> Machine Learning Guru|

Волатильность большинства финансовых активов ассиметрична: негативные шоки увеличивают ее сильнее, чем позитивные той же величины. Классическая модель GARCH (1,1) предполагает симметричный отклик условной дисперсии, что приводит к систематическим ошибкам в оценке риска и неэффективному хеджированию опционных позиций.

Эконометрические модели EGARCH, TGARCH и FIGARCH расширяют базовую спецификацию GARCH, позволяя моделировать асимметричные эффекты и долгую память в волатильности. Эти модели применяются в расчете Value at Risk, ценообразовании деривативов и построении торговых стратегий на волатильности. Выбор между ними определяется характеристиками данных и целями моделирования.

Асимметрия волатильности на финансовых рынках

Эмпирические исследования фондовых индексов показывают отрицательную корреляцию между доходностью и последующей волатильностью. Падение S&P 500 на 2% увеличивает оцененную волатильность в среднем на 15-20%, тогда как рост на 2% снижает ее лишь на 8-10%. Этот эффект проявляется на различных временных масштабах: от внутридневных данных до месячных интервалов.

Эффект левериджа и асимметричный отклик

Классическое объяснение асимметрии — эффект левериджа (leverage effect). Снижение цены акций увеличивает соотношение долг/капитал компании, что повышает финансовый риск и волатильность. Рост цены производит обратный эффект меньшей величины.

Альтернативная гипотеза волатильного фидбэка (volatility feedback) предполагает, что негативные новости вызывают немедленный рост требуемой доходности, что снижает текущую цену и одновременно увеличивает волатильность. Эмпирические данные подтверждают оба механизма, причем их относительный вклад варьируется в зависимости от рыночных условий.

Для индексов развивающихся рынков асимметрия выражена сильнее: коэффициент асимметрии достигает -0.8 против -0.5 для развитых рынков. Криптовалюты демонстрируют слабую асимметрию или ее отсутствие, что связано с тем что тут совершенно иные драйверы волатильности, не связанные с доходностью компаний, выпускающих финансовые активы.

Ограничения симметричных моделей GARCH

Базовая спецификация GARCH (1,1) моделирует условную дисперсию как:

σ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁

где:

• σ²ₜ — условная дисперсия в момент t;
• εₜ₋₁ — стандартизированный остаток в момент t-1;
• ω, α, β — параметры модели.

Квадратичная форма ε²ₜ₋₁ означает одинаковое влияние положительных и отрицательных шоков. Модель недооценивает волатильность после негативных новостей и переоценивает после позитивных. Прогнозы VaR получаются смещенными, что не годится для риск-менеджмента в современных условиях.

Попытки улучшить симметричный GARCH через увеличение порядка модели (p, q) не решают проблему асимметрии. Модели GARCH (2,2) или GARCH (3,3) лучше аппроксимируют долгосрочную память, но сохраняют симметричный отклик на шоки разного знака.

Рис. 1: Cравнение истинной волатильности и моделируемой GARCH. Симметричная GARCH модель систематически недооценивает волатильность после негативных шоков и переоценивает после позитивных. Распределение ошибок смещено влево для периодов после падений

EGARCH: Экспоненциальная обобщенная условная гетероскедастичность

Модель Exponential GARCH, предложенная Nelson (1991), использует логарифмическую параметризацию условной дисперсии. Это гарантирует положительность волатильности без ограничений на параметры и позволяет моделировать асимметричный отклик произвольной формы.

Архитектура модели и логарифмическая параметризация

Спецификация EGARCH (1,1):

log(σ²ₜ) = ω + β·log(σ²ₜ₋₁) + α·|zₜ₋₁| + γ·zₜ₋₁

где:

• zₜ₋₁ = εₜ₋₁/σₜ₋₁ — стандартизированный остаток;
• ω — константа;
• β — коэффициент персистентности;
• α — влияние величины шока;
• γ — параметр асимметрии.

Логарифмическая форма устраняет необходимость проверки неотрицательности: exp(log(σ²ₜ)) всегда положителен при любых значениях параметров. В стандартном GARCH требуется ω > 0, α ≥ 0, β ≥ 0 и α + β < 1 для стационарности.

