波动性预测：ARCH 与 GARCH 模型完全指南

金融时间序列往往展现出波动聚集现象——市场平静期后往往跟随着剧烈波动，而剧烈波动后又可能迎来新一轮平静。传统线性回归模型假设方差恒定，无法捕捉这种时变波动性。本教程将带你从零掌握 ARCH（自回归条件异方差） 和 GARCH（广义自回归条件异方差） 模型，理解其原理、数学形式、建模步骤以及如何用 Python 实现波动率预测。

1. 为什么需要波动性建模？

1.1 波动聚集与异方差性

• 波动聚集（Volatility Clustering）：金融收益率序列中，大的变动后面往往跟着大的变动（无论方向），小的变动后跟着小的变动。
• 异方差性（Heteroskedasticity）：误差项的方差不是常数，而是随时间变化。普通最小二乘法（OLS）假设同方差，忽略了时变风险。
• 尖峰厚尾（Leptokurtic）：收益分布比正态分布有更重的尾部，极端事件发生概率更高。

1.2 波动率在金融中的核心作用

• 风险管理：VaR（在险价值）、预期损失计算依赖于对未来波动的准确估计。
• 衍生品定价：期权定价公式（如 Black-Scholes）需要波动率作为输入。
• 资产配置：动态调整投资组合权重需要预测协方差矩阵。
• 策略构建：波动率择时、波动率套利等策略直接基于波动率预测。

2. 模型前的必修课：收益率序列与平稳性

2.1 对数收益率

通常使用对数收益率（连续复利收益率）： [ r_t = \ln(P_t) - \ln(P_{t-1}) \times 100% ] 它具有良好的统计性质（可加性、近似正态性），是 ARCH/GARCH 建模的对象。

2.2 均值方程与残差

我们将收益率分解为可预测部分和不可预测部分： [ r_t = \mu_t + \varepsilon_t ] 其中 (\mu_t) 为条件均值（通常取简单均值、常数或 ARMA 过程），(\varepsilon_t) 为残差（扰动项）。我们的波动率模型针对的是 (\varepsilon_t) 的条件方差： [ \varepsilon_t = \sigma_t \cdot z_t ]

• (\sigma_t^2) 是条件方差（即我们想预测的时变波动率）。
• (z_t) 是独立同分布（i.i.d.）的随机变量，均值为 0，方差为 1，常假设为正态分布、学生 t 分布或广义误差分布（GED）。

3. ARCH 模型：自回归条件异方差

3.1 模型定义

ARCH(q) 模型由 Robert Engle 于 1982 年提出，将当前条件方差表示为过去 q 期残差平方的线性函数： [ \sigma_t^2 = \omega + \alpha_1 \varepsilon_{t-1}^2 + \alpha_2 \varepsilon_{t-2}^2 + \cdots + \alpha_q \varepsilon_{t-q}^2 ]

• (\omega > 0)，(\alpha_i \ge 0)（保证方差恒正）。
• (\sum \alpha_i < 1)（保证协方差平稳）。
• 大冲击（(\varepsilon_{t-i}^2) 大）会直接推高未来几期的方差，产生波动聚集。

3.2 ARCH(1) 模型直观解释

对于最简单的 ARCH(1)： [ \sigma_t^2 = \omega + \alpha \varepsilon_{t-1}^2 ] 如果昨天发生了意外大的变动（正或负），(\varepsilon_{t-1}^2) 很大，今天的方差 (\sigma_t^2) 随之增大；如果昨天变动很小，今天的方差就趋近于基线 (\omega)。这种记忆效应只有一期，因此 ARCH(1) 对波动持续的刻画能力有限。

