04. Econometrics - Conditional volatility and correlation (GARCH)

Zdroj
ručne priradené
Pridané

Pozrieť na YouTube →

Preber si túto prednášku so svojou AI

Skopíruj pripravený podklad a vlož ho do ChatGPT, Claude alebo inej AI — bude ťa učiť alebo skúšať len z tejto prednášky.

Otvoriť AI: ChatGPT · Claude · Gemini

Zhrnutie prednášky

Prednáška sa venuje podmienenej volatilite a modelom GARCH v ekonometrii. Volatilita, meraná štandardnou odchýlkou, sa využíva pri oceňovaní opcií, výpočte hodnoty v riziku (VaR) a hodnotení rizikovosti aktív, pričom nepodcenenie volatility je dôležité, ako ukázal pád fondu LTCM v roku 1998. Lektor ukazuje odhad modelu GARCH(1,1) v Matlabe pomocou Shephardovho MFE toolboxu na dátach o úrokových sadzbách a výmenných kurzoch. Vysvetľuje parametre modelu (p, o, q), perzistenciu volatility s váhou beta okolo 0,8–0,9, voľbu rozdelenia chýb (normálne, Studentovo, skreslené Studentovo) a interpretáciu odhadnutých koeficientov. Na záver porovnáva modely pomocou informačných kritérií AIC a BIC.

  • - Volatilita (štandardná odchýlka) sa používa pri oceňovaní opcií, výpočte VaR a hodnotení rizika aktív.
  • - Model GARCH predpokladá, že dnešná volatilita silno závisí od včerajšej volatility a šokov.
  • - Parameter beta vyjadruje perzistenciu volatility a býva okolo 0,8–0,9.
  • - Parametre p, o, q určujú počet oneskorení a typ modelu; chyby môžu mať normálne, Studentovo alebo skreslené Studentovo rozdelenie.
  • - Vstavané funkcie Matlabu na GARCH sú slabé, preto sa používa MFE toolbox Kevina Sheppharda z Oxfordu.
  • - Odhadnutá podmienená volatilita výmenného kurzu zachytáva krízy, napríklad rok 2008, krízu eurozóny či ruskú agresiu na Ukrajine.
  • - Modely sa porovnávajú informačnými kritériami: AIC je vhodné na kalibráciu na historických dátach, BIC uprednostňuje jednoduchšie modely na predpovedanie.

Zhrnutie pripravené s pomocou AI z prepisu videa.