Персистентность волатильности определяется коэффициентом β. Значение β = 0.98 означает полураспад шока волатильности примерно через 35 периодов. Для дневных данных акций типичный диапазон β составляет 0.94-0.99, что соответствует долгой памяти волатильности.

Моделирование знака и величины шоков

Член α·|zₜ₋₁| захватывает влияние величины шока независимо от знака. Положительный α означает, что крупные движения любого направления увеличивают волатильность. Типичные оценки для индексов: α ∈ [0.1, 0.3].

Параметр асимметрии γ определяет различие в отклике на положительные и отрицательные шоки:

• γ < 0: негативные шоки увеличивают волатильность сильнее (leverage effect);
• γ = 0: симметричный отклик;
• γ > 0: позитивные шоки увеличивают волатильность сильнее (редко для акций).

Для индекса S&P 500 оценки γ находятся в диапазоне от -0.15 до -0.25. Это значит, что негативный шок в 1 стандартное отклонение увеличивает log(σ²ₜ) на величину α + γ ≈ 0.05, тогда как позитивный шок той же величины — на α — γ ≈ 0.35.

Комбинация членов позволяет разделить эффекты:

1. |zₜ₋₁| отвечает за базовый отклик на размер движения;
2. zₜ₋₁ добавляет асимметричную компоненту;
3. их взаимодействие создает нелинейный отклик сложной формы.

Оценка параметров и практические аспекты

Максимизация логарифмической функции правдоподобия (MLE) при нормальном распределении инноваций вычисляется следующим образом:

L = -T/2·log(2π) — 1/2·Σlog(σ²ₜ) — 1/2·Σ(ε²ₜ/σ²ₜ)

где:

• T — количество наблюдений;
• σ²ₜ — условная дисперсия в момент t;
• εₜ — остаток в момент t.

Логарифмическое правдоподобие суммирует вклад каждого наблюдения. Оптимизация проводится численными методами (BFGS, Newton-Raphson). Библиотека arch в Python реализует эффективные алгоритмы с автоматическим вычислением градиентов.

Важно учитывать, что распределение случайных ошибок (инноваций, residuals) влияет на оценки параметров. Так, к примеру:

• Распределение Стьюдента (Student-t) с оцениваемыми степенями свободы лучше подходит для данных с «тяжелыми хвостами»;
• Для криптовалют и внутридневных данных акций скошенное распределение Стьюдента (skewed Student-t) обычно дает более качественную подгонку по информационным критериям.

Для стационарности модели EGARCH (Exponential GARCH) нужно, чтобы выполнялось условие |β| < 1. Если β ≥ 1, модель становится нестационарной. В этом случае шоки волатильности не затухают со временем.

Интегрированный вариант IEGARCH (Integrated Exponential GARCH) с β = 1 применяют для моделирования постоянных сдвигов уровня волатильности.

Начальное значение условной дисперсии σ²₀ влияет на первые 50–100 наблюдений. Обычно используют безусловную дисперсию выборки или оценку из предварительной модели GARCH (Generalized ARCH). Для длинных временных рядов (1000+ наблюдений) выбор начального значения почти не влияет на результат.

Рис. 2: Механика EGARCH модели. Асимметричная функция отклика показывает более сильное влияние негативных шоков. Декомпозиция разделяет эффект величины и знака инновации

TGARCH: пороговая модель волатильности

Threshold GARCH (также GJR-GARCH по авторам Glosten, Jagannathan, Runkle) использует явное разделение положительных и отрицательных инноваций через индикаторную функцию. Модель проще интерпретировать чем EGARCH, сохраняя при этом способность захватывать асимметрию.

Механизм разделения по знаку инновации

Спецификация TGARCH (1,1):

σ²ₜ = ω + α·ε²ₜ₋₁ + γ·ε²ₜ₋₁·Iₜ₋₁ + β·σ²ₜ₋₁

где:

• Iₜ₋₁ = 1 если εₜ₋₁ < 0, иначе 0;
• ω, α, β — стандартные параметры GARCH;
• γ — коэффициент асимметрии.

