KNOWECON WIKI

ARTICLE

GARCH模型

GARCH模型 (Generalized Autoregressive Conditional Heteroskedasticity) 广义自回归条件异方差模型 (Generalized Autoregressive Conditional Heteroskedasticity)，简称 GARCH模型，是 金融计量经济学 中用于分析和预测 时间序列 数据 波

浏览 57 更新 2025-10-26

GARCH模型 (Generalized Autoregressive Conditional Heteroskedasticity)

广义自回归条件异方差模型 (Generalized Autoregressive Conditional Heteroskedasticity)，简称 GARCH模型，是 金融计量经济学 中用于分析和预测 时间序列 数据 波动率 (volatility) 的一种核心统计模型。该模型由经济学家 Tim Bollerslev 在 1986 年提出，作为其导师 Robert Engle 在 1982 年提出的 ARCH模型 的推广。GARCH模型及其变体是现代 风险管理、资产定价 和 投资组合优化 等领域不可或缺的工具。

GARCH模型的核心思想是，一个时间序列（如金融资产的收益率）的 方差 或波动率在不同时间点上是变化的（即存在 异方差性），并且当前的波动率与过去的波动率以及过去的市场"冲击"(shocks)相关。这与许多经典计量模型（如 ARMA模型）所假设的 同方差性（即方差恒定）形成了鲜明对比。

该模型尤其擅长捕捉金融时间序列中一个广为人知的现象——波动率聚集 (Volatility Clustering)。这意味着，"大"的变化（高波动）倾向于聚集在一起，而"小"的变化（低波动）也倾向于聚集在一起，形成高波动时期和低波动时期的交替。

从ARCH到GARCH：模型的演进

要理解GARCH模型，必须首先了解其前身——ARCH模型 (Autoregressive Conditional Heteroskedasticity)。

ARCH模型

假设我们有一个金融资产的 收益率 序列 rt r_t 。我们可以将其表示为：

rt=μt+ϵtr_t = \mu_t + \epsilon_t

其中 μt \mu_t 是在时间 t t 的条件期望收益（可以是常数，也可以是ARMA模型等），而 ϵt \epsilon_t 是 残差项 或"冲击项"，代表了在时间 t t 的未预期收益。

ARCH模型的核心在于对残差项 ϵt \epsilon_t 的结构进行建模。具体地：

ϵt=σtzt\epsilon_t = \sigma_t z_t

其中 zt z_t 是一个独立的、服从标准正态分布（或其它均值为 0、方差为 1 的分布）的 白噪声 过程，而 σt \sigma_t 是在时间 t t 的 条件标准差（即波动率）。

Engle提出的 ARCH(q)模型 假设，当前的 条件方差 σt2 \sigma_t^2 是过去 q q 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：

  • σt2 \sigma_t^2 ：在时间 t t 的条件方差，即 Var(rt∣Ft−1) \text{Var}(r_t | \mathcal{F}_{t-1}) ，其中 Ft−1 \mathcal{F}_{t-1} 代表截至 t−1 t-1 时刻的所有可用信息。
  • ω \omega ：一个大于零的常数项。
  • ϵt−i2 \epsilon_{t-i}^2 ：过去时期的残差平方，代表了过去市场冲击的大小。
  • αi \alpha_i ：非负系数，衡量了过去的冲击对当前方差的影响程度。

ARCH模型的直观理解是：如果上一期（或过去几期）的市场冲击 ∣ϵt−1∣ |\epsilon_{t-1}| 很大，那么今天的条件方差 σt2 \sigma_t^2 也会变大，从而导致今天的收益率 rt r_t 更有可能出现大幅波动。这就成功地捕捉了波动率聚集的现象。

ARCH模型的局限性：在实践中，为了充分捕捉波动率的长期持续性，ARCH模型往往需要很长的阶数 q q ，这会导致模型中有过多的参数需要估计，容易出现参数不显著或违反非负约束的问题。

GARCH模型的引入

为了解决ARCH模型需要长阶数的问题，Bollerslev提出了GARCH模型。GARCH模型在ARCH模型的基础上，引入了条件方差自身的滞后项。

一个标准的 GARCH(p, q)模型 的条件方差方程如下：

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

其中：

  • ARCH项 ∑i=1qαiϵt−i2 \sum_{i=1}^{q} \alpha_i \epsilon_{t-i}^2 ：与ARCH模型相同，衡量了过去市场冲击对当前波动率的影响。
  • GARCH项 ∑j=1pβjσt−j2 \sum_{j=1}^{p} \beta_j \sigma_{t-j}^2 ：这是GARCH模型的核心创新，表示当前的条件方差也受到过去 p p 期条件方差自身的影响。

在金融实践中，最常用的是 GARCH(1,1)模型，其形式简洁且有效：

σt2=ω+α1ϵt−12+β1σt−12\sigma_t^2 = \omega + \alpha_1 \epsilon_{t-1}^2 + \beta_1 \sigma_{t-1}^2

