GARCH ప్రాసెస్ అంటే ఏమిటి
జనరలైజ్డ్ ఆటోరెగ్రెసివ్ షరతులతో కూడిన హెటెరోస్కెడాస్టిసిటీ (GARCH) ప్రక్రియ ఆర్థిక మార్కెట్లలో అస్థిరతను అంచనా వేయడానికి ఒక విధానాన్ని వివరించడానికి 1982 లో ఆర్థికవేత్త మరియు 2003 ఆర్థిక శాస్త్రానికి నోబెల్ మెమోరియల్ ప్రైజ్ విజేత రాబర్ట్ ఎఫ్. ఎంగిల్ అభివృద్ధి చేసిన ఎకోనొమెట్రిక్ పదం. GARCH మోడలింగ్ యొక్క అనేక రూపాలు ఉన్నాయి. GARCH ప్రక్రియను తరచుగా ఫైనాన్షియల్ మోడలింగ్ నిపుణులు ఇష్టపడతారు, ఎందుకంటే ఇది ఆర్థిక సాధనాల ధరలు మరియు రేట్లను అంచనా వేయడానికి ప్రయత్నిస్తున్నప్పుడు ఇతర రూపాల కంటే వాస్తవ-ప్రపంచ సందర్భాన్ని అందిస్తుంది.
BREAKING డౌన్ గార్చ్ ప్రాసెస్
గణాంక నమూనాలో లోపం పదం లేదా వేరియబుల్ యొక్క వైవిధ్యం యొక్క క్రమరహిత నమూనాను హెటెరోస్కెడాస్టిసిటీ వివరిస్తుంది. ముఖ్యంగా, భిన్నత్వం ఉన్నచోట, పరిశీలనలు సరళ నమూనాకు అనుగుణంగా ఉండవు. బదులుగా, వారు క్లస్టర్‌కు మొగ్గు చూపుతారు. ఫలితం ఏమిటంటే, మోడల్ నుండి ఒకరు తీసుకోగల తీర్మానాలు మరియు value హాజనిత విలువ నమ్మదగినవి కావు. GARCH అనేది ఒక గణాంక నమూనా, ఇది అనేక రకాలైన ఆర్థిక డేటాను విశ్లేషించడానికి ఉపయోగపడుతుంది, ఉదాహరణకు, స్థూల ఆర్థిక డేటా. స్టాక్స్, బాండ్స్ మరియు మార్కెట్ సూచికల రాబడి యొక్క అస్థిరతను అంచనా వేయడానికి ఆర్థిక సంస్థలు సాధారణంగా ఈ నమూనాను ఉపయోగిస్తాయి. వారు ధరను నిర్ణయించడంలో సహాయపడటానికి మరియు ఏ ఆస్తులు అధిక రాబడిని ఇస్తాయో నిర్ధారించడంలో సహాయపడటానికి, అలాగే వారి ఆస్తుల కేటాయింపు, హెడ్జింగ్, రిస్క్ మేనేజ్‌మెంట్ మరియు పోర్ట్‌ఫోలియో ఆప్టిమైజేషన్ నిర్ణయాలలో సహాయపడటానికి ప్రస్తుత పెట్టుబడుల రాబడిని అంచనా వేయడానికి సహాయపడతాయి.
GARCH మోడల్ యొక్క సాధారణ ప్రక్రియ మూడు దశలను కలిగి ఉంటుంది. మొదటిది ఉత్తమంగా సరిపోయే ఆటోరెగ్రెసివ్ మోడల్‌ను అంచనా వేయడం. రెండవది లోపం పదం యొక్క స్వయంసిద్ధీకరణలను లెక్కించడం. మూడవ దశ ప్రాముఖ్యత కోసం పరీక్షించడం. ఆర్థిక అస్థిరతను అంచనా వేయడానికి మరియు అంచనా వేయడానికి విస్తృతంగా ఉపయోగించే మరో రెండు విధానాలు క్లాసిక్ హిస్టారికల్ అస్థిరత (వోల్స్‌డి) పద్ధతి మరియు ఘాటుగా బరువున్న కదిలే సగటు అస్థిరత (వోల్‌డ్యూఎంఎ) పద్ధతి.