Индикатор Iₜ₋₁ активирует дополнительный член γ·ε²ₜ₋₁ для негативных шоков. Положительные инновации влияют на волатильность с коэффициентом α, негативные — с коэффициентом α + γ. Параметр γ > 0 означает более сильный отклик на падения.

Условия стационарности:

ω > 0, α ≥ 0, β ≥ 0, γ ≥ 0 и α + β + γ/2 < 1

Член γ/2 появляется потому что негативные шоки возникают в среднем в половине случаев. Безусловная дисперсия равна:

σ² = ω / (1 — α — β — γ/2)

Типичные оценки для индекса S&P 500: α ≈ 0.04, β ≈ 0.92, γ ≈ 0.08. Негативный шок величиной σ увеличивает следующую условную дисперсию на (α + γ)·σ² = 0.12·σ², тогда как позитивный — на α·σ² = 0.04·σ². Асимметрия в три раза.

Сравнение с EGARCH: когда использовать каждую модель

TGARCH сохраняет квадратичную форму базового GARCH, что упрощает интерпретацию и вычисления. Ограничения на параметры более строгие: необходимо следить за неотрицательностью и условиями стационарности. Модель EGARCH свободна от этих ограничений благодаря логарифмической форме.

Функция отклика TGARCH кусочно-квадратичная с изломом в нуле. EGARCH моделирует гладкую нелинейную функцию через комбинацию |zₜ₋₁| и zₜ₋₁. Для активов с резким переключением режимов (например, при пересечении критических уровней поддержки) TGARCH может быть предпочтительнее.

Сравнение по информационным критериям (AIC, BIC) для различных классов активов:

• Индексы акций развитых рынков: EGARCH и TGARCH показывают сопоставимые результаты, разница в AIC менее 5 пунктов;
• Индексы развивающихся рынков: EGARCH лучше на 8-12 пунктов AIC благодаря более гибкой функции отклика;
• Валютные пары: TGARCH часто предпочтительнее из-за меньшей асимметрии и более простой структуры;
• Товарные фьючерсы: EGARCH эффективнее для энергетических контрактов, TGARCH — для металлов.

Вычислительная сложность TGARCH ниже: квадратичная форма вычисляется быстрее экспоненты. Для высокочастотных данных или портфелей из сотен активов это существенно. EGARCH требует примерно на 20-30% больше времени для оценки параметров.

Интерпретация коэффициентов асимметрии

Отношение γ/α показывает относительное усиление от негативных шоков. Значение γ/α = 2 означает, что негативный шок создает в три раза больший эффект на волатильность чем позитивный (базовый α плюс дополнительный 2α от γ).

Декомпозиция вклада в безусловную дисперсию:

1. Константа ω: базовый уровень волатильности;
2. Член α·ε²ₜ₋₁: симметричная реакция на все шоки;
3. Член γ·ε²ₜ₋₁·Iₜ₋₁: дополнительная волатильность от негативных новостей;
4. Член β·σ²ₜ₋₁: персистентность предыдущей волатильности.

Рис. 3: Механика TGARCH модели. Кусочная функция отклика с изломом в нуле показывает резкое изменение коэффициента для негативных шоков. Декомпозиция выделяет дополнительный вклад асимметричного компонента

Доля асимметричного компонента в общей волатильности вычисляется как:

γ/(2(α + β + γ/2))

Для типичных параметров фондовых индексов эта доля обычно составляет 8–12%. Остальная часть волатильности объясняется симметричными факторами и устойчивостью волатильности во времени.

Статистическую значимость параметра γ проверяют с помощью t-критерия (t-test). Нулевая гипотеза формулируется так: H₀: γ = 0, то есть асимметрии нет. Для большинства фондовых индексов γ значимо отличается от нуля на уровне значимости 1%. Для валютных пар асимметрия часто оказывается статистически незначимой.

FIGARCH: долгая память в волатильности

Модель Fractionally Integrated GARCH расширяет стандартные модели для захвата долгосрочной зависимости в условной дисперсии. Автокорреляционная функция квадратов доходностей затухает по степенному закону вместо экспоненциального, что типично для финансовых данных.

