Neden çalışıyor
GARCH’ın işe yaramasının sebebi, volatilite kümelenmesi.
Getiriler kümelenmiyor: bugün yükseldi diye yarın yükselecek demek değil. Ama volatilite kümeleniyor: bugün büyük bir hareket olduysa, yarın da büyük hareket olma ihtimali yüksek.
Sakin dönemleri sakin dönemler, çalkantılı dönemleri çalkantılı dönemler takip ediyor. GARCH bu kalıbı modelliyor.
Yani GARCH, getiriyi değil, getirinin oynaklığını tahmin ediyor. Ve bu, tahmin edilebilir olan tarafı.
Ne yapıyor
GARCH, bugünkü volatiliteyi iki şeyle açıklıyor.
Dünkü volatilite: kümelenme yüzünden, dün oynaksa bugün de oynak olma eğilimi.
Dünkü şok: dün beklenmedik büyük bir hareket olduysa, bu bugünkü volatiliteyi artırıyor.
Bu ikisinin ağırlıkları, modelin katsayıları. Ve o katsayılar volatilitenin ne kadar kalıcı olduğunu söylüyor.
Çıktısı nasıl okunur
GARCH çıktısında birkaç katsayı var.
Kalıcılık. İki ana katsayının toplamı, volatilitenin ne kadar kalıcı olduğunu gösteriyor. Bu toplam 1’e yakınsa, volatilite şokları çok yavaş sönüyor. Yani yüksek volatilite dönemleri uzun sürüyor.
Finansal serilerde bu toplam genelde 0,95’in üzerinde. Bu, volatilitenin çok kalıcı olduğu, bir kez yükseldiğinde uzun süre yüksek kaldığı anlamına geliyor.
Şok duyarlılığı. Yeni şokların volatiliteye ne kadar hızlı yansıdığı. Yüksekse, piyasa haberlere sert tepki veriyor.
Türevleri
GARCH’ın birçok varyasyonu var ve her biri farklı bir olguyu yakalıyor.
EGARCH ve GJR-GARCH. Kaldıraç etkisini yakalıyor: kötü haberlerin volatiliteyi, iyi haberlerden daha çok artırması. Piyasa merdivenle çıkıp asansörle iniyor olgusu.
Bir çalışma bu asimetriyi yakalayan bir model kullanıyorsa, daha gerçekçi. Basit GARCH bu asimetriyi göremiyor.
Sınırları
GARCH güçlü ama sınırlı.
Geçmişe dayanıyor. Hiç yaşanmamış bir şoku öngöremiyor. Ve büyük kriz anlarında, volatilite GARCH’ın tahmininden çok daha hızlı yükselebiliyor.
Kalın kuyrukları tam yakalamıyor. Standart GARCH normal dağılım varsayıyor; getiriler ise kalın kuyruklu. Bu yüzden uç olayların olasılığını olduğundan düşük gösterebiliyor.
Ve model seçimi keyfi. Kaç gecikme, hangi varyasyon? Bu seçimler sonucu etkiliyor.
Bizim için
Biz GARCH kullanmıyoruz ama aynı fikirden yararlanıyoruz.
Ters volatilite ağırlıklandırmamız, geçmiş volatilitenin gelecek volatiliteyi tahmin ettiği varsayımına dayanıyor. Bu varsayım, volatilite kümelenmesi sayesinde geçerli.
GARCH bunu daha sofistike yapıyor ama temel sezgi aynı: volatilite kalıcı, dolayısıyla tahmin edilebilir. Basit bir hareketli standart sapma bile bu kalıcılığın çoğunu yakalıyor.
Nasıl okumalı
Bir GARCH çıktısında kalıcılık katsayısına bakın (iki ana katsayının toplamı). 1’e ne kadar yakınsa, volatilite o kadar kalıcı.
Model asimetriyi yakalıyor mu (EGARCH, GJR gibi)? Kötü haberlerin etkisi farklı modelleniyor mu?
Ve unutmayın: GARCH volatiliteyi tahmin ediyor, getiriyi değil. Bir çalışma GARCH ile “getiri öngördük” diyorsa, dikkatli olun. GARCH’ın gücü volatilite tarafında.
Sıradaki
Sıradaki yazıda Granger nedenselliği ele alıyoruz. Bir serinin diğerini “öngörmesi” ne anlama geliyor ve neden gerçek nedensellik değil.
Bu yazı bilgilendirme amaçlıdır, yatırım tavsiyesi değildir.