¿Qué es el 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, para describir un enfoque para estimar la volatilidad en los mercados financieros. Hay varias formas de modelado GARCH. El proceso GARCH a menudo es preferido por los profesionales de modelos financieros porque proporciona un contexto más real que otras formas cuando se trata de predecir los precios y las tasas de los instrumentos financieros.
Rompiendo el 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 que uno puede extraer del modelo no serán confiables. 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 usar este modelo 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.
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 la volatilidad de la media móvil ponderada exponencialmente (VolEWMA).
Ejemplo de proceso GARCH
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 retornos, 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 de tiempo posterior al inicio de una crisis, los retornos pueden variar enormemente de lo negativo 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 de los eventos del "cisne negro" que ocurren más de lo que uno podría predecir.
Modelos GARCH mejores para devoluciones de activos
Los procesos GARCH difieren de los modelos homoskedastic, que asumen una volatilidad constante y se utilizan en análisis básicos de mínimos cuadrados ordinarios (MCO). 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 GARCH, que son 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 efectividad 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.
