İstatistik Sözlüğü → GARCH
GARCHanaliz
Bir getiri serisinde oynaklığın (varyansın) zaman içinde nasıl değiştiğini, sakin ve çalkantılı dönemlerin kümelenmesini hesaba katarak modelleyen ve öngören koşullu varyans modeli.
Kavram
Finansal getirilerde ortalama değişimi tahmin etmek çok zordur, ama oynaklık belirgin bir düzen gösterir: büyük dalgalanmalar büyük dalgalanmaları, sakin günler sakin günleri izler (oynaklık kümelenmesi). Sabit varyans varsayan modeller bu yapıyı göremez; bu yüzden çalkantılı dönemde riski küçümser, sakin dönemde abartır. GARCH, her günün varyansını geçmişteki şoklara ve geçmiş varyansa bağlayarak 'bugün ne kadar risk var?' sorusunu yanıtlar.
En yaygın biçim olan GARCH(1,1)'de bugünkü koşullu varyans üç parçadan oluşur: σ²_t = ω + α·ε²_{t−1} + β·σ²_{t−1}. α dünkü şokun (sürprizin) bugünkü riske etkisini, β dünkü oynaklığın ne kadar sürdüğünü gösterir. α + β kalıcılıktır: 1'e yaklaştıkça bir şokun etkisi daha uzun sürer; yarı ömür, şokun etkisinin yarıya inmesi için geçen süredir. EGARCH ve GJR-GARCH, kötü haberlerin (negatif şokların) oynaklığı iyi haberlerden daha çok artırdığı asimetrik etkiyi de modeller.
Model getiri serisiyle çalışır; fiyat düzeyleri önce getiriye çevrilmelidir. Durağanlık için α + β < 1 olmalıdır; değer 1'e çok yakınsa şoklar neredeyse kalıcıdır. Finansal getiriler çoğu zaman normal dağılımdan daha kalın kuyrukludur, bu durumda Student-t dağılımı daha uygundur. İyi bir modelde standartlaştırılmış artıklarda ve bunların karelerinde otokorelasyon kalmamalıdır.
Ne zaman kullanılır?
- Hisse senedi, döviz, emtia getirileri gibi oynaklığın zamanla değiştiği serilerde riski ölçmek, oynaklığı öngörmek ya da riske maruz değer hesaplamak için.
- Kötü haberlerin oynaklığı daha çok artırdığı düşünülüyorsa EGARCH ya da GJR-GARCH; getiriler kalın kuyrukluysa Student-t hata dağılımı kullanılır.
- Varyans değil ortalama düzey tahmin edilecekse ARIMA; birden fazla seri arasındaki dinamik ilişki inceleniyorsa VAR tercih edilir.
Gündelik bir örnek
Yurt dışından malzeme alan küçük bir firma, döviz kurunun günlük yüzde değişimlerini izliyor. Bazı haftalar kur her gün yalnızca %0,1 oynuyor; bir siyasi gelişmenin ardından ise günlerce %2'lik sıçramalar görülüyor ve bu çalkantı bir süre devam ediyor. GARCH modeli bu kümelenmeyi yakalar: örneğin α + β = 0,95 çıkarsa bir şokun etkisinin yarıya inmesi yaklaşık 13-14 işlem günü sürer. Firma, modelin öngördüğü yarınki oynaklığa bakarak ödemesini hemen mi yoksa ortalık sakinleşince mi yapacağına karar verebilir.
MerQur'da parametreler
Tarih (opsiyonel) ve Seri (getiri)
Kavram: GARCH dünkü şokun bugünkü varyansa etkisini modellediğinden gözlemlerin doğru zaman sırasında olması gerekir. Seri, oynaklığı modellenecek değişkendir; genellikle bir fiyatın getirisidir.
Gündelik örnek: Kur verisi en yeni günden en eskiye doğru kaydedilmişse tarih seçilerek günler doğru sıraya konur. Firma aynı modeli hem dolar hem avro kuru için ayrı ayrı kurabilir; iki kurun kalıcılığı farklı çıkabilir.
Ne işe yarar: Gözlemleri tarih/sıra sütununa göre sıralar (boşsa dosya sırası) ve modellenecek sütunu seçer.
