puede predecir la volatilidad en el futuro. la volatilidad puede volver a niveles similares a los niveles anteriores a la crisis o ser más uniforme en el futuro. un modelo de regresión simple no tiene en cuenta esta variación en la volatilidad exhibida en los mercados financieros y no es representativa del “cisne negro”

Los procesos de garch difieren de los modelos homoskedastic, que asumen una volatilidad constante y se utilizan en análisis básicos de mínimos cuadrados ordinarios (ols). ols tiene como objetivo minimizar las desviaciones entre los puntos de datos y una línea de regresión para ajustarse a esos puntos. Con los rendimientos de los activos, la volatilidad parece variar durante ciertos períodos de tiempo y depende de la variación pasada, lo que hace que un modelo homoskedastic no sea óptimo.

Los procesos de garch, al ser autorregresivos, dependen de observaciones cuadradas pasadas y variaciones pasadas para modelar la varianza actual. Los procesos Garch se utilizan ampliamente en las finanzas debido a su eficacia en el modelado de los rendimientos de los activos y la inflación. garch tiene como objetivo minimizar los errores en el pronóstico al tener en cuenta los errores en el pronóstico anterior y, por lo tanto, mejorar la precisión de las predicciones en curso.