Processo GARCH

Cos’è il processo GARCH?

Il processo di eteroschedasticità condizionale autoregressiva generalizzata (GARCH) è un termine econometrico sviluppato nel 1982 da Robert F. Engle, un economista e vincitore nel 2003 del Nobel Memorial Prize for Economics. GARCH descrive un approccio per stimare la volatilità nei mercati finanziari.

Esistono diverse forme di modellazione GARCH. I professionisti finanziari spesso preferiscono il processo GARCH perché fornisce un contesto più reale rispetto ad altri modelli quando cercano di prevedere i prezzi e le tariffe degli strumenti finanziari.

Considerazioni chiave:

• Il processo di eteroschedasticità condizionale autoregressiva generalizzata (GARCH) è un approccio per stimare la volatilità dei mercati finanziari.
• Le istituzioni finanziarie utilizzano il modello per stimare la volatilità del rendimento di azioni, obbligazioni e altri veicoli di investimento.
• Il processo GARCH fornisce un contesto più reale rispetto ad altri modelli nella previsione dei prezzi e dei tassi degli strumenti finanziari.

Capire il processo GARCH

L’eteroschedasticità descrive il modello irregolare di variazione di un termine di errore, o variabile, in un modello statistico. Essenzialmente, dove c’è eteroschedasticità, le osservazioni non si conformano a uno schema lineare. Invece, tendono a raggrupparsi.

Il risultato è che le conclusioni e il valore predittivo tratti dal modello non saranno affidabili. GARCH è un modello statistico che può essere utilizzato per analizzare una serie di diversi tipi di dati finanziari, ad esempio i dati macroeconomici. Le istituzioni finanziarie in genere utilizzano questo modello per stimare la volatilità dei rendimenti di azioni, obbligazioni e indici di mercato. Utilizzano le informazioni risultanti per determinare i prezzi, giudicare quali asset forniranno potenzialmente rendimenti più elevati e prevedere i rendimenti degli investimenti correnti per aiutare nelle decisioni di allocazione degli asset, copertura, gestione del rischio e ottimizzazione del portafoglio.

Il processo generale per un modello GARCH prevede tre passaggi. Il primo è stimare un modello autoregressivo più adatto. Il secondo è calcolare le autocorrelazioni del termine di errore. Il terzo passo è verificare la significatività.

Altri due approcci ampiamente utilizzati per stimare e prevedere la volatilità finanziaria sono il metodo della volatilità storica classica (VolSD) e il metodo della volatilità della media mobile ponderata esponenzialmente (VolEWMA).

Modelli GARCH ideali per i rendimenti degli asset

I processi GARCH differiscono dai modelli omoschedastici, che assumono una volatilità costante e vengono utilizzati nell’analisi dei minimi quadrati ordinari di base (OLS). OLS mira a ridurre al minimo le deviazioni tra i punti dati e una linea di regressione per adattarsi a quei punti. Con i rendimenti degli asset, la volatilità sembra variare durante determinati periodi e dipendere dalla varianza passata, rendendo un modello omoschedastico non ottimale.

I processi GARCH, poiché sono autoregressivi, dipendono dalle osservazioni al quadrato passate e dalle varianze passate per modellare la varianza corrente. I processi GARCH sono ampiamente utilizzati nella finanza grazie alla loro efficacia nel modellare i rendimenti degli asset e l’inflazione. GARCH mira a ridurre al minimo gli errori nelle previsioni tenendo conto degli errori nelle previsioni precedenti e migliorando l’accuratezza delle previsioni in corso.

Esempio del processo GARCH

I modelli GARCH descrivono i mercati finanziari in cui la volatilità può cambiare, diventando più volatile durante i periodi di crisi finanziarie o eventi mondiali e meno volatile durante i periodi di relativa calma e crescita economica costante. Su un grafico dei rendimenti, ad esempio, i rendimenti delle azioni possono sembrare relativamente uniformi per gli anni che hanno portato a una crisi finanziaria come quella del 2007.

Nel periodo successivo all’inizio di una crisi, tuttavia, i rendimenti potrebbero oscillare selvaggiamente da territorio negativo a territorio positivo. Inoltre, la maggiore volatilità può essere predittiva della volatilità futura. La volatilità potrebbe quindi tornare a livelli simili a quelli pre-crisi o essere più uniforme in futuro. Un semplice modello di regressione non tiene conto di questa variazione della volatilità manifestata nei mercati finanziari. Non è rappresentativo degli eventi del ” cigno nero ” che si verificano più spesso di quanto previsto.