GARCH modeļi

Vēl desmit gadus atpakaļ makroekonomisko un finansu pagaidu rindu modelēšana koncentrējās lielākoties uz nosacītiem pirmajiem momentiem, bet jebkuri pagaidu atkarīgie augstāku kārtu momentos tika skatīti kā šķērslis. Riska lomas pastiprināšanās un apsvērumu nenoteiktība mūsdienu ekonomikas teorijā prasīja jauno pagaidu rindu ekonomisko metožu attīstību, kuras modelēšanas laikā ņemtu vērā dispersiju izmaiņas un variācijas laikā. Ņemot vērā jebkādas strukturizētas dinamiski-ekonomiskas teorijas neesamību, kura skaidrotu augstāku kārtu momentu dinamiku, īpaši šai attīstībai ir palīdzējusi modeļu klase ar nosacīto autoregresijas heteroskedastitāti (ARCH – Autoregressive Conditional Heteroscedasticity), kuru ieviesa Engls (Engle (1982)) [1]. Tāpat kā parasto lineāro modeļu pagaidu rindu panākumus sekmēja nosacīto matemātisko varbūtību izmantošana beznosacīto vietā, atslēgas moments, ko piedāvā ARCH modelis, ir nosacīto un beznosacīto momentu otro kārtu atšķirības. Laikā, kad beznosacīta varbūtību matrica interesi attēlotiem mainīgien var būt nezināma laikā, nosacītas dispersijas un varbūtības bieži netriviālā veidā ir atkarīgas no pasaules stāvokļa pagātnē. Precīzas raksturošanas šīs laicīgas atkarības saprašana ļoti svarīga daudzām problēmām makroekonomikā un finansēs, tādās kā neatgriezeniskas investīcijas, komerclīgumu cenas, procenta likmju struktūra pēc termiņiem un vispārīgas dinamiskas sakarības cenu aktīviem.…