Heteroscedasticidad condicional autorregresiva (ARCH)
¿Qué es la heterocedasticidad condicional autorregresiva (ARCH)?
La heterocedasticidad condicional autorregresiva (ARCH) es un modelo estadístico que se utiliza para analizar la volatilidad en series de tiempo con el fin de pronosticar la volatilidad futura. En el mundo financiero, el modelo ARCH se utiliza para estimar el riesgo al proporcionar un modelo de volatilidad que se asemeja más a los mercados reales. El modelo ARCH muestra que los períodos de alta volatilidad son seguidos por una volatilidad más alta y los períodos de baja volatilidad son seguidos por una volatilidad más baja.
En la práctica, esto significa que la volatilidad o la varianza tienden a agruparse, lo que es útil para los inversores cuando se considera el riesgo de mantener un activo durante diferentes períodos de tiempo. El concepto ARCH fue desarrollado por el economista Robert F. Engle en la década de 1980. ARCH inmediatamente mejoró el modelo financiero, lo que resultó en que Engle ganara el Premio Nobel de Ciencias Económicas en 2003.
Conclusiones clave
- Los modelos de heterocedasticidad condicional autorregresiva (ARCH) miden la volatilidad y la pronostican en el futuro.
- Los modelos ARCH son dinámicos, lo que significa que responden a cambios en los datos.
- Las instituciones financieras utilizan los modelos ARCH para modelar los riesgos de los activos en diferentes períodos de tenencia.
- Hay muchos tipos diferentes de modelos ARCH que alteran las ponderaciones para proporcionar diferentes vistas del mismo conjunto de datos.
Comprensión de la heterocedasticidad condicional autorregresiva (ARCH)
El modelo de heterocedasticidad condicional autorregresiva (ARCH) fue diseñado para mejorar los modelos econométricos al reemplazar los supuestos de volatilidad constante por volatilidad condicional. Engle y otros que trabajan en modelos ARCH reconocieron que los datos financieros pasados influyen en los datos futuros, esa es la definición de autorregresivo. La porción de heterocedasticidad condicional de ARCH simplemente se refiere al hecho observable de que la volatilidad en los mercados financieros no es constante: todos los datos financieros, ya sean valores bursátiles, precios del petróleo, tipos de cambio o PIB, pasan por períodos de alta y baja volatilidad. Los economistas siempre han sabido la cantidad de cambios de volatilidad, pero a menudo la mantuvieron constante durante un período determinado porque carecían de una mejor opción al modelar los mercados.
ARCH proporcionó un modelo que los economistas podrían usar en lugar de una constante o promedio para la volatilidad. Los modelos ARCH también podrían reconocer y pronosticar más allá de los grupos de volatilidad que se ven en el mercado durante períodos de crisis financiera u otros eventos de cisne negro. Por ejemplo, la volatilidad del S&P 500 fue inusualmente baja durante un período prolongado durante el mercado alcista de 2003 a 2007, antes de alcanzar niveles récord durante la corrección del mercado de 2008. Esta variación desigual y extrema es difícil para los modelos basados en la desviación estándar. lidiar con. Los modelos ARCH, sin embargo, pueden corregir los problemas estadísticos que surgen de este tipo de patrón en los datos. Además, los modelos ARCH funcionan mejor con datos de alta frecuencia (por hora, diario, mensual, trimestral), por lo que son ideales para datos financieros. Como resultado, los modelos ARCH se han convertido en pilares para modelar mercados financieros que exhiben volatilidad (que en realidad son todos los mercados financieros a largo plazo).
La evolución continua de los modelos ARCH
Según la conferencia del Nobel de Engle en 2003, desarrolló ARCH en respuesta a la conjetura de Milton Friedman de que era la incertidumbre sobre cuál sería la tasa de inflación en lugar de la tasa real de inflación lo que impacta negativamente en una economía. Una vez que se construyó el modelo, resultó ser invaluable para pronosticar todo tipo de volatilidad. ARCH ha generado muchos modelos relacionados que también se utilizan ampliamente en investigación y finanzas, incluidos GARCH, EGARCH, STARCH y otros.
Estos modelos variantes a menudo introducen cambios en términos de ponderación y condicionalidad para lograr rangos de pronóstico más precisos. Por ejemplo, EGARCH, o GARCH exponencial, otorga una mayor ponderación a los rendimientos negativos en una serie de datos, ya que se ha demostrado que crean más volatilidad. Dicho de otra manera, la volatilidad en un gráfico de precios aumenta más después de una gran caída que después de una gran subida. La mayoría de las variantes del modelo ARCH analizan datos anteriores para ajustar las ponderaciones utilizando un enfoque de máxima verosimilitud. Esto da como resultado un modelo dinámico que puede pronosticar la volatilidad futura y a corto plazo con mayor precisión, que es, por supuesto, la razón por la que tantas instituciones financieras los utilizan.