Модель GARCH

Модель GARCH (Generalized Autoregressive Conditional Heteroskedasticity, обобщённая авторегрессионная условная гетероскедастичность) — это статистическая модель, используемая для анализа и прогнозирования волатильности временных рядов, в первую очередь финансовых (цены акций, курсы валют, доходность активов). Она позволяет моделировать изменение дисперсии ошибок прогноза во времени, учитывая кластеризацию волатильности — периоды, когда большие колебания следуют за большими, а малые — за малыми. Модель была предложена в 1986 году экономистом Тимом Боллерслевом как обобщение модели ARCH, разработанной Робертом Энглом в 1982 году.

История и предпосылки возникновения

До появления моделей ARCH и GARCH в эконометрике и анализе временных рядов господствовало предположение о гомоскедастичности — постоянстве дисперсии ошибок во времени. Однако на практике, особенно в финансовых данных, наблюдалась гетероскедастичность: дисперсия могла резко возрастать в периоды кризисов и снижаться в спокойные времена, причём эти изменения часто имели кластерную структуру.

В 1982 году Роберт Энгл (США) разработал модель ARCH (Autoregressive Conditional Heteroskedasticity, авторегрессионная условная гетероскедастичность). В ней текущая условная дисперсия моделируется как линейная функция от квадратов прошлых ошибок (шоков). Однако для адекватного описания долгосрочной памяти волатильности модель ARCH требовала большого числа лагов, что делало её громоздкой и неэффективной.

В 1986 году Тим Боллерслев (Дания) предложил обобщение — модель GARCH. В ней условная дисперсия зависит не только от квадратов прошлых ошибок, но и от собственных прошлых значений (лаггов дисперсии). Это позволило значительно сократить количество оцениваемых параметров и улучшить качество описания волатильности. Модель GARCH(1,1) с одним лагом ошибки и одним лагом дисперсии стала наиболее популярной и широко используемой спецификацией. За разработку модели ARCH Роберт Энгл получил Нобелевскую премию по экономике в 2003 году.

Математическая формулировка

Модель GARCH(p, q) описывает поведение временного ряда, обычно доходности актива \( r_t \), который может быть представлен как:

\( r_t = \mu + \varepsilon_t \)

где \( \mu \) — условное среднее (часто константа или ARMA-процесс), а \( \varepsilon_t \) — остаток (шок), который моделируется как:

\( \varepsilon_t = \sigma_t \cdot z_t \)

Здесь \( z_t \) — независимая и одинаково распределённая случайная величина с нулевым средним и единичной дисперсией (часто нормальное или t-распределение Стьюдента). \( \sigma_t^2 \) — условная дисперсия, которая описывается уравнением:

\( \sigma_t^2 = \omega + \sum_{i=1}^{q} \alpha_i \varepsilon_{t-i}^2 + \sum_{j=1}^{p} \beta_j \sigma_{t-j}^2 \)

где:

• \( \omega > 0 \) — константа (базовый уровень волатильности);
• \( \alpha_i \geq 0 \) — параметры, отражающие влияние прошлых шоков (квадратов ошибок) на текущую дисперсию (реакция на новости);
• \( \beta_j \geq 0 \) — параметры, отражающие влияние прошлых значений условной дисперсии (персистентность волатильности);
• \( p \) — порядок GARCH-членов (количество лагов дисперсии);
• \( q \) — порядок ARCH-членов (количество лагов квадратов ошибок).

Для стационарности процесса (конечности безусловной дисперсии) необходимо выполнение условия: \( \sum_{i=1}^{q} \alpha_i + \sum_{j=1}^{p} \beta_j < 1 \).

Частные случаи и модификации

• GARCH(1,1): \( \sigma_t^2 = \omega + \alpha \varepsilon_{t-1}^2 + \beta \sigma_{t-1}^2 \). Наиболее распространённая версия, где \( \alpha + \beta \) близко к 1 (высокая персистентность).
• IGARCH (Integrated GARCH): когда \( \alpha + \beta = 1 \), процесс становится интегрированным, что означает, что шоки оказывают постоянное влияние на волатильность. Используется для моделирования долговременной памяти.
• EGARCH (Exponential GARCH): предложен Дэниелом Нельсоном в 1991 году. Моделирует логарифм дисперсии, что позволяет учитывать асимметрию — разную реакцию волатильности на положительные и отрицательные шоки (эффект рычага).
• GJR-GARCH (Glosten-Jagannathan-Runkle GARCH): также учитывает асимметрию, вводя дополнительный член для отрицательных шоков.
• GARCH-M (GARCH-in-Mean): условная дисперсия включается в уравнение условного среднего, что позволяет моделировать связь между риском и доходностью.
• APARCH (Asymmetric Power ARCH): обобщает несколько моделей, позволяя дисперсии зависеть от степени абсолютных значений ошибок.

Оценка параметров

Параметры модели GARCH оцениваются методом максимального правдоподобия (MLE). Предполагается, что инновации \( z_t \) имеют определённое распределение — чаще всего нормальное или t-распределение Стьюдента (для учёта «тяжёлых хвостов»). Процедура оценки включает:

1. Выбор порядка модели (p, q) на основе информационных критериев (AIC, BIC) или автокорреляционных функций квадратов остатков.
2. Оценка условного среднего (например, ARMA-модели).
3. Максимизация логарифмической функции правдоподобия для остатков.
4. Проверка адекватности модели (тесты на отсутствие автокорреляции в квадратах стандартизированных остатков, например, тест Льюнга-Бокса).

