¿Qué es el proceso GARCH? Cómo se utiliza en diferentes formas.

¿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.

Existen varias formas de modelado GARCH. Los profesionales financieros suelen preferir el proceso GARCH porque proporciona más contexto del mundo real que otros modelos cuando intentan predecir precios y tasas de instrumentos financieros.

Comprender el proceso GARCH

La heterocedasticidad describe el patrón irregular de cambio en un término o variable de error en un modelo estadístico. Esencialmente, donde existe heterocedasticidad, las observaciones no siguen un patrón lineal. Más bien, tienden a agruparse.

Como resultado, las conclusiones y el valor predictivo del modelo no serán confiables. GARCH es un modelo estadístico que se puede utilizar para analizar varios tipos diferentes de datos financieros, como datos macroeconómicos. Las instituciones financieras suelen utilizar este modelo para estimar la volatilidad de los rendimientos de acciones, bonos e índices de mercado. Utilizan la información resultante para fijar precios, determinar qué activos tienen el potencial de generar mayores rendimientos y predecir los rendimientos de las inversiones actuales para ayudarles con las decisiones de asignación de activos, cobertura, gestión de riesgos y optimización de carteras.

El proceso general del modelo GARCH consta de tres etapas. En primer lugar, es necesario estimar el modelo autorregresivo más apropiado. El segundo es calcular el error de autocorrelación. El tercer paso es probar la significancia.

Otros dos enfoques ampliamente utilizados para estimar y pronosticar la volatilidad financiera son el método clásico de volatilidad histórica (VolSD) y el método de volatilidad de promedio móvil ponderado exponencialmente (VolEWMA).

Modelos GARCH óptimos para la recuperación 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 (OLS). OLS tiene como objetivo minimizar las desviaciones entre los puntos de datos y la línea de regresión correspondiente a esos puntos. En términos de rendimiento de los activos, la volatilidad parece variar a lo largo de ciertos períodos y depende de desviaciones pasadas, lo que hace que el modelo homocedástico sea subóptimo.

Los procesos GARCH, debido a que son autorregresivos, dependen de observaciones cuadráticas pasadas y de varianzas pasadas para modelar las varianzas actuales. Los procesos GARCH se utilizan ampliamente en finanzas debido a su eficacia para modelar la rentabilidad de los activos y la inflación. GARCH se esfuerza por minimizar los errores de pronóstico teniendo en cuenta errores de pronóstico anteriores y mejorando la precisión de los pronósticos actuales.

Ejemplo de 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 sostenido. Por ejemplo, en un gráfico de rendimiento, los rendimientos de las acciones pueden parecer relativamente similares en los años previos a una crisis financiera como la de 2007.

Sin embargo, después de la crisis, los rendimientos pueden fluctuar enormemente desde territorio negativo a positivo. Además, una mayor volatilidad puede predecir la volatilidad futura. La volatilidad podría entonces volver a niveles parecidos a los previos a la crisis o volverse más uniforme en el futuro. Un modelo de regresión simple no tiene en cuenta estos cambios en la volatilidad observados en los mercados financieros. Esto no es típico de los eventos del cisne negro, que ocurren con más frecuencia de lo previsto.