ऑटोरेग्रेसिव कंडिशनल हेटेरोसेडेसिटी (ARCH)

ऑटोरेस्प्रेसिव सशर्त हेटेरोसेडासिटी (ARCH) क्या है?

ऑटोरेग्रेसिव कंडीशनल हेटेरोसेडेसिटी (ARCH) एक सांख्यिकीय मॉडल है जिसका उपयोग भविष्य की अस्थिरता का अनुमान लगाने के लिए समय श्रृंखला में अस्थिरता का विश्लेषण करने के लिए किया जाता है । वित्तीय दुनिया में, ARCH मॉडलिंग का उपयोग अस्थिरता का एक मॉडल प्रदान करके जोखिम का अनुमान लगाने के लिए किया जाता है जो वास्तविक बाजारों से अधिक निकटता से मिलता है। एआरसीएच मॉडलिंग से पता चलता है कि उच्च अस्थिरता की अवधि अधिक उच्च अस्थिरता के बाद और कम अस्थिरता की अवधि अधिक निम्न अस्थिरता के बाद होती है।

व्यवहार में, इसका मतलब है कि अस्थिरता या विचरण क्लस्टर में बदल जाता है, जो अलग-अलग समय अवधि में संपत्ति रखने के जोखिम पर विचार करते समय निवेशकों के लिए उपयोगी होता है।ARCH अवधारणा को 1980 के दशक में अर्थशास्त्री रॉबर्ट एफ। एंगल द्वारा विकसित किया गया था।ARCH ने तुरंत वित्तीय मॉडलिंग में सुधार किया, जिसके परिणामस्वरूप Engle ने 2003 में आर्थिक विज्ञान में नोबेल मेमोरियल पुरस्कार जीता ।

चाबी छीन लेना

• ऑटोरेग्रेसिव कंडीशनल हेटेरोसेडासिटी (ARCH) मॉडल अस्थिरता को मापते हैं और भविष्य में इसका अनुमान लगाते हैं।
• ARCH मॉडल गतिशील हैं, जिसका अर्थ है कि वे डेटा में परिवर्तन का जवाब देते हैं।
• ARCH मॉडल का उपयोग वित्तीय संस्थानों द्वारा विभिन्न होल्डिंग पीरियड में परिसंपत्ति जोखिमों को मॉडल करने के लिए किया जाता है।
• कई अलग-अलग प्रकार के एआरसीएच मॉडल हैं जो एक ही डेटा सेट के विभिन्न विचारों को प्रदान करने के लिए भार को बदलते हैं।

आत्मकेंद्रित सशर्त हेटेरोसेडासिटी (ARCH) को समझना

ऑटोरेस्प्रेसिव सशर्त हेट्रोसेकेडसिटी (ARCH) मॉडल को सशर्त अस्थिरता के साथ निरंतर अस्थिरता की धारणाओं को प्रतिस्थापित करके अर्थमितीय मॉडल में सुधार करने के लिए डिज़ाइन किया गया था । एंगल और ARCH मॉडल पर काम करने वाले अन्य लोगों ने माना कि पिछले वित्तीय डेटा भविष्य के डेटा को प्रभावित करते हैं – यही ऑटोरिएरेटिव की परिभाषा है । एआरसीएच की सशर्त हेटेरोसेडासिटीिटी का हिस्सा केवल इस तथ्य को ध्यान में रखता है कि वित्तीय बाजारों में अस्थिरता गैर-वित्तीय है – चाहे शेयर बाजार मूल्य, तेल की कीमतें, विनिमय दरें, या जीडीपी, उच्च और निम्न अस्थिरता के दौर से गुजरें। अर्थशास्त्रियों ने हमेशा अस्थिरता परिवर्तनों की मात्रा को जाना है, लेकिन उन्होंने अक्सर इसे एक निश्चित अवधि के लिए स्थिर रखा क्योंकि उनके पास मॉडलिंग बाजारों के लिए बेहतर विकल्प नहीं था।

