KNOWECON WIKI

ARTICLE

GARCH

GARCH (广义自回归条件异方差) GARCH（Generalized Autoregressive Conditional Heteroskedasticity，广义自回归条件异方差）是金融计量学中用于建模和预测时间序列波动率的核心方法论框架，由丹麦经济学家Tim Bollerslev于1986年在ARCH（自回归条件异方差）模型基础上提出。GARCH的

浏览 3 更新 2025-10-30

GARCH (广义自回归条件异方差)

GARCH（Generalized Autoregressive Conditional Heteroskedasticity，广义自回归条件异方差）是金融计量学中用于建模和预测时间序列波动率的核心方法论框架，由丹麦经济学家Tim Bollerslev于1986年在ARCH（自回归条件异方差）模型基础上提出。GARCH的诞生直接回应了金融数据最显著的经验特征——波动率聚类（volatility clustering），即市场的大幅波动倾向于集中爆发、小幅波动倾向于持续延续——这使得传统假设方差恒定的计量模型（如ARMA模型）在金融应用中严重失真。凭借其简洁的参数结构和卓越的预测能力，GARCH已渗透至风险管理、期权定价、投资组合优化和宏观经济预测等众多领域，成为现代金融计量经济学的基石之一。

从ARCH到GARCH：方法论逻辑

GARCH的思想根源可追溯至Robert Engle（罗伯特·恩格尔）1982年提出的ARCH模型。Engle的核心洞见是：金融收益率的条件方差并非恒定，而是依赖于过去冲击的大小。ARCH(q)模型将条件方差 σt2\sigma_t^2 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

其中 ϵt−i\epsilon_{t-i} 为滞后冲击项（通常来自收益率方程的残差），αi≥0\alpha_i \geq 0 确保方差非负。这一设定成功捕捉了波动率聚类——大冲击后跟随着高波动期。然而，ARCH在实践中的重大缺陷是：要刻画波动率的长期持续性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。

Bollerslev的GARCH(p, q)模型以极为优雅的方式解决了这一问题：将条件方差本身的历史值作为额外解释变量引入方差方程：

σt2=ω+∑i=1qαiϵt−i2+∑j=1pβjσt−j2\sigma_t^2 = \omega + \sum_{i=1}^{q} \alpha_i \epsilon_{t-i}^2 + \sum_{j=1}^{p} \beta_j \sigma_{t-j}^2

GARCH项 ∑βjσt−j2\sum \beta_j \sigma_{t-j}^2 捕捉了波动率自回归的持续性，使得即使 p=q=1p=q=1 的最简形式也能拟合金融数据中衰减缓慢的波动率记忆效应。实践中，GARCH(1,1)几乎成为默认标准：

σt2=ω+α1ϵt−12+β1σt−12,ω>0, α1,β1≥0, α1+β1<1\sigma_t^2 = \omega + \alpha_1 \epsilon_{t-1}^2 + \beta_1 \sigma_{t-1}^2, \quad \omega > 0, \ \alpha_1, \beta_1 \geq 0, \ \alpha_1 + \beta_1 < 1

其中 α1+β1\alpha_1 + \beta_1 衡量波动率持续性，其值越接近1意味着冲击对波动率的影响越持久。若该和等于1，模型退化为IGARCH（整合GARCH），此时方差过程具有单位根，冲击对波动率的影响永不衰减。无条件长期方差为 σˉ2=ω/(1−α1−β1)\bar{\sigma}^2 = \omega/(1 - \alpha_1 - \beta_1)，波动率围绕该均值回归。

核心性质与对称性局限

GARCH(1,1)的残差具有比正态分布更厚的尾部（超额峰度），即使新息 ztz_t 本身是高斯分布，由此产生的无条件分布也呈现厚尾特性——这与金融收益率分布的典型事实一致。然而，标准GARCH的根本局限在于其对称性：方差方程仅依赖 ϵt−i2\epsilon_{t-i}^2，因此正负等幅冲击对波动率的预测效果完全相同。这与金融市场的杠杆效应——负面消息比正面消息更剧烈地推高波动率——形成直接冲突。

非对称扩展与现代变体

针对对称性缺陷，两类重要的非对称扩展相继被提出：GJR-GARCH（Glosten-Jagannathan-Runkle, 1993）在方差方程中引入示性函数项 γϵt−12I(ϵt−1<0)\gamma \epsilon_{t-1}^2 I_{(\epsilon_{t-1}<0)}，直接赋予负冲击额外权重；EGARCH（Nelson, 1991）则对 ln⁡σt2\ln\sigma_t^2 建模，天然规避了方差非负约束，同时通过参数 γ\gamma 捕捉冲击符号的非对称效应。其他重要变体包括：将条件方差直接嵌入均值方程的GARCH-M（GARCH-in-Mean），用于检验风险溢价假说；允许正负冲击对波动率产生不同衰减速度的APARCH；以及处理长记忆效应的FIGARCH（分整GARCH）。在多变量维度，MGARCH族（如BEKK、DCC模型）将单变量波动率扩展至动态协方差矩阵的估计，在投资组合风险管理中具有直接应用价值。

估计、检验与应用生态

GARCH族模型通常通过最大似然估计（MLE）进行参数估计，标准做法假设标准化残差服从正态分布或学生t分布（后者更好地容纳厚尾）。即便分布假设错误，拟最大似然估计（QMLE）在温和正则条件下仍能提供一致估计。在建模流程上，通常先对收益率序列拟合ARMA模型以消除线性依赖，随后对残差进行ARCH效应检验（如Engle LM检验或Ljung-Box检验应用于平方残差），确认存在条件异方差后再估计GARCH模型。

在应用层面，GARCH是现代风险价值 (VaR)计算的标准引擎：通过向前一步的方差预测 σ^t+12\hat{\sigma}_{t+1}^2 结合分位数构建VaR区间；多步预测则依赖方差方程的递归结构向前迭代。在期权定价领域，GARCH波动率预测作为Black-Scholes模型恒定波动率假设的重要修正，显著改善了深度虚值和深度实值期权的定价精度。在宏观经济学中，GARCH被用于建模通货膨胀不确定性、汇率波动和GDP增长率的时变波动。在信贷风险领域，GARCH对债券利差和信用违约互换溢价的波动率建模为结构化信用产品的定价提供了关键输入。高频金融数据的出现进一步拓展了GARCH的应用边界：日内波动率的U型模式——开盘和收盘时波动率最高、午间最低——可通过结合周期项与GARCH动态的系统框架予以刻画；而已实现波动率（realized volatility）与GARCH的互补——前者利用日内高频信息、后者依赖日度条件结构——已成为波动率预测文献中的标准对垒范式。

2003年，Robert Engle因ARCH方法论（GARCH的直接前身）获诺贝尔经济学奖，评委会明确认可了其在金融风险量化中的革命性贡献。Engle在获奖演说中特别指出，GARCH的意义不仅在于提供了一种统计工具，更在于它迫使经济学家正视不确定性本身的时变性质——这一洞见深刻影响了此后二十年的资产定价理论演进。四十年后，GARCH虽已不再是学术前沿的最活跃地带，但作为波动率建模的基准范式和教学起点，其影响力遍及每一家金融机构的风险管理部门、每一门金融计量学课程以及每一代实证研究者的工具箱。