Sonuca etkisi: Tarih seçilmezse ters sıralı dosyada seri tersten modellenir.
Doğrulama verisinde: Ters sıralı sp500 dosyasında tarih seçilince düz dosyayla aynı model elde edilir. DAX ve SMI log getirileri farklı model verir (kalıcılık 0.956 ve 0.855).
Dönüşüm (Yok / Log getiri × 100 / Yüzde değişim)
Kavram: Fiyat düzeyleri durağan değildir ve oynaklık modeli için uygun değildir; bu yüzden ardışık günler arasındaki göreli değişime (getiriye) çevrilirler. Log getiri × 100 ile yüzde değişim küçük değişimlerde neredeyse aynıdır; ilk gözlem öncesi olmadığı için düşer.
Gündelik örnek: Kur 30,00'dan 30,60'a çıktıysa yüzde değişim %2,0, log getiri × 100 ise yaklaşık 1,98'dir. Model fiyatın kendisiyle değil, bu günlük değişimlerle kurulur.
Ne işe yarar: Fiyat düzeyini getiriye çevirir: 100·Δln x ya da 100·(x_t/x_{t-1} - 1) (ilk gözlem düşer).
Sonuca etkisi: Parametreler ve olabilirlik. Fiyat ya da endeks düzeyi seçildiğinde zorunludur.
Doğrulama verisinde: DAX log getiri: ω = 0.0476, α = 0.0685, β = 0.8876, LL = -2594.80; yüzde değişim: ω = 0.0440, α = 0.0679, β = 0.8912, LL = -2587.92.
Varyans modeli (GARCH (sGARCH) / EGARCH / GJR-GARCH)
Kavram: Standart GARCH, pozitif ve negatif şokların oynaklığı aynı ölçüde artırdığını varsayar. EGARCH varyansın logaritmasını modelleyerek ve GJR-GARCH negatif şoklara ek bir terim ekleyerek, kötü haberlerin oynaklığı iyi haberlerden daha çok artırdığı asimetrik etkiyi yakalar.
Gündelik örnek: Yerel paranın sert değer kaybettiği günlerin ardından kur günlerce çalkantılı kalıyor, ama değer kazandığı günlerin ardından piyasa hemen sakinleşiyorsa etki asimetriktir. Bu durumda GJR-GARCH'ın ek katsayısı anlamlı çıkar.
Ne işe yarar: sGARCH (Bollerslev 1986), EGARCH (Nelson 1991; ln σ² denklemi, işaret α ve büyüklük γ), GJR (Glosten ve ark. 1993; negatif şoka γ eki).
Sonuca etkisi: Tüm parametreler ve oynaklık dinamiği.
Doğrulama verisinde: dmbp LL: sGARCH -1106.587, EGARCH -1102.258 (β = 0.9125, γ = 0.3328), GJR -1106.084 (γ = 0.0283).
ARCH derecesi q (α) ve GARCH derecesi p (β)
Kavram: q, modelin kaç günlük geçmiş kare şoka (α terimleri); p ise kaç günlük geçmiş koşullu varyansa (β terimleri) dayanacağıdır. Çoğu finansal seride GARCH(1,1) yeterlidir; daha yüksek dereceler ancak bilgi ölçütleri belirgin biçimde iyileşiyorsa eklenmelidir.
Gündelik örnek: GARCH(1,1) 'bugünkü risk, dünkü sürprize ve dünkü riske bağlıdır' der. Kurdaki çalkantının iki gün önceki şoklardan da ayrıca etkilendiği düşünülürse q = 2 denenebilir.
Ne işe yarar: α (gecikmeli kare şok) ve β (gecikmeli koşullu varyans) terimi sayısı. Model etiketi "GARCH(p,q)" (p = β, q = α) yazılır.
Sonuca etkisi: Parametre sayısı ve olabilirlik. Sınır çözümlerinde (α_i = 0) standart hatalar "-" yazılır ve uyarı verilir.
Doğrulama verisinde: dmbp: q = 2 için α2 = 0 (sınır), LL = -1106.947; p = 2 için β1 = 0.490, β2 = 0.297, LL = -1104.329; p = 3 için LL = -1099.064.
