در درس ۲ دیدیم بازدهها تقریباً بدونِ خودهمبستگیاند ولی اندازهٔ آنها خوشهای است: روزهایِ پرنوسان کنارِ هم میآیند و روزهایِ آرام کنارِ هم. اینجا واریانسِ شرطی (واریانس با توجه به اطلاعاتِ گذشته) را مدل میکنیم. این مهمترین کاربردِ سری زمانی در مدیریتِ ریسکِ معاملاتی است.
ARCH(1) و GARCH(1,1)
مدلِ بازده: rt = μ + εt ، εt = σt zt . در ARCH(1) واریانس فقط به شوکِ دیروز وابسته است: σt² = ω + α εt-1² . در GARCH(1,1) واریانسِ دیروز هم اضافه میشود:
σt² = ω + α εt-1² + β σt-1²
| پارامتر | معنی | قیدها |
|---|---|---|
| ω | پایهٔ واریانس | مثبت |
| α | واکنش به شوکِ دیروز | نامنفی |
| β | ماندگاریِ واریانسِ دیروز | نامنفی |
| α + β | پایداریِ نوسان | برایِ مانایی کمتر از ۱ |
واریانسِ بلندمدتِ مدل ω / (1 − α − β) است. در دادهٔ روزانه معمولاً α+β نزدیکِ ۰٫۹۵ تا ۰٫۹۹ برآورد میشود؛ یعنی نوسان بسیار ماندگار است.
نیمعمرِ شوکِ نوسان تقریباً ln(0.5) / ln(α+β) است؛ برای ۰٫۹۸ حدود ۳۴ روز. یعنی نیمی از اثرِ یک شوکِ بزرگ پس از حدود یک ماهِ معاملاتی هنوز باقی است.
from arch import arch_model
am = arch_model(r * 100, mean="Constant", vol="GARCH", p=1, q=1, dist="t")
res = am.fit(disp="off")
print(res.params) # omega, alpha[1], beta[1]
f = res.forecast(horizon=5)
print(f.variance.iloc[-1]) # 5-day variance forecastیادآوری: نوسانِ سالانه = نوسانِ روزانه × √۲۵۲. نوسانِ ۱٪ روزانه حدود ۱۵٫۹٪ سالانه است. قبل از اجرایِ GARCH ابتدا بررسی کنید که واقعاً خوشهبندیِ نوسان وجود دارد (ACF مربعِ بازده).