Концепция фрактальной интегрированности

Стандартная модель GARCH (1,1) предполагает экспоненциальное затухание шоков волатильности. Импульсная функция отклика снижается как β^k, где k — количество периодов после шока. Для β = 0.95 влияние шока через 20 периодов составляет лишь 36% от начального уровня.

Эмпирические автокорреляции |rₜ|² для индексов акций демонстрируют медленное гиперболическое затухание. На лагах 50-100 периодов корреляции остаются статистически значимыми, что несовместимо с экспоненциальной моделью. Это свойство называется долгой памятью.

FIGARCH вводит дробный оператор разности (1-L)^d, где:

• L — лаговый оператор (L·εₜ = εₜ₋₁);
• d — параметр фрактальной интегрированности, 0 < d < 1.

Спецификация FIGARCH (1,d,1):

σ²ₜ = ω + [1 — (1-β·L)⁻¹·(1-φ·L)·(1-L)^d]·ε²ₜ

где:

• ω — константа;
• β — параметр GARCH;
• φ — параметр ARCH;
• d — степень фрактальной интегрированности.

Параметр d определяет скорость затухания: d = 0 соответствует стандартному GARCH, d = 1 — интегрированному IGARCH с бесконечной памятью. Типичные оценки для фондовых индексов: d ∈ [0.3, 0.5].

Отличия от стандартных моделей GARCH

Модель условной дисперсии GARCH (1,1) имеет три параметра, FIGARCH — четыре. Дополнительная гибкость позволяет лучше аппроксимировать долгосрочную структуру автокорреляций. Информационные критерии показывают улучшение на 15-25 пунктов AIC для месячных и квартальных данных.

Безусловная дисперсия в модели FIGARCH не определена при d > 0. Это означает, что процесс нестационарен в широком смысле. При этом условная дисперсия может оставаться стационарной по ковариации при соблюдении ограничений на параметры. На практике это обычно не является проблемой, так как основной упор делают на условные прогнозы.

Прогнозы волатильности на длинных горизонтах (20 и более периодов) всех 3 моделей условной дисперсии сильно различаются:

• Обобщенная авторегрессионная условная гетероскедастичность (GARCH, Generalized ARCH): быстрая сходимость к безусловному среднему уровню;
• Фракционно-интегрированная обобщенная авторегрессионная условная гетероскедастичность (FIGARCH, Fractionally Integrated GARCH): медленное затухание; прогнозы долго остаются выше безусловного уровня;
• Интегрированная обобщенная авторегрессионная условная гетероскедастичность (IGARCH, Integrated GARCH): прогнозы не сходятся; любой шок действует постоянно.

Для торговых стратегий на волатильности это имеет ключевое значение. Возврат к среднему уровню волатильности (mean reversion) происходит медленнее, чем предсказывает обычная модель GARCH. Это меняет оптимальные точки входа в позиции по опционам и влияет на итоговую доходность стратегий.

Применимость к различным классам активов

Индексы акций демонстрируют наиболее выраженную долгую память: d = 0.35-0.45. Кризисные периоды усиливают эффект: оценки d во время 2008-2009 достигали 0.55-0.6. Это отражает затянутые периоды повышенной волатильности.

Валютные пары показывают слабую долгую память: d = 0.15-0.25. Стандартный GARCH часто достаточен. Исключение — кросс-курсы развивающихся рынков к доллару, где d достигает 0.35.

Рис. 4: Долгая память в FIGARCH. Гиперболическое затухание импульсной функции отклика приводит к персистентным автокорреляциям. Прогнозы волатильности сходятся медленнее чем в стандартном GARCH

Товарные фьючерсы неоднородны:

• Энергетические контракты (нефть, газ): d = 0.4-0.5, выраженная долгая память;
• Металлы (золото, серебро): d = 0.25-0.35, умеренная долгая память;
• Сельхозпродукция: d = 0.1-0.2, близко к стандартному GARCH.

Криптовалюты демонстрируют экстремальную долгую память на ранних этапах развития рынка: d = 0.5-0.7 для Bitcoin в 2013-2017. С ростом ликвидности параметр снижается до 0.3-0.4. Высокие значения d отражают длительные тренды волатильности во время пузырей и коллапсов.