ARCH ने एक मॉडल प्रदान किया जिसे अर्थशास्त्री अस्थिरता के लिए एक स्थिर या औसत के बजाय उपयोग कर सकते हैं। ARCH मॉडल वित्तीय संकट या अन्य काले हंस घटनाओं की अवधि के दौरान बाजार में देखे जाने वाले अस्थिरता समूहों से परे भी पहचान और पूर्वानुमान लगा सकते हैं । उदाहरण के लिए, एस एंड पी 500 के लिए अस्थिरता 2003 से 2007 तक बुल मार्केट के दौरान विस्तारित अवधि के लिए असामान्य रूप से कम थी, 2008 के बाजार सुधार के दौरान रिकॉर्ड स्तर पर पहुंचने से पहले। यह असमान और चरम भिन्नता मानक-विचलन-आधारित मॉडल के लिए मुश्किल है। साथ सौदा करने के लिए। ARCH मॉडल, हालांकि, डेटा में इस प्रकार के पैटर्न से उत्पन्न होने वाली सांख्यिकीय समस्याओं के लिए सही करने में सक्षम हैं। इसके अलावा, ARCH मॉडल उच्च आवृत्ति डेटा (प्रति घंटा, दैनिक, मासिक, त्रैमासिक) के साथ सबसे अच्छा काम करते हैं, इसलिए वे वित्तीय डेटा के लिए आदर्श हैं। नतीजतन, एआरसीएच मॉडल वित्तीय बाजारों में मॉडलिंग के लिए मुख्य आधार बन गए हैं जो अस्थिरता का प्रदर्शन करते हैं (जो वास्तव में लंबे समय में सभी वित्तीय बाजार हैं)।

ARCH मॉडल का चल रहा विकास

2003 में एंगल के नोबेल व्याख्यान के अनुसार, उन्होंने मिल्टन फ्रीडमैन के अनुमान के जवाब में ARCH विकसित किया कि यह अनिश्चितता थी कि मुद्रास्फीति की दर मुद्रास्फीति की वास्तविक दर के बजाय क्या होगी जो अर्थव्यवस्था को नकारात्मक रूप से प्रभावित करती है।  एक बार मॉडल बनाने के बाद, यह सभी तरह की अस्थिरता का पूर्वानुमान लगाने के लिए अमूल्य साबित हुआ। ARCH ने कई संबंधित मॉडलों को जन्म दिया है जो अनुसंधान और वित्त में भी व्यापक रूप से उपयोग किए जाते हैं, जिसमें GARCH, EGARCH, STARCH और अन्य शामिल हैं।

ये वेरिएंट मॉडल अधिक सटीक पूर्वानुमान श्रेणियों को प्राप्त करने के लिए अक्सर भार और सशर्तता के संदर्भ में परिवर्तन प्रस्तुत करते हैं। उदाहरण के लिए, EGARCH, या घातीय GARCH, डेटा श्रृंखला में नकारात्मक रिटर्न के लिए अधिक भार देता है क्योंकि ये अधिक अस्थिरता पैदा करने के लिए दिखाए गए हैं। एक और तरीका रखो, एक मूल्य चार्ट में अस्थिरता एक बड़ी वृद्धि के बाद एक बड़ी गिरावट के बाद अधिक बढ़ जाती है। अधिकांश ARCH मॉडल वेरिएंट अधिकतम संभावना दृष्टिकोण का उपयोग करके भार को समायोजित करने के लिए पिछले डेटा का विश्लेषण करते हैं । यह एक गतिशील मॉडल में परिणाम देता है जो बढ़ती सटीकता के साथ निकट-भविष्य और भविष्य की अस्थिरता का पूर्वानुमान लगा सकता है – जो निश्चित रूप से, इतने सारे वित्तीय संस्थान उनका उपयोग क्यों करते हैं।