Genelleştirilmiş Otoregresif Koşullu Heteroskedastisite (GARCH)
Generalized Autoregressive Conditional Heteroskedasticity · Ayrıca şöyle bilinir: GARCH(1,1), generalized ARCH, conditional volatility model, GARCH Modeli
GARCH, 1986 yılında Tim Bollerslev tarafından Engle'ın ARCH modelinin bir genellemesi olarak tanıtılan, finansal zaman serilerinin zamana bağlı oynaklığı için kullanılan ekonometrik bir modeldir. Koşullu varyansı, geçmiş şokların kareleri ve geçmiş varyansların bir fonksiyonu olarak ele alır ve getirilerde görülen oynaklık kümelenmesini yakalar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Oynaklık kümelenmesi gösteren sürekli finansal zaman serileri için, koşullu varyansın tahmin edilmesi veya öngörülmesi hedeflendiğinde GARCH kullanın. Bir ARCH etkisi (anlamlı bir ARCH-LM testi) kanıtı ve makul derecede uzun bir seri gerektirir; model en az yaklaşık 100 gözlem gerektirir ve kalıcılığın (α+β) güvenilir tahmini tipik olarak birkaç yüz gözlem gerektirir. ARCH etkisi olmadığında, seri çok kısa olduğunda veya şoklar oynaklığı asimetrik olarak etkilediğinde uygun değildir.
Güçlü yönler & sınırlılıklar
- Sabit varyans modellerinin kaçırdığı oynaklık kümelenmesini ve zamana bağlı koşullu varyansı yakalar.
- İktisadi: GARCH(1,1) formu, çok az parametreyle zengin oynaklık dinamiklerini özetler.
- Risk ölçümleri, opsiyon fiyatlandırması ve değer-riski için merkezi olan doğrudan koşullu varyans tahminleri sağlar.
- Simetrik GARCH, pozitif ve negatif şokları aynı şekilde ele alır, bu nedenle kötü haberlerin oynaklığı iyi haberlerden daha fazla artırdığı kaldıraç etkisini kaçırır.
- Uzun seri gerektirir: yaklaşık 250 gözlemden az olduğunda parametreler, özellikle kalıcılık α+β, güvenilmez bir şekilde tahmin edilir ve maksimum olabilirlik yakınsamayabilir.
- ARCH etkisi olmadığında anlamsızdır — oynaklık kümelenmiyorsa, GARCH sadece gereksiz karmaşıklık katar.
SSS
GARCH(1,1) notasyonu ne anlama geliyor?
Sayılar gecikme sıralarıdır: GARCH(1,1) bir gecikmeli karelenmiş şok (ARCH terimi) ve bir gecikmeli koşullu varyans (GARCH terimi) kullanır. Sadece birkaç parametreyle kalıcı oynaklığı yakaladığı için en yaygın spesifikasyondur.
GARCH'a ne zaman ihtiyacım olduğunu nasıl anlarım?
Artıklar üzerinde bir ARCH-LM testi çalıştırın. Anlamlıysa oynaklık kümelenmesi vardır ve GARCH gerekçelendirilir; anlamlı değilse varyans etkin bir şekilde sabittir ve ARIMA gibi daha basit bir model daha uygundur.
Kaldıraç etkisi nedir ve düz GARCH bunu ele alabilir mi?
Kaldıraç etkisi, negatif şokların aynı büyüklükteki pozitif şoklardan daha fazla gelecekteki oynaklığı artırma eğilimidir. Simetrik GARCH bunu yakalayamaz çünkü yalnızca karelenmiş hatalara bağlıdır; EGARCH veya GJR-GARCH gibi asimetrik uzantılar bunun yerine kullanılır.
GARCH ne kadar veriye ihtiyaç duyar?
Modelin uyması için en az yaklaşık 100 gözlem gereklidir, ancak parametrelerin — özellikle kalıcılık α+β — güvenilir tahminleri tipik olarak birkaç yüz gözlem gerektirir. Yaklaşık 250 gözlemden az olduğunda, maksimum olabilirlik tahminleri kararsız olabilir veya yakınsamayabilir.
Kaynaklar
- Bollerslev, T. (1986). Generalized Autoregressive Conditional Heteroskedasticity. Journal of Econometrics, 31(3), 307-327. DOI: 10.1016/0304-4076(86)90063-1 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Generalized Autoregressive Conditional Heteroskedasticity. ScholarGate. https://scholargate.app/tr/econometrics/garch
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- ARIMA (Autoregressive Integrated Moving Average) ModeliEkonometri↔ karşılaştır
- Dinamik Koşullu Korelasyon (DCC-GARCH)Finans↔ karşılaştır
- Üstel GARCH (EGARCH)Ekonometri↔ karşılaştır
- Basit ve Çift Üstel Düzeltme (SES / Holt)Ekonometri↔ karşılaştır
- GJR-GARCH (Asimetrik GARCH)Ekonometri↔ karşılaştır