Сравнительный анализ моделей

Выбор между моделями EGARCH, TGARCH и FIGARCH зависит от характеристик данных, целей моделирования и вычислительных ограничений. Данные модели условной дисперсии решают разные проблемы: асимметрия отклика (EGARCH, TGARCH) и долгая память (FIGARCH). Комбинированные спецификации объединяют эти свойства.

Критерии выбора модели

Характер асимметрии определяет выбор между EGARCH и TGARCH:

• EGARCH лучше подходит для рынков, где реакция на новости происходит плавно. Цена и волатильность меняются постепенно, без резких скачков;
• TGARCH лучше описывает рынки с резкими переключениями режимов. Это характерно для активов с четкими психологическими уровнями или структурными разрывами в динамике.

Форму отклика проверяют через регрессию квадратов стандартизированных остатков:

z²ₜ = c₀ + c₁·zₜ₋₁ + c₂·z²ₜ₋₁ + c₃·|zₜ₋₁| + uₜ

Интерпретация результатов простая:

• если значимы c₁ и c₃, но c₂ незначим — это признак плавной линейно-абсолютной реакции, характерной для EGARCH;
• если значим только c₂, причем коэффициенты отличаются для положительных и отрицательных значений zₜ₋₁, — это поддерживает выбор TGARCH.

Для долгосрочных прогнозов волатильности лучше подходит фракционно-интегрированная обобщенная авторегрессионная условная гетероскедастичность (FIGARCH), если в данных есть эффект долгой памяти. Наличие этого эффекта проверяют с помощью теста Гейвека–Портера–Худака (GPH test).

Для краткосрочных прогнозов на горизонте 1–5 периодов обычно достаточно стандартной модели обобщенной авторегрессионной условной гетероскедастичности (GARCH) или пороговой версии (TGARCH).

Вычислительная сложность растет в следующем порядке:

TGARCH → EGARCH → FIGARCH.

При работе с портфелями из 100 и более активов с ежедневной переоценкой это становится важным моментом.

По скорости расчета при сопоставимых моделях TGARCH работает примерно на 25% быстрее, чем EGARCH (Exponential GARCH), а TGARCH работает примерно на 40% быстрее, чем FIGARCH.

Комбинированные модели

Модель FIEGARCH объединяет долгую память и асимметрию в одной конструкции. Для этого используется логарифмическая спецификация и дробный оператор. Формула модели выглядит так:

log(σ²ₜ) = ω + [1-(1-β·L)⁻¹·(1-L)^d]·(α·|zₜ₋₁| + γ·zₜ₋₁)

Эта модель включает пять параметров, тогда как GARCH имеет только три. Из-за этого на коротких временных рядах (менее 500 наблюдений) часто возникает переобучение. Чтобы ограничить излишнюю сложность модели, используют байесовский информационный критерий (BIC). Он сильнее наказывает сложные модели, чем другие критерии (например, AIC), и помогает избежать лишней параметризации.

Модель фракционно-интегрированной асимметричной степенной обобщённой авторегрессионной условной гетероскедастичности FIAPARCH расширяет стандартные модели за счет степенного преобразования волатильности. Ее спецификация имеет вид:

σᵟₜ = ω + [1-(1-β·L)⁻¹·(1-L)^d]·(|εₜ₋₁| — γ·εₜ₋₁)ᵟ

Ключевую роль играет параметр δ — показатель степени. Он позволяет моделировать нелинейности в условной дисперсии.

Практическая интерпретация:

• типичные оценки: δ ∈ [1.5; 2.5];
• для высокочастотных данных δ обычно близок к 1;
• для месячных данных δ чаще приближается к 2.

Таким образом, FIAPARCH гибко подстраивается под структуру данных и позволяет лучше описывать как быстрые, так и медленные режимы изменения волатильности.

Параметр δ в модели FIAPARCH позволяет учитывать нелинейности в условной дисперсии. Типичные значения: δ ∈ [1.5, 2.5]. Для высокочастотных данных δ близко к 1, для месячных данных — к 2.

