Qu'est-ce que le processus GARCH
Le processus d'hétéroskédasticité conditionnelle autorégressive généralisée (GARCH) est un terme économétrique développé en 1982 par Robert F. Il existe plusieurs formes de modélisation GARCH. Le processus GARCH est souvent préféré par les professionnels de la modélisation financière car il fournit un contexte plus réel que les autres formes lorsqu'il s'agit de prédire les prix et les taux des instruments financiers.
RUPTURE DU PROCESSUS GARCH
L'hétéroscédasticité décrit le modèle irrégulier de variation d'un terme d'erreur, ou variable, dans un modèle statistique. Essentiellement, lorsqu'il existe une hétéroskédasticité, les observations ne sont pas conformes à un modèle linéaire. Au lieu de cela, ils ont tendance à se regrouper. Le résultat est que les conclusions et la valeur prédictive que l'on peut tirer du modèle ne seront pas fiables. GARCH est un modèle statistique qui peut être utilisé pour analyser un certain nombre de différents types de données financières, par exemple des données macroéconomiques. Les institutions financières utilisent généralement ce modèle pour estimer la volatilité des rendements des actions, des obligations et des indices boursiers. Ils utilisent les informations résultantes pour aider à déterminer les prix et à juger quels actifs offriront potentiellement des rendements plus élevés, ainsi qu'à prévoir les rendements des investissements actuels pour les aider dans leurs décisions d'allocation d'actifs, de couverture, de gestion des risques et d'optimisation de portefeuille.
Le processus général d'un modèle GARCH comprend trois étapes. La première consiste à estimer un modèle autorégressif le mieux adapté. La seconde consiste à calculer les autocorrélations du terme d'erreur. La troisième étape consiste à tester la signification. La méthode classique de volatilité historique (VolSD) et la méthode de volatilité moyenne pondérée exponentielle (VolEWMA) sont deux autres approches largement utilisées pour estimer et prédire la volatilité financière.
Exemple de processus GARCH
Les modèles GARCH aident à décrire les marchés financiers dans lesquels la volatilité peut changer, devenant plus volatils pendant les périodes de crises financières ou d'événements mondiaux et moins volatils pendant les périodes de calme économique relatif et de croissance économique régulière. Sur un graphique des rendements, par exemple, les rendements boursiers peuvent sembler relativement uniformes pendant les années précédant une crise financière comme celle de 2007. Cependant, au cours de la période qui suit le début d'une crise, les rendements peuvent basculer de manière négative par rapport à la négative en territoire positif. De plus, l'augmentation de la volatilité peut être prédictive de la volatilité à l'avenir. La volatilité peut alors revenir à des niveaux similaires à ceux d'avant la crise ou être plus uniforme à l'avenir. Un modèle de régression simple ne tient pas compte de cette variation de la volatilité observée sur les marchés financiers et n'est pas représentatif des événements du «cygne noir» qui se produisent plus que ce que l'on pourrait prévoir.
Les modèles GARCH sont les meilleurs pour les rendements des actifs
Les processus GARCH diffèrent des modèles homoscédastiques, qui supposent une volatilité constante et sont utilisés dans l'analyse des moindres carrés ordinaires de base (OLS). OLS vise à minimiser les écarts entre les points de données et une ligne de régression pour s'adapter à ces points. Avec les rendements des actifs, la volatilité semble varier pendant certaines périodes et dépend de la variance passée, ce qui rend un modèle homoscédastique non optimal.
Les processus GARCH, étant autorégressifs, dépendent des observations au carré passées et des variances passées pour modéliser la variance actuelle. Les processus GARCH sont largement utilisés en finance en raison de leur efficacité dans la modélisation des rendements des actifs et de l'inflation. GARCH vise à minimiser les erreurs de prévision en tenant compte des erreurs dans les prévisions antérieures et, ainsi, à améliorer la précision des prévisions en cours.
