GARCH معمولی به شوکِ مثبت و منفیِ هماندازه یکجور واکنش نشان میدهد. در بازارِ سهام و شاخصها اغلب افتِ قیمت نوسان را بیش از رشدِ هماندازه بالا میبرد (اثرِ اهرمی). برایِ این حالت مدلهایِ نامتقارن بهکار میروند.
GJR-GARCH و EGARCH
در GJR-GARCH یک جملهٔ اضافه برایِ شوکهایِ منفی داریم:
σt² = ω + (α + γ·It-1) εt-1² + β σt-1² ، که I = 1 اگر εt-1 < 0 . پایداری برابر α + γ/2 + β است. EGARCH واریانس را در شکلِ لگاریتمی مدل میکند و نیازی به قیدِ نامنفیبودنِ پارامترها ندارد.
اثرِ اهرمی در سهام معمولاً واضحتر از جفتارزها و طلا است؛ برایِ هر بازار ضریبِ γ را جداگانه برآورد و معنادار بودنش را بررسی کنید.
کاربرد ۱: ارزش در معرضِ ریسک (VaR)
VaR پارامتریک با فرضِ نرمال برابر است با z × σ × ارزشِ موقعیت که برایِ اطمینانِ ۹۵٪ z = 1.645 و برایِ ۹۹٪ z = 2.326 است. توزیعِ دُمپهنِ بازده یعنی فرضِ نرمال ریسکِ حدی را کمبرآورد میکند؛ مدلِ t استیودنت یا شبیهسازیِ تاریخی را کنارِ آن ببینید.
کاربرد ۲: تنظیمِ اندازهٔ معامله با نوسانِ پیشبینیشده
وقتی نوسان بالا میرود، همان تعدادِ واحد ریسکِ بیشتری دارد. اندازهٔ موقعیت را معکوسِ نوسان تنظیم کنید: ارزشِ موقعیت = ریسکِ مجازِ روزانه ÷ نوسانِ پیشبینیشده .
from arch import arch_model
am = arch_model(r * 100, vol="GARCH", p=1, o=1, q=1, dist="t") # o=1 => GJR
res = am.fit(disp="off")
sigma_next = res.forecast(horizon=1).variance.iloc[-1, 0] ** 0.5
risk_budget = 500.0
position_value = risk_budget / (sigma_next / 100)یادآوری: این روشها ریسک را «اندازهگیری» میکنند و حذف نمیکنند. حدِ ضرر و سقفِ ریسکِ کل را کنارِ مدل نگه دارید.