Применение

Модель GARCH и её модификации нашли широкое применение в различных областях, преимущественно связанных с финансами и экономикой.

Финансовые рынки

• Управление рисками: оценка Value-at-Risk (VaR) и Expected Shortfall (ES) для портфелей активов. GARCH позволяет прогнозировать волатильность на следующий период, что критически важно для расчёта капитала под риском.
• Опционное ценообразование: модели волатильности используются для оценки опционов, особенно в моделях, где волатильность не является постоянной (например, в модели Блэка-Шоулза с подстановкой прогнозной волатильности).
• Хеджирование: оценка оптимального коэффициента хеджирования с учётом меняющейся волатильности.
• Торговые стратегии: некоторые алгоритмические стратегии используют прогнозы волатильности для определения точек входа и выхода (например, стратегии на основе волатильности и регрессии к среднему).
• Анализ взаимосвязей: многомерные версии GARCH (DCC-GARCH, BEKK-GARCH) позволяют моделировать динамику корреляций между несколькими активами, что важно для диверсификации портфеля.

Макроэкономика

• Прогнозирование инфляции: моделирование условной дисперсии инфляционных рядов для оценки неопределённости.
• Анализ валютных курсов: моделирование волатильности обменных курсов для оценки рисков международной торговли.
• Моделирование процентных ставок: оценка волатильности краткосрочных и долгосрочных ставок.

Энергетика и товарные рынки

• Прогнозирование цен на нефть, газ, электроэнергию: волатильность на этих рынках часто имеет кластерную структуру, что делает GARCH эффективным инструментом.
• Управление рисками в энергетических компаниях.

Примеры

• Кризис 2008 года: модели GARCH, оценённые на докризисных данных, показывали резкий скачок условной дисперсии в 2008 году, что позволило бы количественно оценить рост рыночного риска.
• Волатильность рубля: в периоды резких изменений курса рубля (2014-2015, 2022) модели GARCH фиксируют кластеризацию волатильности, где большие дневные изменения следуют за большими.
• Рынок акций: модель GARCH(1,1) часто используется для прогнозирования волатильности индекса S&P 500 или индекса Мосбиржи, причём параметр \( \beta \) обычно оказывается близким к 0.9, что указывает на высокую персистентность.

Критика и ограничения

• Линейность: базовая модель GARCH предполагает линейную зависимость дисперсии от прошлых значений, что может не соответствовать нелинейным эффектам в реальных данных.
• Симметричность: стандартная GARCH одинаково реагирует на положительные и отрицательные шоки, хотя на финансовых рынках часто наблюдается асимметрия (отрицательные шоки увеличивают волатильность сильнее). Для учёта этого требуются модификации (EGARCH, GJR-GARCH).
• Тяжёлые хвосты: предположение о нормальном распределении инноваций часто не выполняется, что приводит к занижению оценки риска. Использование t-распределения или распределения Стьюдента частично решает проблему.
• Персистентность: в некоторых рядах сумма \( \alpha + \beta \) оказывается близкой к 1, что указывает на интегрированность процесса (IGARCH). Это может приводить к нестабильности прогнозов на длинных горизонтах.
• Сложность выбора порядка: определение оптимальных p и q может быть нетривиальной задачей, особенно при наличии структурных сдвигов.
• Неспособность моделировать внезапные скачки: GARCH предполагает плавное изменение волатильности, но не описывает внезапные единичные скачки (jumps), которые часто встречаются в финансовых данных.

Интересные факты

• Разработка модели GARCH считается одним из важнейших достижений эконометрики XX века, а её создатель Тим Боллерслев в 2020 году получил премию по экономике памяти Альфреда Нобеля (совместно с Робертом Энглом).
• Модель GARCH(1,1) настолько популярна, что часто используется как «базовая линия» для сравнения более сложных моделей волатильности.
• Существуют сотни модификаций и расширений модели GARCH, включая многомерные, нелинейные, полупараметрические и непараметрические версии.
• Модели GARCH активно применяются в центральных банках (включая Банк России) для оценки финансовой стабильности и прогнозирования рисков.

Источники

• Bollerslev, T. (1986). Generalized Autoregressive Conditional Heteroskedasticity. Journal of Econometrics, 31(3), 307-327.
• Engle, R. F. (1982). Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation. Econometrica, 50(4), 987-1007.
• Nelson, D. B. (1991). Conditional Heteroskedasticity in Asset Returns: A New Approach. Econometrica, 59(2), 347-370.
• Glosten, L. R., Jagannathan, R., & Runkle, D. E. (1993). On the Relation between the Expected Value and the Volatility of the Nominal Excess Return on Stocks. The Journal of Finance, 48(5), 1779-1801.
• Tsay, R. S. (2010). Analysis of Financial Time Series (3rd ed.). Wiley.
• Hamilton, J. D. (1994). Time Series Analysis. Princeton University Press.