GARCH Modeli (Volatilite Tahmini)
Generalized Autoregressive Conditional Heteroskedasticity Model · Ayrıca şöyle bilinir: GARCH, GARCH(1,1), conditional volatility model, GARCH Modeli (Oynaklık Tahmini)
Tim Bollerslev tarafından 1986'da tanıtılan Genelleştirilmiş Otoregresif Koşullu Heteroskedastisite (GARCH) modeli, finansal bir zaman serisinin zamana bağlı koşullu varyansını modeller. Volatilite kümelenmesini ve ARCH etkisini yakalar ve getiri serilerindeki riski ve volatilitenin tahmin edilmesi için standart araçtır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+25 tane daha
Ne zaman kullanılır
Volatilite kümelenmesinin mevcut olduğu, tercihen en az 250 gözlem içeren durağan (veya fark alınmış, örn. log-getiri) finansal zaman serileri için GARCH kullanın. Uyum sağlamadan önce, serinin ADF testi ile durağan olduğunu, ARCH-LM testi ile bir ARCH etkisini doğrulayın ve Ljung-Box testi ile artıkların otokorelasyonunu kontrol edin. Eğer bir ARCH etkisi yoksa ARIMA gibi daha basit bir model yeterlidir ve volatilite iyi ve kötü haberlere asimetrik tepki veriyorsa EGARCH veya GJR-GARCH gibi bir uzantı tercih edilir.
Güçlü yönler & sınırlılıklar
- Finansal getiri serilerinin baskın özelliği olan volatilite kümelenmesini ve ARCH etkisini yakalar.
- Koşullu volatilite ve risk tahmini için standart, yaygın olarak kabul gören araç, Değer-Risk dahil.
- Ekonomik GARCH(1,1) modeli, yalnızca birkaç parametre ile getiri serilerine sıklıkla iyi uyum sağlar.
- Uzun bir seri gerektirir (en az yaklaşık 250 gözlem); daha azıyla, maksimum olabilirlik tahmini yakınsamada başarısız olabilir ve parametreler güvenilmez hale gelir.
- Simetrik GARCH, pozitif ve negatif şokları eşit şekilde ele alır, bu nedenle kaldıraç etkisini gözden kaçırır — bunun için EGARCH veya GJR-GARCH gereklidir.
- Durağan bir girdi serisi ve doğrulanmış bir ARCH etkisi gerektirir; volatilite kümelenmesi olmadan model gereksizdir.
SSS
Volatilite kümelenmesi nedir?
Büyük fiyat değişimlerinin büyük değişimleri ve küçük değişimlerin küçük değişimleri takip etme eğiliminde olduğu ampirik örüntüdür. GARCH, koşullu varyansın son karelenmiş şoklara ve geçmiş varyansa bağlı olmasına izin vererek bunu yakalar.
GARCH'ın ne zaman gerekli olduğunu nasıl anlarım?
Bir ortalama modelinin artıklarında ARCH-LM testini çalıştırın. Anlamlıysa bir ARCH etkisi (volatilite kümelenmesi) vardır ve GARCH gereklidir; anlamlı değilse, ARIMA gibi daha basit bir model yeterlidir.
GARCH(1,1) ne anlama geliyor?
İki sayı, gecikmeli karelenmiş şok terimlerinin sayısı (ARCH sırası q) ve gecikmeli varyans terimlerinin sayısıdır (GARCH sırası p). GARCH(1,1) her birinden bir tane kullanır — ω + α·ε²_{t-1} + β·σ²_{t-1} — ve genellikle getiri serileri için yeterlidir.
Ne zaman EGARCH kullanmalıyım?
Volatilite iyi ve kötü haberlere asimetrik tepki verdiğinde (kaldıraç etkisi), simetrik GARCH negatif şoklardan sonra riski hafife alır. EGARCH veya GJR-GARCH gibi asimetrik uzantılar bu asimetriyi açıkça modeller.
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 Model. ScholarGate. https://scholargate.app/tr/econometrics/garch-model
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
- Üstel GARCH (EGARCH)Ekonometri↔ karşılaştır
- Basit ve Çift Üstel Düzeltme (SES / Holt)Ekonometri↔ karşılaştır
- En Küçük Kareler (EK) RegresyonuEkonometri↔ karşılaştır
- Kuantil RegresyonuEkonometri↔ karşılaştır