KNOWECON WIKI

ARTICLE

ARCH

ARCH (自回归条件异方差) ARCH（Autoregressive Conditional Heteroskedasticity，自回归条件异方差）是金融计量经济学中建模时变波动率的开创性方法论，由美国经济学家罗伯特·恩格尔（Robert F. Engle）于1982年在《Econometrica》上发表的经典论文中首次提出。ARCH的诞生标志着计量经济

浏览 0 更新 2025-10-30

ARCH (自回归条件异方差)

ARCH（Autoregressive Conditional Heteroskedasticity，自回归条件异方差）是金融计量经济学中建模时变波动率的开创性方法论，由美国经济学家罗伯特·恩格尔（Robert F. Engle）于1982年在《Econometrica》上发表的经典论文中首次提出。ARCH的诞生标志着计量经济学对不确定性本身动态性质的正视：在此之前，时间序列分析几乎默认同方差性假设——误差项的方差恒定不变。Engle的洞见在于，金融和宏观经济数据的波动率本身就是一个随时间演化的随机过程，且大的波动倾向于聚集出现（波动率聚类）。这一发现不仅深刻重塑了风险管理、资产定价和货币政策分析的实证范式，更为其赢得2003年诺贝尔经济学奖。

模型设定与数学结构

ARCH模型的核心设定基于收益率（或更一般的残差项）的条件方差依赖于过去的冲击大小。设时间序列 {yt}\{y_t\} 的条件均值方程为：

yt=μt+ϵt,ϵt=σtzt,zt∼IID(0,1)y_t = \mu_t + \epsilon_t, \quad \epsilon_t = \sigma_t z_t, \quad z_t \sim \text{IID}(0,1)

其中 μt\mu_t 为条件均值（可由ARMA模型刻画），σt2\sigma_t^2 为基于截至 t−1t-1 期信息集 Ft−1\mathcal{F}_{t-1} 的条件方差。ARCH(q)模型将该条件方差设定为过去 qq 期残差平方的线性函数：

σt2=ω+∑i=1qαiϵt−i2\sigma_t^2 = \omega + \sum_{i=1}^{q} \alpha_i \epsilon_{t-i}^2

参数约束为 ω>0\omega > 0，αi≥0\alpha_i \geq 0（确保方差非负），且 ∑i=1qαi<1\sum_{i=1}^q \alpha_i < 1（确保协方差平稳性，即方差过程具有有限的无条件均值）。最简单的ARCH(1)将本期方差仅与上一期冲击联系：

σt2=ω+α1ϵt−12\sigma_t^2 = \omega + \alpha_1 \epsilon_{t-1}^2

直观含义清晰：如果 ∣ϵt−1∣|\epsilon_{t-1}| 很大（无论正负），本期的条件方差也随之上升，收益率更可能偏离其均值。这就从统计上捕捉了波动率聚类——大波动之后跟随高波动期，小波动之后跟随低波动期。

统计性质与尾部特征

ARCH模型赋予残差序列一系列与金融数据吻合的统计特征。首先，即使新息 ztz_t 服从正态分布，ARCH过程产生的无条件分布也比正态分布具有更厚的尾部（超额峰度），完美契合了金融收益率分布的厚尾典型事实。其次，ARCH过程中的 {ϵt}\{\epsilon_t\} 序列是白噪声——均值为零且序列不相关——但并非独立序列，因为其高阶矩（方差）存在自相关结构。这意味着传统的Ljung-Box检验在应用于收益率本身时可能无法发现ARCH效应，而必须将检验施加于平方残差序列。

估计与检验

ARCH模型的参数通常通过最大似然估计（MLE）获得。在正态性假设下，对数似然函数包含时变方差项，使得得分函数呈现出不同于经典线性模型的结构。即使正态假设不成立，拟最大似然估计（QMLE）在较弱的正则条件下仍具有一致性——这是ARCH方法论得以广泛应用的统计基础。

在实证建模流程中，研究者通常先拟合均值方程（如ARMA），然后对残差实施ARCH效应检验。最经典的检验工具是Engle的拉格朗日乘数检验（Engle's LM test），其步骤为：将OLS残差平方 ϵ^t2\hat{\epsilon}_t^2 对其自身滞后值回归，利用 TR2T R^2 统计量（在零假设"无ARCH效应"下渐近服从 χq2\chi^2_q 分布）进行判断。该检验构造简便且功效优良，至今仍是波动率建模工作流的标准起点。在实际应用中，还可以辅以Ljung-Box检验作用于平方残差序列，从多个角度确认条件异方差的存在性。若ARCH效应检验显著，便意味着恒定方差假设失效，必须转向时变方差模型；若不显著，则采用传统的同方差时间序列模型即可。

局限性与GARCH的诞生

尽管ARCH在方法论上具有开创性意义，其在实践中面临两个核心局限。其一，要刻画波动率的长记忆性——即冲击对波动率的影响衰减缓慢——ARCH需要极长的滞后阶数 qq，导致大量参数需要估计且频繁违背非负约束。其二，模型对正负冲击施加对称影响（因为使用 ϵt−i2\epsilon_{t-i}^2），无法捕捉金融市场中广泛存在的杠杆效应——负面消息比同等正面消息更剧烈地推高波动率。正是针对第一个局限，Engle的学生Tim Bollerslev于1986年提出GARCH模型，在方差方程中引入条件方差自身的滞后项，以极简的GARCH(1,1)便达到了ARCH需数十个滞后项才能实现的拟合效果。而第二个局限则催生了EGARCH、GJR-GARCH等非对称变体。

学术遗产与应用影响

ARCH模型的影响力远超技术工具本身。2003年诺贝尔经济学奖授予Engle（与Clive Granger共享），以表彰其"分析经济时间序列中时变波动率的方法"。评委会特别指出，ARCH使研究者能够区分风险（条件方差）本身的波动期和稳定期，这一能力对理解风险溢价、期权定价中的波动率微笑以及在险价值 (VaR)的计算具有深远意义。Engle的原始ARCH论文被引数万次，其思想已渗透至宏观经济学（通胀不确定性）、国际金融（汇率波动传导）乃至非金融领域（如气候变量变异性和流行病传播速率的时变分析）。尽管纯ARCH模型在应用中多已被GARCH及其扩展所取代，其作为波动率建模范式革命的起点地位无可撼动——它迫使经济学家接受一个根本观念：不确定性并非背景常数，而是经济系统的内生动态变量。