Ortalama denklemi (Sabit / ARMA(1,1) / Sıfır ortalama)
Kavram: Varyans modelinin yanında getirinin ortalaması için de bir model kurulur: sabit bir ortalama, ardışık getiriler arasındaki küçük bağımlılığı yakalayan ARMA(1,1) ya da sıfır ortalama. Şoklar (ε), getirinin bu ortalamadan sapmasıdır.
Gündelik örnek: Kur uzun dönemde her gün ortalama %0,05 artıyorsa sabit ortalama bu kaymayı yakalar; böylece düzenli artış 'şok' sayılmaz. Günlük değişimler pratikte sıfır çevresinde dalgalanıyorsa sıfır ortalama yeterlidir.
Ne işe yarar: Ortalama modeli.
Sonuca etkisi: Ortalama parametreleri ve artıklar.
Doğrulama verisinde: dmbp ARMA(1,1): ar1 = -0.410, ma1 = 0.465, LL = -1103.890; sıfır ortalama: LL = -1106.854.
Hata dağılımı (Normal / Student-t)
Kavram: Hata dağılımı, standartlaştırılmış şokların hangi dağılımdan geldiğini belirler. Finansal getirilerde uç değerler normal dağılımın öngördüğünden çok daha sık görülür (kalın kuyruk); Student-t dağılımı bunu serbestlik derecesi (ν) aracılığıyla hesaba katar, ν küçüldükçe kuyruk kalınlaşır.
Gündelik örnek: Normal dağılıma göre %3'lük bir günlük sıçrama on yılda bir görülmeliyken firmanın verisinde yılda birkaç kez görülüyorsa kuyruklar kalındır. Student-t ile kurulan model bu tür günlerin olasılığını daha gerçekçi verir.
Ne işe yarar: Normal ya da birim varyanslı Student-t (ν kestirilir). Öngörü aralığı model dağılımının kantiliyle kurulur.
Sonuca etkisi: Parametreler, olabilirlik ve aralıklar.
Doğrulama verisinde: dmbp t ile LL = -989.830, ν = 4.356, kalıcılık 0.999 (sınırda; "IGARCH sınırı" uyarısı verilir). %99 aralık kantili 3.204 (normal 2.576).
Volatilite öngörü ufku
Kavram: Modelin kaç gün ileriye oynaklık öngöreceğini belirler. Uzun ufukta öngörülen oynaklık, kalıcılığa bağlı bir hızla serinin uzun dönem (koşulsuz) oynaklığına yaklaşır.
Gündelik örnek: Çalkantılı bir günün ardından yarın için öngörülen oynaklık yüksektir; ama bir ay sonrası için öngörü, kurun 'olağan' oynaklığına yakındır. Firma ödeme tarihine göre ilgili ufka bakar.
Ne işe yarar: σ_{T+h} ve ortalama öngörüsü (koşullu varyans özyinelemesiyle).
Sonuca etkisi: Tahmin sayısı.
Doğrulama verisinde: dmbp σ T+1 = 0.3835; T+10 = 0.4286; T+250 = 0.5141 (koşulsuz σ = 0.5148'e yakınsar).
Güven Düzeyi (%90 / %95 / %99 / Diğer, özel değer)
Kavram: Getiri öngörüsü için verilen aralığın güven düzeyini belirler; aralık öngörülen ortalama ile öngörülen oynaklıktan kurulur. Oynaklık yüksekken aynı güven düzeyindeki aralık da genişler.
Gündelik örnek: Sakin bir dönemde yarınki kur değişimi için %95 aralık ±%0,3 olabilirken çalkantılı bir dönemde ±%3'e çıkabilir. Firma, yarın kurun ne kadar kötüye gidebileceğini bu aralığın alt ve üst sınırından okur.
Ne işe yarar: Yalnız öngörü aralığı: ortalama ± z·σ.
Sonuca etkisi: Katsayıları ve tanıları değiştirmez.
Doğrulama verisinde: Normal modelde aralıklar ortalama ± z·σ ile standart normal yüzdelik kullanılarak verilir.
Ljung-Box gecikmesi ve ARCH-LM gecikmesi
Kavram: Model yeterliyse standartlaştırılmış artıklar (z) ve bunların kareleri (z²) otokorelasyonsuz olmalıdır. z için Ljung-Box ortalama denkleminin, z² için Ljung-Box ve ARCH-LM ise varyans denkleminin yeterliliğini sınar; gecikmeler testlerin kaç gün geriye bakacağıdır.