参数解释：

  • ω \omega ：常数项，可以看作是长期平均方差的一个基准。
  • α1 \alpha_1 ：ARCH系数，衡量了上一期市场冲击 ϵt−12 \epsilon_{t-1}^2 对本期方差 σt2 \sigma_t^2 的影响。α1 \alpha_1 越大，表示波动率对市场消息的反应越快。
  • β1 \beta_1 ：GARCH系数，衡量了上一期方差 σt−12 \sigma_{t-1}^2 对本期方差 σt2 \sigma_t^2 的影响。β1 \beta_1 越大，表示波动率的持续性越强。

参数约束：为保证条件方差 σt2 \sigma_t^2 始终为正，需要满足 ω>0,α1≥0,β1≥0 \omega > 0, \alpha_1 \ge 0, \beta_1 \ge 0 。为了保证模型的 协方差平稳性（即波动率不会无限发散），还需要满足 α1+β1<1 \alpha_1 + \beta_1 < 1 。

GARCH(1,1)模型的主要特性

  1. 波动率持续性 (Volatility Persistence)：参数之和 α1+β1 \alpha_1 + \beta_1 衡量了波动率的持续性。这个值越接近 1，表明过去的冲击和波动对未来波动率的影响衰减得越慢，即波动率具有很强的记忆性或持续性。这是金融市场的一个典型特征。
  2. 均值回归 (Mean Reversion)：只要满足 α1+β1<1 \alpha_1 + \beta_1 < 1 ，GARCH模型的条件方差就会向其长期均值（或称无条件方差）回归。这个长期均值方差 σˉ2 \bar{\sigma}^2 可以计算为： \[ \bar{\sigma}^2 = \frac{\omega}{1 - \alpha_1 - \beta_1} \] 这意味着，尽管短期内波动率会因市场冲击而上下波动，但长期来看，它总有一种回到其平均水平的趋势。
  3. 对冲击的对称响应 (Symmetric Response)：标准GARCH模型的一个重要局限是它的对称性。由于模型中使用的是残差的平方项 ϵt−i2 \epsilon_{t-i}^2 ，因此它无法区分正冲击（如股价意外上涨）和负冲击（如股价意外下跌）对波动率的影响。一个 −2%-2\% 的冲击和一个 +2%+2\% 的冲击对未来波动率的预测是完全相同的。然而，在现实金融市场中，普遍存在 杠杆效应 (Leverage Effect)，即负面消息（坏消息）往往比同等大小的正面消息（好消息）更能引发波动率的上升。

GARCH模型的扩展

为了克服标准GARCH模型的对称性限制并捕捉更复杂的波动率动态，学者们提出了多种GARCH模型的扩展形式。

  • EGARCH模型 (Exponential GARCH)：由 Daniel Nelson (1991) 提出，EGARCH模型对条件方差的对数进行建模，这天然地保证了方差为正，无需对参数施加非负约束。更重要的是，它通过引入一个非对称项来捕捉杠杆效应。
  • GJR-GARCH模型 (Glosten-Jagannathan-Runkle GARCH)：由 Glosten, Jagannathan 和 Runkle (1993) 提出，该模型在标准GARCH方程中加入一个哑变量（indicator variable），当过去的冲击为负时，该变量取值为 1，否则为 0。这使得负冲击可以有一个额外的、更大的影响系数，从而直接对杠杆效应进行建模。其 GJR-GARCH(1,1) 方程为： \[ \sigma_t^2 = \omega + \alpha_1 \epsilon_{t-1}^2 + \gamma \epsilon_{t-1}^2 I_{t-1} + \beta_1 \sigma_{t-1}^2 \] 其中 It−1 I_{t-1} 是一个示性函数，当 ϵt−1<0 \epsilon_{t-1} < 0 时 It−1=1 I_{t-1}=1 ，否则为 0。如果估计出的系数 γ>0 \gamma > 0 ，则表明存在杠杆效应。

模型的估计与应用

估计方法：GARCH模型及其变体的参数通常采用 最大似然估计（Maximum Likelihood Estimation, MLE) 的方法进行估计。这需要假设标准化残差 zt z_t 的分布（如 正态分布、学生t分布 等），然后找到一组参数 (ω,αi,βj) (\omega, \alpha_i, \beta_j) ，使得在该参数下观测到现有数据样本的概率最大。

主要应用：

  1. 风险管理：GARCH模型是计算 风险价值 (VaR) 和 预期短缺 (ES) 等风险度量的关键工具。通过对未来波动率的预测，金融机构可以更准确地评估其投资组合可能面临的潜在损失。
  2. 期权定价：经典的 布莱克-斯科尔斯模型 假设波动率恒定，这与现实不符。将GARCH模型的波动率预测作为输入，可以得到更符合市场实际的期权价格。
  3. 投资组合管理：通过多变量GARCH模型 (Multivariate GARCH)，可以对不同资产之间的 协方差 和 相关系数 的动态变化进行建模，为资产配置和对冲策略提供依据。