GARCH ప్రాసెస్ యొక్క ఉదాహరణ
GARCH నమూనాలు ఆర్థిక మార్కెట్లను వివరించడానికి సహాయపడతాయి, దీనిలో అస్థిరత మారవచ్చు, ఆర్థిక సంక్షోభాలు లేదా ప్రపంచ సంఘటనల కాలంలో మరింత అస్థిరత మరియు సాపేక్ష ప్రశాంతత మరియు స్థిరమైన ఆర్థిక వృద్ధి కాలంలో తక్కువ అస్థిరత ఏర్పడుతుంది. ఉదాహరణకు, రిటర్న్స్ ప్లాట్‌లో, 2007 లో ఉన్న ఆర్థిక సంక్షోభానికి దారితీసిన సంవత్సరాలకు స్టాక్ రిటర్న్స్ సాపేక్షంగా ఏకరీతిగా కనిపిస్తాయి. సంక్షోభం ప్రారంభమైన తరువాత కాలంలో, రాబడి ప్రతికూలంగా నుండి విపరీతంగా మారవచ్చు సానుకూల భూభాగానికి. అంతేకాక, పెరిగిన అస్థిరత ముందుకు వెళ్ళే అస్థిరతను అంచనా వేస్తుంది. అస్థిరత అప్పుడు సంక్షోభానికి పూర్వం ఉన్న స్థాయిలను పోలి ఉంటుంది లేదా మరింత ఏకరీతిగా ముందుకు సాగవచ్చు. ఒక సాధారణ రిగ్రెషన్ మోడల్ ఆర్థిక మార్కెట్లలో ప్రదర్శించబడే అస్థిరతలో ఈ వైవిధ్యానికి కారణం కాదు మరియు ఒకటి కంటే ఎక్కువ జరిగే "బ్లాక్ హంస" సంఘటనలకు ప్రతినిధి కాదు.
GARCH మోడల్స్ ఆస్తి రిటర్న్స్‌కు ఉత్తమమైనవి
GARCH ప్రక్రియలు హోమోస్కెడాస్టిక్ నమూనాల నుండి భిన్నంగా ఉంటాయి, ఇవి స్థిరమైన అస్థిరతను ume హిస్తాయి మరియు ప్రాథమిక సాధారణ కనీస చతురస్రాల (OLS) విశ్లేషణలో ఉపయోగించబడతాయి. డేటా పాయింట్లు మరియు రిగ్రెషన్ లైన్ మధ్య వ్యత్యాసాలను ఆ పాయింట్లకు సరిపోయేలా తగ్గించడం OLS లక్ష్యం. ఆస్తి రాబడితో, అస్థిరత కొన్ని కాల వ్యవధిలో మారుతూ ఉంటుంది మరియు గత వ్యత్యాసంపై ఆధారపడి ఉంటుంది, ఇది హోమోస్కెడాస్టిక్ మోడల్ సరైనది కాదు.
GARCH ప్రక్రియలు, స్వయంప్రతిపత్తి కలిగి ఉండటం, ప్రస్తుత వ్యత్యాసానికి నమూనాగా గత స్క్వేర్డ్ పరిశీలనలు మరియు గత వ్యత్యాసాలపై ఆధారపడి ఉంటాయి. మోడలింగ్ ఆస్తి రాబడి మరియు ద్రవ్యోల్బణంలో వాటి ప్రభావం కారణంగా GARCH ప్రక్రియలు ఫైనాన్స్‌లో విస్తృతంగా ఉపయోగించబడుతున్నాయి. ముందస్తు అంచనాలో లోపాలను లెక్కించడం ద్వారా అంచనా వేయడంలో లోపాలను తగ్గించడం మరియు తద్వారా, కొనసాగుతున్న అంచనాల యొక్క ఖచ్చితత్వాన్ని పెంచడం GARCH లక్ష్యం.