Gündelik örnek: Model kurulduktan sonra z² hâlâ otokorelasyonluysa oynaklık kümelenmesinin bir kısmı yakalanamamış demektir ve daha yüksek dereceli ya da asimetrik bir model denenir. 10 gecikme yaklaşık iki işlem haftasına bakar.
Ne işe yarar: Standartlaştırılmış artık z ve z² için Ljung-Box Q(k) (z'de fitdf = ARMA derecesi); z üzerinde Engle ARCH-LM (n R²).
Sonuca etkisi: Tanı istatistikleri.
Doğrulama verisinde: dmbp LB z/z²: k = 1 için 5.06 / 2.50, 10 için 10.12 / 9.06, 20 için 19.29 / 17.50; ARCH-LM q = 1, 5, 12: 2.50, 4.21, 9.77.
Varyans başlangıcı (Örnek varyansı (rugarch) / Backcast (FCP kıyası))
Kavram: GARCH özyinelemesi ilk günün varyansını bilmeyi gerektirir; bu değer verinin dışında olduğu için bir başlangıç kuralıyla atanır. Uzun serilerde başlangıç seçiminin etkisi hızla söner, kısa serilerde katsayıları biraz değiştirebilir.
Gündelik örnek: Firmanın elinde yalnızca birkaç aylık kur verisi varsa ilk günün varyansının örnek varyansı mı yoksa backcast ile mi atandığı sonuçları biraz değiştirebilir. Birkaç yıllık veride iki seçim neredeyse aynı sonucu verir.
Ne işe yarar: Birinci dönemin koşullu varyansı: varsayılan h_1 = s² (örnek varyansı); "backcast" başlangıcı h_1 = ω + (α + β)s² (FCP kıyas çalışmasının başlangıcı).
Sonuca etkisi: Parametreler ve olabilirlik.
Doğrulama verisinde: dmbp backcast: μ = -0.0061904, ω = 0.0107614, α = 0.153134, β = 0.805974, LL = -1106.608.
Gerçek veride örnek
Veri: EuStockMarkets DAX 1991-1998, R datasets
Değişkenler: seri DAX (günlük kapanış endeksi), dönüşüm log getiri × 100
- Soru: DAX günlük log getirilerinde (x 100, n = 1859) oynaklık kümelenmesi var mı ve ne kadar kalıcı?
- Model: GARCH(1,1), sabit ortalama, normal hata; μ = 0.065 (SE 0.022), ω = 0.048 (SE 0.013), α1 = 0.068 (SE 0.015), β1 = 0.888 (SE 0.024); hepsi p < .01 (sağlam SE ile ω için p = .163).
- Kalıcılık: α1 + β1 = 0.956; yarı ömür 15.41 gün, koşulsuz varyans 1.082 (σ = 1.04).
- Uyum: log L = -2594.80, AIC/n = 2.796, BIC/n = 2.808.
- Tanılar: Standartlaştırılmış artıklarda Ljung-Box Q(10) = 3.20 (p = .976), karelerinde Q(10) = 0.89 (p = 1.000), ARCH-LM(5) = 0.61 (p = .988); oynaklık yapısı yakalanmıştır. Jarque-Bera = 13383.2 (p < .001; basıklık 15.95): kalın kuyruk için Student-t dağılımı önerilir.
- APA: GARCH(1,1) modeli, α1 = 0.07, β1 = 0.89, kalıcılık = 0.956, LL = -2594.80; Q²(10) = 0.89, p = 1.000.
İlgili kavramlar
Koşullu varyans (oynaklık) ve GARCH mertebeleriHata dağılımı (normal, Student-t)Logaritmik getiriÖngörü ufku ve öngörü aralığıDeterministik terimler (sabit, eğilim)Ljung-Box (portmanteau) testiTahmin (öngörü) aralığıArtık (kalıntı) grafikleri ve artık tanılaması
Örneklerdeki sayılar MerQur'un bağımsız, kamuya açık doğrulama verileri üzerindeki çıktılarıdır; ayrıntılar için MerQur Teknik Not'a bakınız.