อธิบายการกระจุกตัวของความผันผวนและ GARCH
เรียนรู้ว่าเหตุใดผลตอบแทนที่สงบและผันผวนจึงกระจุกตัว GARCH อัปเดต conditional variance อย่างไร persistence หมายถึงอะไร และเหตุใดการคาดการณ์จึงไม่ใช่สัญญาณออปชัน
คำตอบโดยตรง
การกระจุกตัวของความผันผวนหมายถึงผลตอบแทนก้อนใหญ่เกิดใกล้กับผลตอบแทนก้อนใหญ่ และการเคลื่อนไหวที่สงบเกิดใกล้กับการเคลื่อนไหวที่สงบ GARCH เปลี่ยน persistence นี้เป็นการคาดการณ์ conditional variance แต่ไม่ได้ทำนายทิศทางหรือบอกว่าออปชันราคาถูกหรือไม่
ความผันผวนเปลี่ยนไปตามเวลา
แบบจำลองความผันผวนคงที่ถือว่าความไม่แน่นอนของวันพรุ่งนี้เป็นอิสระจากวันนี้ที่สงบหรือปั่นป่วน ผลตอบแทนตลาดมักขัดแย้งกับการลดรูปนี้
ผลตอบแทนสัมบูรณ์ขนาดใหญ่มักตามด้วยการเคลื่อนไหวสูง ขณะที่ช่วงสงบมักดำเนินต่อ เครื่องหมายอาจสลับกันแม้ขนาดของการเคลื่อนไหวยังสูง
นี่คือ volatility clustering อธิบายการพึ่งพากันในขนาดผลตอบแทนหรือผลตอบแทนยกกำลังสอง ไม่ใช่รูปแบบที่เชื่อถือได้ของผลตอบแทนบวกและลบเอง
Conditional variance คือการคาดการณ์ ณ วันนี้
Unconditional variance สรุปการกระจายระยะยาว Conditional variance ถามว่าผลตอบแทนถัดไปไม่แน่นอนเพียงใดเมื่อให้ข้อมูลที่มีอยู่ตอนนี้
ARCH models อัปเดตการคาดการณ์จากช็อกยกกำลังสองล่าสุด เซอร์ไพรส์ขนาดใหญ่เพิ่มค่าประมาณ variance ถัดไปไม่ว่าเซอร์ไพรส์นั้นจะเป็นบวกหรือลบ
ค่าประมาณขึ้นกับแบบจำลอง ความถี่ข้อมูล นิยามผลตอบแทน หน้าต่าง และพารามิเตอร์ที่ fit ไม่ใช่ข้อเท็จจริงของตลาดที่สังเกตได้โดยตรง
GARCH จดจำทั้งช็อกและ variance ก่อนหน้า
รูปแบบ GARCH(1,1) ที่พบบ่อยคือ hₜ = ω + αε²ₜ₋₁ + βhₜ₋₁ โดย h คือ conditional variance และ ε คือนวัตกรรมของผลตอบแทนก่อนหน้า
Alpha ควบคุมการตอบสนองทันทีต่อช็อกยกกำลังสองใหม่ Beta ส่งต่อค่าประมาณ variance ก่อนหน้า ทำให้ระบอบปั่นป่วนหรือสงบดำเนินต่อได้
Omega ให้ระดับฐาน พารามิเตอร์ถูกประมาณพร้อมกัน ดังนั้นการอ่าน alpha หรือ beta เพียงตัวเดียวอาจบิดเบือนพลวัตของแบบจำลอง
Persistence มีความหมายเฉพาะ
ใน specification มาตรฐาน มักใช้ alpha บวก beta เป็นตัววัด persistence ค่าใกล้หนึ่งหมายถึงช็อกสลายตัวช้าใน forecast ของ variance
ถ้า alpha บวก beta ต่ำกว่าหนึ่ง forecast จะ mean-revert ภายใต้สมมติฐานพื้นฐาน long-run variance คือ omega หารด้วยหนึ่งลบ alpha ลบ beta
Persistence ใกล้หนึ่งไม่ได้หมายความว่าความผันผวนจะสูงถาวร หมายถึงแบบจำลองกระจายผลของช็อกไปบน horizon การคาดการณ์ที่ยาว
