En inglés: Generalized AutoRegressive Conditional Heteroskedasticity (GARCH)
Qué es’Heteroskedasticidad Condicional AutoRegresiva Generalizada (GARCH)’
La Heteroskedasticidad Condicional AutoRegresiva Generalizada (GARCH, por sus siglas en inglés) es un modelo estadístico utilizado en el análisis de datos de series de tiempo financieras. La hetereroskedasticidad describe el patrón irregular de variación de un término de error, o variable, en un modelo estadístico. Esencialmente, donde hay heteroskedasticidad, las observaciones no se ajustan a un patrón lineal. En cambio, tienden a agruparse. El resultado es que las conclusiones y el valor predictivo que uno puede extraer del modelo no serán confiables.
DESGLOSE ‘Heteroskedasticidad condicional autorregresiva generalizada (GARCH)’
Aunque los modelos de Heteroskedasticidad Condicional AutoRegresiva Generalizada (GARCH, por sus siglas en inglés) pueden utilizarse en el análisis de diversos tipos de datos financieros, por ejemplo, datos macroeconómicos, las instituciones financieras suelen utilizarlos para estimar la volatilidad de los rendimientos de acciones, bonos e índices de mercado. Utilizan la información resultante para ayudar a determinar la fijación de precios y juzgar los activos que potencialmente proporcionarán mayores rendimientos, así como para pronosticar los rendimientos de las inversiones actuales para ayudar en sus decisiones de asignación de activos, cobertura, gestión de riesgos y optimización de carteras.
Historia de GARCH
GARCH se formuló en la década de 1980 como una forma de abordar el problema de pronosticar la volatilidad en los precios de los activos. Se basó en el revolucionario trabajo del economista Robert Engle en 1982 para introducir el modelo de Heterosquedaticidad Condicional Autorregresiva (ARCH, por sus siglas en inglés). Su modelo asumía que la variación de los rendimientos financieros no era constante en el tiempo, sino que estaban autocorrelacionados o condicionados unos a otros. Por ejemplo, se puede ver esto en las devoluciones de stock, donde los períodos de volatilidad de las devoluciones tienden a agruparse. Los modelos GARCH fueron algunos de los primeros modelos de activos financieros en incorporarse rápidamente.
Desde la introducción original, han surgido muchas variaciones de GARCH. Estos incluyen No Lineal (NGARCH), que trata la correlación y la «agrupación de volatilidad» observada de los retornos, y GARCH Integrado (IGARCH) que restringe el parámetro de volatilidad. Todas las variaciones de los modelos GARCH buscan incorporar la dirección, positiva o negativa, de los retornos además de la magnitud (abordada en el modelo original).
Cada derivación de GARCH puede ser usada para acomodar las cualidades específicas de la población, industria o datos económicos. Al evaluar el riesgo, las instituciones financieras incorporan los modelos de GARCH en sus proyecciones de Valor en Riesgo (VAR, por sus siglas en inglés), pérdida máxima esperada (ya sea para una sola inversión o posición comercial, cartera o a nivel de división o a nivel de toda la empresa) durante un período de tiempo específico. Se considera que los modelos GARCH proporcionan mejores indicadores de riesgo que los que se pueden obtener mediante el seguimiento de la desviación estándar únicamente.
Se han realizado varios estudios sobre la fiabilidad de varios modelos de GARCH en diferentes condiciones de mercado, incluyendo los períodos previos y posteriores a la crisis financiera de 2007.