गार्च प्रक्रिया

गार्च प्रक्रिया क्या है?

सामान्यीकृत निरंकुश सशर्त हेट्रोसेकेडसिटी (GARCH) प्रक्रिया 1982 में एक अर्थशास्त्री शब्द है जिसे अर्थशास्त्र के लिए नोबेल मेमोरियल पुरस्कार के एक अर्थशास्त्री और 2003 के विजेता रॉबर्ट एफ एंगल द्वारा विकसित किया गया है। GARCH वित्तीय बाजारों में अस्थिरता का अनुमान लगाने के लिए एक दृष्टिकोण का वर्णन करता है।

गार्च मॉडलिंग के कई रूप हैं। वित्तीय पेशेवर अक्सर GARCH प्रक्रिया को पसंद करते हैं क्योंकि यह वित्तीय साधनों की कीमतों और दरों की भविष्यवाणी करने की कोशिश करते समय अन्य मॉडलों की तुलना में अधिक वास्तविक दुनिया का संदर्भ प्रदान करता है।

चाबी छीन लेना:

• सामान्यीकृत निरंकुश सशर्त हेटरोसेकेडसिटी (GARCH) प्रक्रिया वित्तीय बाजारों की अस्थिरता का अनुमान लगाने के लिए एक दृष्टिकोण है।
• वित्तीय संस्थान मॉडल का उपयोग स्टॉक, बॉन्ड और अन्य निवेश वाहनों की वापसी की अस्थिरता का अनुमान लगाने के लिए करते हैं।
• वित्तीय उपकरणों की कीमतों और दरों की भविष्यवाणी करते समय GARCH प्रक्रिया अन्य मॉडलों की तुलना में अधिक वास्तविक दुनिया का संदर्भ प्रदान करती है।

गार्च प्रक्रिया को समझना

Heteroskedasticity एक सांख्यिकीय मॉडल में एक त्रुटि शब्द, या चर की भिन्नता के अनियमित पैटर्न का वर्णन करता है। अनिवार्य रूप से, जहां विषमलैंगिकता होती है, अवलोकन रेखीय पैटर्न के अनुरूप नहीं होते हैं । इसके बजाय, वे क्लस्टर करते हैं।

नतीजा यह है कि मॉडल से निकाले गए निष्कर्ष और भविष्य कहनेवाला मूल्य विश्वसनीय नहीं होंगे। GARCH एक सांख्यिकीय मॉडल है जिसका उपयोग विभिन्न प्रकार के वित्तीय डेटा के विश्लेषण के लिए किया जा सकता है, उदाहरण के लिए, मैक्रोइकॉनॉमिक डेटा। वित्तीय संस्थान आमतौर पर स्टॉक, बॉन्ड और मार्केट इंडेक्स के लिए रिटर्न की अस्थिरता का अनुमान लगाने के लिए इस मॉडल का उपयोग करते हैं । वे मूल्य निर्धारण को निर्धारित करने के लिए परिणामी जानकारी का उपयोग करते हैं, जज करते हैं कि कौन सी संपत्ति संभावित रूप से उच्च रिटर्न प्रदान करेगी, और अपने परिसंपत्ति आवंटन, हेजिंग, जोखिम प्रबंधन और पोर्टफोलियो अनुकूलन निर्णयों में मदद करने के लिए वर्तमान निवेश के रिटर्न का पूर्वानुमान लगाती है।

एक GARCH मॉडल के लिए सामान्य प्रक्रिया में तीन चरण शामिल हैं। सबसे पहले एक सर्वश्रेष्ठ-फिटिंग ऑटोरेग्रेसिव मॉडल का अनुमान लगाना है । दूसरा है त्रुटि शब्द के ऑटोकरेक्लेशन की गणना करना । तीसरा चरण महत्व के लिए परीक्षण करना है।

वित्तीय अस्थिरता का आकलन करने और भविष्यवाणी करने के लिए दो अन्य व्यापक रूप से उपयोग किए जाने वाले दृष्टिकोण क्लासिक ऐतिहासिक अस्थिरता (VolSD) विधि और घातीय रूप से भारित चलती औसत अस्थिरता (VolEWMA) विधि हैं।

एसेट रिटर्न के लिए गार्च मॉडल्स बेस्ट

गार्च की प्रक्रिया होमोसैकेस्टिक मॉडल से भिन्न होती है, जो निरंतर अस्थिरता को मानती है और इसका उपयोग साधारण साधारण न्यूनतम वर्ग (ओएलएस) विश्लेषण में किया जाता है। OLS का उद्देश्य उन बिंदुओं को फिट करने के लिए डेटा बिंदुओं और प्रतिगमन रेखा के बीच विचलन को कम करना है। एसेट रिटर्न के साथ, अस्थिरता कुछ निश्चित अवधि के दौरान बदलती है और पिछले विचरण पर निर्भर करती है, जिससे होमोसैकेस्टिक मॉडल सबोप्टिमल बन जाता है।

GARCH प्रक्रियाएं, क्योंकि वे निरंकुश होते हैं, वर्तमान विचरण के लिए मॉडल बनाने के लिए पिछले चुकता टिप्पणियों और पिछले संस्करणों पर निर्भर करते हैं। गार्च प्रक्रियाओं का व्यापक रूप से वित्त में उपयोग किया जाता है, क्योंकि यह परिसंपत्ति रिटर्न और मुद्रास्फीति में मॉडलिंग के प्रभाव के कारण होता है। GARCH का लक्ष्य पूर्व पूर्वानुमानों में त्रुटियों के लिए लेखांकन द्वारा पूर्वानुमानों की त्रुटियों को कम करना और चल रहे पूर्वानुमानों की सटीकता को बढ़ाना है।

गार्च प्रक्रिया का उदाहरण

GARCH मॉडल वित्तीय बाजारों का वर्णन करते हैं जिसमें अस्थिरता बदल सकती है, वित्तीय संकटों या विश्व घटनाओं की अवधि के दौरान अधिक अस्थिर हो जाती है और सापेक्ष शांत और स्थिर आर्थिक विकास की अवधि के दौरान कम अस्थिरता होती है। रिटर्न के एक भूखंड पर, उदाहरण के लिए, स्टॉक रिटर्न उन वर्षों के लिए अपेक्षाकृत समान दिख सकता है, जो 2007 के वित्तीय संकट के कारण हो सकते हैं।

एक संकट की शुरुआत के बाद की अवधि में, हालांकि, रिटर्न नकारात्मक से सकारात्मक क्षेत्र में बेतहाशा स्विंग हो सकता है। इसके अलावा, बढ़ी हुई अस्थिरता आगे जाने वाली अस्थिरता की भविष्यवाणी हो सकती है। अस्थिरता तब पूर्व-संकट के स्तरों से मिलती-जुलती स्तरों पर लौट सकती है या आगे जाकर एक जैसी हो सकती है। एक साधारण प्रतिगमन मॉडल वित्तीय बाजारों में प्रदर्शित अस्थिरता में इस भिन्नता के लिए जिम्मेदार नहीं है। यह ” ब्लैक स्वान ” घटनाओं का प्रतिनिधि नहीं है जो भविष्यवाणी की तुलना में अधिक बार होती है।