Generalized AutoRegressive Conditional Heteroskedasticity단어가 뭐 이따위야
간단히 설명해서, 어떤 시계열의 평균은 예측하지 못해도 분산은 예측할 수 있는 경우라 할 수 있다. 금융시장에서 각종 가격변수들을 예측할 때 널리 사용된다. FRM등의 시험에도 출제되는 매우 범용적인 부분. 예를 들어 KOSPI지수를 분석해보면 지수의 값은 랜덤워크에 가깝게 움직이는 것을 볼 수 있다. 즉 내일 코스피 지수는 오늘 코스피 지수 +- 무작위 오차 식으로 예측할 수 있다는 것이다. 그러나 지수가 변화하는 정도, 즉 표준편차, 혹은 분산의 경우에는 오늘 분산이 낮으면 내일도 낮고 오늘 분산이 높으면 내일도 높은 식의 관계가 존재한다. 바꿔말해서 박스피는 계속 박스피로 남고, 천천히 올라가는 장이면 계속 천천히 오르거나 내리고, 급락/급등장에서는 또 급락/급등이 이어질 확률이 높다는 것이다. 얼핏 생각해보면 분산을 예측하는 것이 의미 없다 여길 수 있지만 분산이 곧 리스크인 만큼[1] 사실 중요할 수밖에 없는 분야.[2]
2016년 현재까지 ARCH, GARCH, IGARCH, EGARCH, GJR-GARCH, TGARCH, NGARCH, fGARCH 등 수많은 GARCH류 모델이 존재하고 또 새로 만들어지고 있다. 각각의 모형에 대한 자세한 설명은 추후 추가바람.