Практическое применение комбинированных моделей:

1. Ценообразование долгосрочных опционов (> 6 месяцев): FIEGARCH учитывает долгую память и асимметрию улыбки волатильности (volatility smile);
2. Стратегии волатильного арбитража: FIAPARCH точнее описывает экстремальные движения рынка;
3. Риск-модели для портфелей: EGARCH достаточно для большинства задач и упрощает реализацию.

Сравнительная таблица моделей

Для формального сравнения моделей используют информационные критерии: AIC (Akaike Information Criterion) и BIC (Bayesian Information Criterion). Разница менее 5 пунктов считается несущественной.

Характеристика	EGARCH	TGARCH	FIGARCH
Асимметрия отклика	Гладкая нелинейная	Кусочная квадратичная	Нет (если не комбинировать)
Долгая память	Нет	Нет	Да
Количество параметров	4	4	4
Ограничения на параметры	Минимальные	Строгие (неотрицательность)	Умеренные
Вычислительная сложность	Средняя	Низкая	Высокая
Интерпретируемость	Средняя	Высокая	Низкая
Оптимальная область применения	Индексы акций, опционы	Валюты, товары	Долгосрочные прогнозы
Типичное улучшение AIC vs GARCH	10-20 пунктов	8-15 пунктов	15-25 пунктов (месячные данные)

Важно тестировать модели как на обучающей выборке, так и на тестовой, так как сложные модели могут переобучаться, и их прогнозная точность снижается.

Для оценки корректности модели также применяют следующие дополнительные тесты:

• Тест Льюнга–Бокса (Ljung-Box) на автокорреляцию стандартизированных остатков. P-value > 0.05 на лагах 10–20 говорит о том, что модель не оставила неучтенной структуры в данных;
• Тест на квадраты остатков помогает выявить оставшуюся гетероскедастичность, то есть неполностью смоделированную волатильность.

Практические рекомендации по применению

Реализация асимметричных GARCH моделей требует внимания к деталям подготовки данных, оценки параметров и валидации результатов. Ошибки на этапе спецификации приводят к смещенным оценкам риска и неэффективным торговым сигналам.

Диагностика модели и тестирование остатков

Стандартизированные остатки z_t = ε_t/σ_t должны удовлетворять предположениям модели: нулевое среднее, единичная дисперсия, отсутствие автокорреляции. Отклонения указывают на проблемы спецификации.

Тесты на автокорреляцию:

• Ljung-Box Q-тест на лагах 10, 15, 20 для уровней остатков;
• Ljung-Box Q-тест для квадратов остатков (проверка оставшейся условной гетероскедастичности);
• ARCH-LM тест для различных порядков лагов.

P-values ниже 0.05 сигнализируют о неадекватности модели. Решение: увеличение порядка (p,q), переход к более сложной спецификации, или изменение распределения инноваций.

Тестирование асимметрии через знаковый bias тест:

z²ₜ = c₀ + c₁·Sₜ₋₁⁻ + c₂·Sₜ₋₁⁻·zₜ₋₁ + c₃·Sₜ₋₁⁺·zₜ₋₁ + uₜ

где:

• Sₜ₋₁⁻ = 1 если εₜ₋₁ < 0, иначе 0
• — Sₜ₋₁⁺ = 1 если εₜ₋₁ > 0, иначе 0

Незначимые коэффициенты c₁, c₂, c₃ подтверждают адекватное моделирование асимметрии. Значимость указывает на неучтенные нелинейности.

Визуализация через QQ-plot стандартизированных остатков против теоретического распределения (нормального или распределения Стьюдента) позволяет выявить отклонения в хвостах. Если наблюдаются систематические отклонения в левом хвосте при нормальном распределении, часто переходят на скошенное распределение Стьюдента.

Тест Нюблома (Nyblom) проверяет стабильность параметров модели и помогает выявить структурные изломы. Для модели с четырьмя параметрами критическое значение на уровне значимости 5% составляет примерно 0.47. Если значение теста превышает этот порог, это указывает на нестабильность параметров. В таких случаях рекомендуется оценивать модель на подвыборках или использовать модели с временной вариацией параметров.

