GARCH-Prozesse in Finanzwissenschaft: Vorhersage der SP500-Optionspreise (ePub)

Bei der Analyse der verschiedensten Finanzzeitreihen (Aktien- und Wechselkursrenditen, aber auch Inflationsrate) wird häufig festgestellt, dass obwohl die eigentlichen Beobachtungen im Sinne eines ARMA-Prozesses nicht prognostizierbar sind (was die Annahme der Markteffizienz bekräftigt), sind deren Quadrate gut prognostizierbar. Anders ausgedrückt, obwohl die Beobachtungen keine signifikante Autokorrelationen aufweisen, sind diese trotzdem nicht unabhängig, und zwar wegen der Autokorrelationen in ihrer Varianz. Volatilität ist aber per se extrem wichtig in der Finanzwissenschaft und Praxis, deswegen wäre deren Vorhersage von größerer Bedeutung.

Außerdem ist häufig eine Situation vorhanden, wenn die quadrierten Residuen eines Modells autokorreliert sind. Solche stochastische Varianz der Residuen bringt mit sich eine Verzerrung der Standard-Errors, was die üblichen Signifikanztests für Parameterschätzungen für einfache (ohne Berücksichtigung solcher Volatilität) aufgebaute Regressionsmodelle unter Zweifel stellen kann. Ein früherer Versuch, diesen Tatsachen entgegenzukommen, beruht auf dem Konzept der stochastischen Volatilität aus den 70er Jahren (insb. entwickelt von Clark, Tauchen, Pits). In diesen Modellen folgte die Volatilität einem eigenen stochastischen Prozess.

Ein deutlicher Durchbruch wurde im Jahre 1982 erzielt mit dem ARCH(1) Modell von Engle: [...]

Im Laufe der zahlreichen praktischen Implementierungen hat es sich jedoch herausgestellt, dass für genügend gute Anpassung eine ziemlich hohe Ordnung q notwendig wurde. Als Antwort auf diesen Makel wurde Ende der 80er Jahren von Bollerslev ein sog. GARCH-Modell entwickelt, welches im allgemeinen Fall viel sparsamer mit Parametern umgeht. Das Modell lässt im Vergleich zum ARCH auch die Abhängigkeit der bedingten Varianz von den eigenen verzögerten Werten zu.