Экспоненциальная GARCH (EGARCH): математика эффекта левериджа

Математическая инновация Нельсона заключалась в моделировании не самой условной дисперсии $sigma_t^2$, а ее натурального логарифма $ln(sigma_t^2)$. Уравнение EGARCH(1,1) принимает вид: $ln(sigma_t^2) = omega + eta ln(sigma_{t-1}^2) + gamma z_{t-1} + alpha (|z_{t-1}| - mathbb{E}[|z_{t-1}|])$, где $z_t = epsilon_t / sigma_t$ — стандартизированный шок (инновация) с нулевым матожиданием и единичной дисперсией. Использование логарифма автоматически гарантирует, что дисперсия $sigma_t^2$ будет строго положительной при любых значениях параметров $omega, alpha, eta, gamma$. Это избавляет аналитиков от необходимости накладывать жесткие и часто нарушаемые ограничения неотрицательности на коэффициенты модели в процессе оптимизации, что было главной "головной болью" в стандартной GARCH.

Асимметричный отклик волатильности контролируется параметром $gamma$. Функция $g(z_t) = gamma z_t + alpha (|z_t| - mathbb{E}[|z_t|])$ представляет собой "кривую новостей" (News Impact Curve). Если $gamma < 0$, то отрицательный шок $z_{t-1} < 0$ (плохая новость, падение рынка) увеличивает волатильность на величину $(alpha - gamma)|z_{t-1}|$, тогда как положительный шок увеличивает ее лишь на $(alpha + gamma)z_{t-1}$. Экономическое обоснование этого эффекта (предложенное еще Фишером Блэком) гласит, что падение стоимости акций компании автоматически увеличивает ее финансовый рычаг (отношение долга к собственному капиталу), делая акции более рискованными. Однако EGARCH улавливает и поведенческий аспект — панику инвесторов при медвежьем тренде.

Оценка параметров модели EGARCH проводится методом максимального правдоподобия (Maximum Likelihood Estimation, MLE). Поскольку финансовые доходности редко подчиняются нормальному закону распределения (обладая "толстыми хвостами"), в функцию правдоподобия часто встраивают $t$-распределение Стьюдента или Обобщенное распределение ошибок (GED). Разработаны эффективные численные алгоритмы (например, алгоритм BHHH) для поиска глобального максимума этой сложной многомерной нелинейной функции. Математическая гибкость функции логарифмического правдоподобия позволяет точно откалибровать EGARCH даже на самых нестационарных финансовых рядах.

Применение EGARCH критически важно в риск-менеджменте и при оценке опционов. Динамика волатильности напрямую определяет квантили распределения для расчета Value-at-Risk (VaR). Игнорирование эффекта левериджа в классической GARCH приводит к фатальной недооценке рисков во время биржевых крахов. В ценообразовании деривативов внедрение EGARCH в диффузионные пределы позволяет получать аналитические приближения для опционов, которые математически точно воспроизводят левосторонний перекос (Skew) подразумеваемой волатильности, наблюдаемый на рынках.

Список литературы:
1. Nelson D.B. Conditional Heteroskedasticity in Asset Returns: A New Approach. — Econometrica, 1991.
2. Tsay R.S. Analysis of Financial Time Series. — Wiley, 2010.
3. Энгл Р. Риск и доходность: ARCH-модели. — М.: Дело, 2011.
Эксперты: Дэниел Нельсон, Роберт Энгл, Руэй Цай.