แบบจำลองพื้นฐานปฏิบัติต่อเครื่องหมายอย่างสมมาตร
GARCH มาตรฐานตอบสนองต่อช็อกยกกำลังสอง ดังนั้นเซอร์ไพรส์บวกและลบที่มีขนาดเท่ากันจึงมีผลทันทีต่อ variance เท่ากัน
ความผันผวนหุ้นอาจตอบสนองแรงกว่าเมื่อราคาลดลง แบบจำลองแบบไม่สมมาตรเพิ่มพจน์เครื่องหมายหรือ threshold แต่ความยืดหยุ่นที่เพิ่มขึ้นก็สร้างตัวเลือกการประมาณเพิ่ม
การเลือกแบบจำลองควรตาม use case และหลักฐานนอกตัวอย่าง ไม่ใช่จำนวนพารามิเตอร์หรือ fit ในตัวอย่างที่ดีที่สุด
Forecast ของ variance ไม่ใช่คำตัดสินออปชัน
โดยทั่วไป GARCH ประมาณภายใต้กระบวนการผลตอบแทนโลกจริง ส่วน option IV คือราคาภายใต้ risk-neutral ที่รวมอุปสงค์ อุปทาน และค่าตอบแทนความเสี่ยงความผันผวน
IV ที่สูงกว่า forecast ของ GARCH ไม่ได้แพงเกินโดยอัตโนมัติ ช่องว่างอาจจ่ายให้ความเสี่ยงจากการกระโดด skew, model error, ต้นทุน hedge หรือ volatility risk premium
เปรียบเทียบ horizon และหน่วยที่ตรงกัน แล้วสร้างแบบจำลอง payoff ของออปชัน surface ต้นทุนธุรกรรม และสถานการณ์ อันดับ forecast เพียงอย่างเดียวไม่ยืนยันกำไรคาดหมาย
ความผิดพลาดของ forecast ต้องมีแผนของตัวเอง
Structural breaks เหตุการณ์ พารามิเตอร์ล้าสมัย outliers gap ข้ามคืน และทางเลือกการสุ่มตัวอย่างอาจครอบงำ forecast แบบ recursive ที่ดูราบรื่น
ตรวจ residuals ความเสถียรของพารามิเตอร์ หน้าต่างทางเลือก และ forecast ที่ใช้เฉพาะข้อมูลซึ่งมีอยู่ในเวลานั้น Backtests ต้องหลีกเลี่ยงการ fit ที่มองอนาคต
ใช้หลายสถานการณ์ความผันผวนแทนตัวเลขแม่นยำเพียงหนึ่งค่า แบบจำลองมีประโยชน์ที่สุดเมื่อเห็น failure modes ก่อนนำเงินทุนไปเสี่ยง
คำถามที่พบบ่อย
GARCH ทำนายว่าหุ้นจะขึ้นหรือลงหรือไม่?
ไม่ GARCH มาตรฐานคาดการณ์ conditional variance รอบกระบวนการค่าเฉลี่ยที่แยกต่างหาก ไม่ได้ให้ forecast ผลตอบแทนแบบมีทิศทาง
Alpha บวก beta ใน GARCH หมายถึงอะไร?
วัด persistence ของ variance ในแบบจำลองพื้นฐาน ค่าใกล้หนึ่งหมายถึงการสลายตัวช้า โดยอยู่ภายใต้สมมติฐานด้าน stationarity และการประมาณ
ความผันผวนของ GARCH เหมือนกับ implied volatility หรือไม่?
ไม่ GARCH มักคาดการณ์ conditional variance ของโลกจริง ส่วน IV ถอดกลับจากราคาออปชันภายใต้แบบจำลองกำหนดราคาและฝัง risk premia ไว้
เหตุใด forecast ของ GARCH จึงล้มเหลวหลังเหตุการณ์?
เหตุการณ์อาจสร้าง jump หรือ regime change ที่ไม่มีในข้อมูลล่าสุด แบบจำลอง recursive ปรับหลังสังเกตช็อก ไม่ใช่ก่อนข้อมูลที่ไม่รู้จะมาถึง