知经 KNOWECON
登录 注册

知经百科 / Z

自回归条件异方差 (ARCH/GARCH)

自回归条件异方差 (ARCH/GARCH)

自回归条件异方差模型，简称 ARCH 模型（Autoregressive Conditional Heteroskedasticity），及其推广形式 GARCH 模型（Generalized Autoregressive Conditional Heteroskedasticity），是金融计量学中用于建模和预测时间序列分析中波动率（条件方差）的核心工具。ARCH 模型由罗伯特·恩格尔（Robert F. Engle）于1982年提出，为此他获得了2003年诺贝尔经济学奖。GARCH 模型由 Tim Bollerslev 于1986年在 Engle 的指导下提出，将 ARCH 的思想推广为更简洁的参数化形式。

该类模型的核心创新在于，放弃了传统时间序列模型（如ARMA）中误差项同方差的假设，转而认为当期波动率依赖于过去若干期的波动冲击与历史波动本身。这一设定成功地捕捉了金融资产收益率序列中普遍存在的波动集聚性（volatility clustering）：即市场在平稳期后往往跟随更多平稳期，剧烈波动后往往继续出现剧烈波动。

ARCH 模型

设收益率序列为 rtr_t，其均值方程通常设定为简单的常数或白噪声过程：rt=μ+εtr_t = \mu + \varepsilon_t。ARCH(q) 模型对条件方差 ht=Var⁡(εt∣Ft−1)h_t = \operatorname{Var}(\varepsilon_t \mid \mathcal{F}_{t-1}) 的设定为：

εt=ht⋅zt,zt∼i.i.d.N(0,1)\varepsilon_t = \sqrt{h_t} \cdot z_t, \quad z_t \stackrel{\text{i.i.d.}}{\sim} N(0,1)
ht=ω+∑i=1qαiεt−i2h_t = \omega + \sum_{i=1}^{q} \alpha_i \varepsilon_{t-i}^2

其中 ω>0\omega > 0，αi≥0\alpha_i \ge 0 对所有 ii 成立，且 ∑αi<1\sum \alpha_i < 1 以保证协方差平稳。ARCH 模型的核心直觉为：一个大的冲击（无论正负）会增加下一期的波动，因为波动由冲击的平方驱动。参数 αi\alpha_i 衡量第 ii 期前的冲击对当期波动的影响力度，滞后阶数 qq 越高则波动记忆越长。

ARCH 模型的实际限制在于，为了充分捕捉波动率的持续性，通常需要较大的滞后阶数 qq，导致大量参数需要估计，且非负约束难以同时满足。

GARCH 模型

GARCH(p, q) 模型通过在方差方程中引入波动率自身的滞后项，以极少的参数实现了对波动持续性的简洁刻画：

ht=ω+∑i=1qαiεt−i2+∑j=1pβjht−jh_t = \omega + \sum_{i=1}^{q} \alpha_i \varepsilon_{t-i}^2 + \sum_{j=1}^{p} \beta_j h_{t-j}

其中 ω>0\omega > 0，αi≥0\alpha_i \ge 0，βj≥0\beta_j \ge 0，且 ∑αi+∑βj<1\sum \alpha_i + \sum \beta_j < 1 以保证无条件方差有限和协方差平稳。GARCH(1,1) 是实证中最常用的设定：

ht=ω+αεt−12+βht−1h_t = \omega + \alpha \varepsilon_{t-1}^2 + \beta h_{t-1}

参数 α\alpha 称为 ARCH 项，衡量市场对新信息（冲击）的反应强度；β\beta 称为 GARCH 项，衡量波动率自身的持续性。α+β\alpha + \beta 越接近 1，波动冲击的衰减越慢，波动集聚性越显著。当 α+β=1\alpha + \beta = 1 时退化为 IGARCH（Integrated GARCH）模型，冲击对波动具有永久影响。

模型估计与检验

GARCH 模型通常通过最大似然估计（MLE）进行估计。假设 ztz_t 服从标准正态分布，对数似然函数（忽略常数项）为：

ℓ(θ)=−12∑t=1T[ln⁡(ht)+εt2ht]\ell(\theta) = -\frac{1}{2} \sum_{t=1}^{T} \left[ \ln(h_t) + \frac{\varepsilon_t^2}{h_t} \right]

其中 θ=(μ,ω,α1,…,αq,β1,…,βp)\theta = (\mu, \omega, \alpha_1, \ldots, \alpha_q, \beta_1, \ldots, \beta_p) 为待估参数向量。由于金融收益率常呈现厚尾特征，实践中也广泛使用 Student-t 分布或 GED 分布假设以提升拟合效果。

ARCH 效应检验是建模前的关键步骤。常用的拉格朗日乘数检验（Engle's ARCH-LM test）步骤如下：

  1. 估计均值方程（通常为 ARMA 模型），获得残差 ε^t\hat{\varepsilon}_t。
  2. 将 ε^t2\hat{\varepsilon}_t^2 对其 mm 阶滞后进行辅助回归。
  3. 检验联合零假设 H0:α1=⋯=αm=0H_0: \alpha_1 = \cdots = \alpha_m = 0（无 ARCH 效应）。
  4. 若拒绝 H0H_0，则存在 ARCH 效应，应使用 ARCH/GARCH 类模型。

扩展与应用

GARCH 模型的后续扩展包括：

  • EGARCH（指数 GARCH）：由 Nelson 于1991年提出，允许正负冲击对波动具有非对称影响，即杠杆效应。对数形式自动保证方差为正，无需非负约束。
  • GJR-GARCH / TGARCH（门限 GARCH）：在方差方程中引入杠杆项 γεt−12⋅I(εt−1<0)\gamma \varepsilon_{t-1}^2 \cdot I(\varepsilon_{t-1} < 0)，直接捕捉负面冲击比正面冲击引发更大波动的现象。
  • GARCH-M（GARCH-in-Mean）：将条件方差 hth_t 直接纳入均值方程 rt=μ+λht+εtr_t = \mu + \lambda h_t + \varepsilon_t，反映风险与收益之间的权衡关系，广泛用于检验资本资产定价模型中的风险溢价假说。
  • DCC-GARCH / BEKK：多元 GARCH 模型，用于同时建模多资产之间的动态条件方差-协方差矩阵，在投资组合管理、风险管理和资产配置中发挥关键作用。

在金融实务中，GARCH 类模型是风险价值（VaR）和预期短缺（ES）计算的标准工具。通过预测下一期的条件方差，金融机构可以在不同置信水平下量化潜在损失，满足巴塞尔协议的资本充足率要求。此外，在期权定价、期货合约保证金设定以及高频交易波动预测中，ARCH/GARCH 类模型也构成不可或缺的计量基础设施。自恩格尔的开创性工作至今，波动率建模已发展为金融计量学最为活跃的研究分支之一。

返回百科索引