Прогнозирование VaR и риск-метрики

Value at Risk на уровне α вычисляется как:

VaR_α = μₜ₊₁ + σₜ₊₁·q_α

где:

• μₜ₊₁ — прогноз среднего (часто ноль для доходностей);
• σₜ₊₁ — прогноз волатильности из GARCH модели;
• q_α — квантиль распределения инноваций.

Для уровня значимости α = 0.05 и нормального распределения квантиль равен q_α = -1.645. Для распределения Стьюдента с 6 степенями свободы квантиль примерно q_α ≈ -2.0, что увеличивает оценку VaR на 20%. Неправильный выбор распределения может привести к недооценке VaR и стать причиной регуляторных нарушений.

Backtesting VaR оценивает качество прогнозов через последовательность хитов (hit sequence):

Iₜ = 1 если rₜ < VaR_α,t, иначе 0

Основные тесты:

• Безусловный coverage тест (Kupiec) проверяет, что доля хитов соответствует уровню α;
• Условный coverage тест (Christoffersen) дополнительно проверяет независимость хитов во времени.

Если хиты кластеризуются, это указывает на недооценку волатильности в определенных рыночных режимах.

Условный риск Expected Shortfall (ES, также CVaR) оценивает средние потери при превышении VaR:

ES_α = E[r | r < VaR_α]

Для асимметричных моделей GARCH ES вычисляют через численное интегрирование прогнозного распределения. Например, EGARCH с скошенным распределением Стьюдента дает значения ES на 15–25% выше, чем симметричный GARCH с нормальным распределением.

Многопериодные прогнозы волатильности для горизонта h вычисляются по формуле:

σ²ₜ₊ₕ|ₜ = ω·(1 + (α+β) + … + (α+β)^(h-1)) + (α+β)^h·σ²ₜ

Для модели GARCH (1,1) эта формула упрощается. Для EGARCH и TGARCH прогнозы рассчитывают итеративно через симуляции. Обычно 10000 симуляций Монте-Карло обеспечивают точность прогноза на уровне 1–2%.

Практические рекомендации для внедрения моделей в продакшн

Переоценка параметров:

• еженедельно для высоколиквидных активов;
• ежемесячно для менее активных.

Скользящее окно:

• 500–1000 наблюдений для дневных данных;
• меньшие окна для высокочастотных.

Робастность к выбросам — применяют винзоризацию данных на уровне 0,1% и 99,9% перцентилей.

Мониторинг стабильности — отслеживание параметров моделей и статистик качества подгонки.

Интеграция с системами риск-менеджмента требует автоматизации всего пайплайна: загрузки данных, оценки моделей, генераций прогнозов и расчета метрик. Ошибки обработки данных, например пропуски или аномалии, должны триггерить алерты, чтобы иметь возможность вовремя провести ручную проверку и корректировку.

Выводы

Асимметрия волатильности — эмпирически устойчивое свойство финансовых рынков, игнорирование которого приводит к систематическим ошибкам в оценке риска. Для решения этой проблемы специалисты заменяют классическую GARCH модель на другие:

• EGARCH моделирует гладкую нелинейную зависимость через логарифмическую параметризацию;
• TGARCH использует явное разделение по знаку инновации;
• FIGARCH захватывает долгую память в условной дисперсии.

Выбор между ними определяется характером данных, горизонтом прогноза и вычислительными ограничениями.

Практическое применение этих моделей выходит далеко за рамки академических исследований:

• Портфельные менеджеры используют асимметричные модели GARCH для динамического хеджирования;
• Трейдеры опционов применяют их для калибровки volatility smile;
• Риск-менеджеры — для точных оценок VaR и Expected Shortfall.

Правильная спецификация модели волатильности напрямую влияет на доходность стратегий, поскольку недооценка волатильности после негативных шоков приводит к излишнему риску, а переоценка после позитивных шоков — к упущенным возможностям.

Проведение тестов, проверка остатков, обновление параметров и аккуратный бэктестинг превращают эти модели из теоретических в реальные инструменты, на которые можно опереться при принятии решений в условиях рыночной неопределенности.