ARCH 检验

ARCH 检验 (ARCH Test)

ARCH 检验 (Autoregressive Conditional Heteroskedasticity Test) 是由 罗伯特·恩格尔 (Robert Engle) 于1982年在其开创性论文 Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation 中首次提出的 统计检验 方法。该检验专门用于检测 时间序列 数据中是否存在 自回归条件异方差性 (Autoregressive Conditional Heteroskedasticity, ARCH)。恩格尔因这一贡献荣获2003年 诺贝尔经济学奖。ARCH 检验广泛应用于 金融时间序列分析 (Financial Time Series Analysis) 领域，尤其作为 波动率 (Volatility) 建模的前置诊断环节。

背景与动机

传统 时间序列模型（如 ARMA 模型）通常假定 误差项 的 方差 恒定不变，即满足 同方差性 (Homoskedasticity) 假定。然而，大量经验研究表明，许多经济与金融时间序列——特别是 股票收益率、汇率 变动、利率 波动和 通货膨胀率——呈现出一种称为 波动率聚集 (Volatility Clustering) 的典型特征。所谓波动率聚集，是指大幅度的波动往往紧跟着同样大幅度的波动，而小幅波动后也跟随着小幅波动，波动幅度在时间上呈现正相关。这种现象意味着误差项的条件方差并非恒定，而是随时间变化且存在自相关结构。若忽视这一特征，将导致 参数估计 效率损失、区间预测 不准确以及 假设检验 结果失真。ARCH 检验正是为捕捉这一特征而设计的诊断工具。

检验原理与步骤

ARCH 检验的核心思想是检验残差平方序列是否存在 自相关 (Autocorrelation)。设时间序列模型的基本形式为：

其中 $\mu_t$ 表示条件均值函数（可为常数或 ARMA 过程），$\varepsilon_t$ 为误差项。检验的完整步骤如下：

1. 均值方程估计：首先对原时间序列拟合适当的均值模型（如常数均值、ARMA 模型或回归模型），获取 残差 估计值 $\hat{\varepsilon}_t$。
2. 构造平方序列：计算残差平方序列 $\hat{\varepsilon}_t^2$，该序列捕捉了波动幅度的时变特征。
3. 自回归拟合：对残差平方序列进行 $q$ 阶 自回归 拟合： \[ \hat{\varepsilon}_t^2 = \alpha_0 + \alpha_1 \hat{\varepsilon}_{t-1}^2 + \alpha_2 \hat{\varepsilon}_{t-2}^2 + \cdots + \alpha_q \hat{\varepsilon}_{t-q}^2 + v_t \] 其中 $v_t$ 为新的误差项。
4. 假设设定与检验：检验 原假设 $H_0: \alpha_1 = \alpha_2 = \cdots = \alpha_q = 0$（即不存在 ARCH 效应）与 备择假设 $H_1:$ 至少一个 $\alpha_j \neq 0$（存在 ARCH 效应）。

检验统计量与判断准则

ARCH 检验采用 LM 检验 (Lagrange Multiplier Test) 统计量，通称 TR² 统计量，其表达式为：

其中 $T$ 为有效样本量，$R^2$ 为上述残差平方自回归方程的 判定系数 (Coefficient of Determination)。在 原假设 成立的条件下，该 LM 统计量 渐近分布 为 卡方分布 (Chi-squared Distribution)，自由度 (Degrees of Freedom) 等于滞后阶数 $q$。实际判断时，若 LM 统计量大于给定显著性水平（如 0.05）下的卡方分布临界值，或对应的 p值 小于预设的显著性水平，则拒绝原假设，判定存在显著的 ARCH 效应。反之，若接受原假设，则认为残差序列满足同方差假定。

滞后阶数的选择

滞后阶数 $q$ 的选择直接影响检验的结论和可靠性，是实践中需要慎重处理的问题。常用选择方法包括：

• AIC 或 BIC 准则：在不同滞后阶数下分别进行检验，选择信息准则值最小的阶数作为最优滞后结构。
• 偏自相关函数 (PACF)：绘制残差平方序列的偏自相关图，观察 PACF 在哪些滞后阶数处显著不为零，据此确定 $q$。
• Ljung–Box 检验：对残差平方序列进行 白噪声 (White Noise) 检验，若在某个滞后阶数处显著拒绝白噪声假设，表明该阶数可能存在 ARCH 效应。

在金融数据分析中，研究者通常采用较小的滞后阶数，如 $q = 1$、$q = 5$ 或 $q = 10$，并辅以稳健性检验来确认结论的可靠性。

主要应用场景

ARCH 检验作为 波动率建模 流程中的标准化前置诊断步骤，具有广泛的应用价值：

1. ARCH/GARCH 模型识别：若检验证实存在显著的 ARCH 效应，可直接建立 ARCH 模型 或扩展的 GARCH 模型 (Generalized ARCH, Bollerslev, 1986) 来刻画条件方差的动态演化过程。
2. 风险管理与 VaR 计算：在 VaR (Value at Risk) 和 预期亏损 (Expected Shortfall) 等 金融风险度量 中，准确识别波动率聚集特征有助于更精确地估计尾部风险，提升风险管理的有效性。
3. 资产定价与投资组合：检验 资产收益率 的条件异方差性，为 CAPM、Fama-French 模型 等定价模型的改进提供统计依据。
4. 宏观经济预测：在分析 通货膨胀率、失业率 和 GDP增长率 等宏观变量的波动特征时，ARCH 检验为后续的 预测区间 估计提供必要的前提诊断。
5. 期权定价：波动率是期权定价的核心输入变量，ARCH 效应的存在直接影响 Black-Scholes 模型 等定价方法的适用性判断。

局限性与注意事项

ARCH 检验在实际应用中存在若干局限，需引起注意：

• 滞后阶数敏感性：检验结论对 $q$ 的选择较为敏感，不同滞后阶数可能导致截然不同的结论，建议采用多种阶数进行稳健性分析。
• 线性结构局限：ARCH 检验仅能检测线性形式的条件异方差结构，对非线性模式（如阈值效应、杠杆效应，对应 TARCH、EGARCH 等模型）不敏感，可能出现检验效力不足的情况。
• 小样本偏差：在样本量较小时，LM 统计量的渐近性质不再可靠，检验功效 (Statistical Power) 显著下降。
• 结构性变化混淆：ARCH 检验无法区分真正的 ARCH 效应与其他形式的异方差来源（如结构性断点、季节性波动），可能出现 伪检验 结论。
• 异常值敏感：数据中的 极端值 (Extreme Values) 或 异常值 (Outliers) 可能对残差平方序列产生显著影响，导致检验结果偏移。

因此，在实际应用中，ARCH 检验常需结合其他诊断工具（如 残差诊断 图、McLeod–Li 检验、BDS 检验等）综合判断，并辅以样本外检验验证结论的稳健性。

软件实现

主流统计软件均提供了 ARCH 检验的标准化实现。在 R 语言中，\texttt{FinTS} 包的 \texttt{ArchTest()} 函数和 \texttt{tseries} 包的 \texttt{ARCH.test()} 函数可直接完成检验；在 Python 中，\texttt{arch} 包的 \texttt{arch\_test()} 函数和 \texttt{statsmodels} 的 \texttt{het\_arch} 函数提供了便捷接口；在 EViews、Stata 和 MIT 的 MATLAB 中，ARCH 检验作为时间序列分析模块的内置功能，可通过菜单操作或命令行直接调用。