Proceso GARCH

¿Qué es el proceso GARCH?

El proceso de heterocedasticidad condicional autorregresiva generalizada (GARCH) es un término econométrico desarrollado en 1982 por Robert F. Engle, economista y ganador del Premio Nobel de Economía en 2003. GARCH describe un enfoque para estimar la volatilidad en los mercados financieros.

Hay varias formas de modelado GARCH. Los profesionales financieros a menudo prefieren el proceso GARCH porque proporciona un contexto más real que otros modelos cuando intentan predecir los precios y las tasas de los instrumentos financieros.

Comprensión del proceso GARCH

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 extraídos del modelo no serán fiables. GARCH es un modelo estadístico que se puede utilizar 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 las acciones, los bonos y los índices de mercado. Utilizan la información resultante para determinar los precios, juzgar qué activos potencialmente proporcionarán mayores rendimientos y pronosticar los rendimientos de las inversiones actuales para ayudar en la asignación de activos, la cobertura, la gestión de riesgos y las decisiones de optimización de la cartera.

El proceso general de un modelo GARCH consta de tres pasos. La primera es estimar el 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 promedio móvil ponderado exponencialmente (VolEWMA).

Los modelos GARCH son los mejores para la devolución de activos

Los procesos GARCH difieren de los modelos homocedásticos, que suponen una volatilidad constante y se utilizan en el análisis básico de mínimos cuadrados ordinarios (MCO). OLS tiene como objetivo minimizar las desviaciones entre los puntos de datos y una línea de regresión para ajustar esos puntos. Con los rendimientos de los activos, la volatilidad parece variar durante ciertos períodos y depende de la variación pasada, lo que hace que un modelo homocedástico sea subóptimo.

Los procesos GARCH, debido a que son autorregresivos, dependen de observaciones cuadradas pasadas y varianzas pasadas para modelar la varianza actual. Los procesos GARCH se utilizan ampliamente en las finanzas debido a su eficacia para modelar los rendimientos de los activos y la inflación. GARCH tiene como objetivo minimizar los errores en la previsión contabilizando los errores en la previsión anterior y mejorando la precisión de las predicciones en curso.

Ejemplo del proceso GARCH

Los modelos GARCH describen mercados financieros en los que la volatilidad puede cambiar, volviéndose más volátiles durante períodos de crisis financieras o eventos mundiales y menos volátiles durante períodos de relativa calma y crecimiento económico constante. En un gráfico 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.

Sin embargo, en el período posterior al inicio de una crisis, los rendimientos pueden oscilar violentamente de un territorio negativo a uno positivo. Además, la mayor volatilidad puede predecir la volatilidad en el futuro. La volatilidad puede volver a niveles similares a los de antes de 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. No es representativo de los eventos del » cisne negro » que ocurren con más frecuencia de lo previsto.