Nepastovumo grupės yra finansinio turto standartinių nuokrypių rinkiniai, kurie nevienodai paskirstomi laiko eilutėms.
Kitaip tariant, finansinio turto nepastovumas laikui bėgant nėra vienodas, tai yra, nėra pastovus. Taigi, šis nepastovumas priklausys nuo stebėjimų ir laikotarpio, kurį vertiname.
Kai norime statistiškai patenkinamai įvertinti laikotarpio nepastovumą, turėtume atsižvelgti į šį heterogeninį pasiskirstymą visose laiko eilutėse.
Jei manysime, kad pastovus nepastovumas, tai yra, nėra sąlygojamas stebėjimų, pakeisdami tyrimo laikotarpį galime pasiekti neteisingus rezultatus ir išvadas. Jei pakeisime tyrimo laikotarpį, pasikeis ir stebėjimai, todėl iš pradžių apibrėžtas pastovus nepastovumas neatspindės naujo nepastovumo.
Nepastovumo grupės priklauso nuo stebėjimų dažnumo. Dažniau nepastovumo grupes galima rasti dienos ir mėnesio, o ne metiniuose duomenyse.
Nepastovumo grupių taikymas
Sudėtingesniais atvejais, kaip galime rasti nepastovumo grupių laiko eilutėse?
GARCH modelyje mes manome, kad dispersija priklauso nuo stebėjimų. Tada standartinis nuokrypis (nepastovumas) taip pat priklausys nuo stebėjimų. Prisimename, kad nuokrypis kvadratu yra dispersija.
Naudodamiesi GARCH modeliu, mes nustatome dispersiją, sąlygotą tam tikro laikotarpio.
Teorinis pavyzdys
Manome, kad žiemos mėnesiais „AlpineSki“ atsargos yra sistemingai rizikuojamos. Taigi, „AlpineSki“ žiemos mėnesiais jis bus nepastovesnis nei kitais metų mėnesiais. Norime įvertinti „AlpineSki“ nepastovumą nuo spalio iki kovo 2022. Turime informacijos apie kainą nuo 1999 m.
Taigi, jei atspindėsime „AlpineSki“ nepastovumą, žiemos mėnesiais rasime nepastovumo grupę (nepastovumo telkinį) ir likusiais metų mėnesiais kitą nepastovumo grupę (nepastovumo grupę).
Svarbu pabrėžti studijų laikotarpį: jis prasideda rudenį ir baigiasi žiemą. Taigi, turėdami atsižvelgti į informaciją apie jūsų sisteminės rizikos poveikį, ar turėtume atsižvelgti į galimybę, kad nepastovumas nebuvo vienodas per visą tyrimo laikotarpį? Kitaip tariant, ar turėtume naudoti sąlyginį nepastovumą ar besąlygišką nepastovumą?
Besąlygiškas nepastovumas
Nepastovumas, kuris nesikeičia, jei stebėjimai keičiasi.
Procesas
Tyrimo laikotarpio nepastovumą apskaičiuojame naudodami pastovų iš anksto nustatytą nepastovumą. Naudojant šį nuolatinį iš anksto nustatytą nepastovumą, tai reiškia, kad šis iš anksto nustatytas nepastovumas stebint nėra kintamas. Tai yra, jei pakeisime tyrimo laikotarpį, iš anksto nustatytas nepastovumas nepasikeis ir galime padaryti klaidingus rezultatus.
Sąlyginis nepastovumas
Nepastovumas, kuris keičiasi, jei keičiame stebėjimus.
Procesas
Regresuojame naudodamiesi GARCH modeliu ir apskaičiuojame sąlyginį nepastovumą tyrimo laikotarpiui.
Tada, naudojant sąlyginį nepastovumą, tai yra, jis skiriasi priklausomai nuo stebėjimų, galime tiksliau įvertinti, nei jei naudotume besąlygišką nepastovumą. Taigi, jei keisime tyrimo laikotarpį, sąlyginis nepastovumas prisitaikys prie naujų stebėjimų.
Klausimas
Bet … Jei prielaida, kad pastovus nepastovumas gali sukelti klaidingus rezultatus, ar yra modelis, kuris prisiima nuolatinį nepastovumą?
F. Blackas, M. Scholesas ir R. Mertonas mielai atsakys.
