برآورد الگوهای ARCH و GARCH در ایویوز

مدل‌های ARCH و GARCH از مهم‌ترین ابزارهای اقتصادسنجی برای مدلسازی نااطمینانی و نوسان‌پذیری شرطی در داده‌های سری زمانی هستند. این الگوها به‌ویژه در تحلیل بازارهای مالی، نرخ ارز و تورم کاربرد گسترده‌ای دارند. در این محتوا، با تکیه بر منابع انگلیسی معتبر، منطق نظری الگوهای ARCH و GARCH و نحوه برآورد آن‌ها در نرم‌افزار EViews به‌صورت توضیحی بررسی می‌شود.

مفهوم الگوی ARCH (Autoregressive Conditional Heteroskedasticity)

الگوی ARCH برای اولین بار توسط انگل (Engle) معرفی شد تا مشکل ناهمسانی واریانس شرطی را در سری‌های زمانی حل کند. در این مدل فرض می‌شود که واریانس خطای مدل ثابت نیست و به مقادیر گذشته شوک‌ها وابسته است.

منابع انگلیسی اقتصادسنجی نشان می‌دهند که در بسیاری از داده‌های مالی، دوره‌هایی از نوسان بالا و نوسان پایین به‌صورت خوشه‌ای ظاهر می‌شوند که الگوی ARCH قادر به توضیح این رفتار است.

منطق اقتصادسنجی الگوی ARCH

در الگوی ARCH، واریانس شرطی خطا تابعی از توان دوم خطاهای گذشته است. به بیان ساده‌تر، شوک‌های بزرگ در گذشته باعث افزایش نوسان در دوره‌های بعد می‌شوند.

این ویژگی باعث می‌شود الگوی ARCH ابزار مناسبی برای تحلیل خوشه‌بندی نوسانات باشد، هرچند در عمل، استفاده از وقفه‌های زیاد می‌تواند باعث پیچیدگی مدل شود.

مفهوم الگوی GARCH (Generalized ARCH)

الگوی GARCH توسعه‌یافته مدل ARCH است و با هدف کاهش تعداد پارامترها معرفی شد. در این الگو، واریانس شرطی علاوه بر شوک‌های گذشته، به واریانس‌های گذشته نیز وابسته است.

مطالعات انگلیسی نشان می‌دهند که الگوی GARCH نسبت به ARCH ساده‌تر، منعطف‌تر و در عمل کاراتر است و به همین دلیل بیشترین کاربرد تجربی را دارد.

تفاوت الگوهای ARCH و GARCH

تفاوت اصلی دو الگو در ساختار واریانس شرطی آن‌هاست:

• در ARCH فقط شوک‌های گذشته وارد معادله واریانس می‌شوند
• در GARCH هم شوک‌های گذشته و هم واریانس‌های گذشته لحاظ می‌شوند

به همین دلیل، الگوی GARCH اغلب با وقفه‌های کم می‌تواند رفتار نوسان را به‌خوبی توضیح دهد.

پیش‌نیاز استفاده از الگوهای ARCH و GARCH

پیش از برآورد این الگوها، لازم است وجود اثر ARCH در داده‌ها بررسی شود. منابع انگلیسی تأکید می‌کنند که اگر واریانس شرطی ثابت باشد، استفاده از مدل‌های ARCH و GARCH توجیهی ندارد.

در ایویوز، آزمون وجود اثر ARCH معمولاً پس از برآورد یک مدل خطی پایه انجام می‌شود.

برآورد الگوهای ARCH و GARCH در ایویوز

نرم‌افزار EViews امکان برآورد الگوهای ARCH و GARCH را در محیط معادلات خود فراهم کرده است. پژوهشگر می‌تواند فرم معادله میانگین و سپس ساختار معادله واریانس شرطی را مشخص کند.

ایویوز خروجی‌هایی از جمله ضرایب معادله میانگین، ضرایب ARCH و GARCH و معیارهای برازش را ارائه می‌دهد که مبنای تحلیل نوسانات هستند.

تفسیر ضرایب در مدل‌های GARCH

یکی از نکات مهم در تفسیر نتایج GARCH، پایداری و ماندگاری نوسانات است. منابع انگلیسی اشاره می‌کنند که مجموع ضرایب ARCH و GARCH اطلاعات ارزشمندی درباره سرعت بازگشت نوسانات به سطح تعادلی می‌دهد.

اگر این مجموع به یک نزدیک باشد، نوسانات از ماندگاری بالایی برخوردار هستند.

کاربردهای الگوهای ARCH و GARCH

الگوهای ARCH و GARCH در حوزه‌های مختلفی کاربرد دارند، از جمله:

• تحلیل نوسانات بازدهی دارایی‌های مالی
• مدلسازی ریسک و نااطمینانی
• پیش‌بینی نوسانات بازار ارز و سهام

این کاربردها نقش کلیدی این الگوها را در اقتصاد مالی برجسته می‌کنند.

محدودیت‌های الگوهای ARCH و GARCH

با وجود کارایی بالا، الگوهای ARCH و GARCH محدودیت‌هایی نیز دارند. عدم توانایی در توضیح اثرات نامتقارن شوک‌ها و حساسیت نتایج به فرم توزیع خطا از جمله این محدودیت‌ها هستند.

در مطالعات پیشرفته‌تر، معمولاً از تعمیم‌هایی مانند EGARCH و TGARCH استفاده می‌شود.

جایگاه الگوهای ARCH و GARCH در ایویوز

ایویوز به‌عنوان یک نرم‌افزار تخصصی اقتصادسنجی، ابزار مناسبی برای برآورد و تحلیل الگوهای ARCH و GARCH فراهم کرده است. انعطاف‌پذیری این نرم‌افزار باعث شده است که این الگوها در پژوهش‌های دانشگاهی و کاربردی به‌طور گسترده استفاده شوند.

کلیدواژه ها : الگوهای آرچ و گارچ - ARCH Model - GARCH Model - ناهمسانی واریانس شرطی - Conditional Heteroskedasticity - خوشه‌بندی نوسانات - Volatility Clustering - ایویوز - EViews Software - اقتصادسنجی - Econometrics - تحلیل نوسان - Volatility Analysis