3.3 模型局限

• 需要较多滞后阶数 q 才能捕捉波动的持久性，参数过多。
• 对参数的限制严格（非负约束），估计困难。
• 往往高估波动尖峰的持续时间。

4. GARCH 模型：广义化与记忆加持

4.1 GARCH(p, q) 表达式

Bollerslev（1986）将过去条件方差自身的滞后项引入，得到 GARCH(p, q)： [ \sigma_t^2 = \omega + \sum_{i=1}^{q} \alpha_i \varepsilon_{t-i}^2 + \sum_{j=1}^{p} \beta_j \sigma_{t-j}^2 ]

• (\omega > 0), (\alpha_i \ge 0), (\beta_j \ge 0)。
• (\sum \alpha_i + \sum \beta_j < 1) 保证弱平稳。
• (\sigma_{t-j}^2) 是过去预测的波动率，使模型具有更长的记忆。

4.2 GARCH(1,1) —— 金融领域的“标配”

GARCH(1,1) 足以刻画绝大多数金融资产的波动率动态： [ \sigma_t^2 = \omega + \alpha \varepsilon_{t-1}^2 + \beta \sigma_{t-1}^2 ]

• (\alpha) 衡量新信息对波动率的冲击程度（ARCH 效应）。
• (\beta) 衡量波动率自身的持续性（GARCH 效应）。
• (\alpha + \beta) 接近 1 时，波动率冲击会持续很长时间，市场记忆长；若等于 1，则成为 IGARCH（单位根过程），波动率非平稳。
• 无条件方差（长期平均方差）为： [ \bar{\sigma}^2 = \frac{\omega}{1 - (\alpha + \beta)} ] 当 (\alpha + \beta < 1) 时成立。

4.3 模型估计：最大似然法

给定分布假设（如正态分布），构造似然函数并最大化： [ \ell(\theta) = -\frac{T}{2} \ln(2\pi) - \frac12 \sum_{t=1}^{T} \left( \ln \sigma_t^2 + \frac{\varepsilon_t^2}{\sigma_t^2} \right) ] 通过数值优化（如 BHHH 算法）得到参数 (\omega, \alpha, \beta)。实践中常用更厚尾的分布（t 分布）提高拟合效果。

5. 模型诊断与检验

5.1 检查 ARCH 效应：LM 检验

首先对均值方程的残差平方进行 Ljung-Box 检验，看是否存在自相关；更正式的检验是 Engle 的 ARCH-LM 检验：

• 原假设：残差序列直到滞后 m 阶没有 ARCH 效应。
• 辅助回归：(\varepsilon_t^2 = \gamma_0 + \gamma_1 \varepsilon_{t-1}^2 + \cdots + \gamma_m \varepsilon_{t-m}^2 + \text{error})
• 若 (R^2) 显著（通过 F 或 LM 统计量），拒绝原假设，表明存在 ARCH 效应，适合建模。

5.2 模型残差诊断

拟合 GARCH 后，应检查标准化残差 (z_t = \varepsilon_t / \hat{\sigma}_t)：

• 应无显著自相关（Ljung-Box 检验）。
• 平方标准化残差也应无显著自相关（说明波动率已被充分建模）。
• 可进行拟合优度检验（如 Kolmogorov-Smirnov 检验）评估分布假设。

6. GARCH 模型的常用扩展

这些扩展主要用于解决两大问题：非对称性（坏消息比好消息更增加波动）和长记忆性。

7. Python 实战：用 arch 库建模 S&P 500 波动率

7.1 环境准备

pip install arch pandas_datareader matplotlib

7.2 获取数据与预处理

import pandas as pd
import numpy as np
from arch import arch_model
import pandas_datareader.data as web
import datetime

# 下载 S&P 500 调整后收盘价
start = datetime.datetime(2015, 1, 1)
end = datetime.datetime(2023, 12, 31)
sp500 = web.DataReader('^GSPC', 'yahoo', start, end)
returns = 100 * np.log(sp500['Adj Close']).diff().dropna()
returns.plot(title='S&P 500 Daily Returns')

7.3 构建 GARCH(1,1) 模型

# 指定均值模型为常数，波动率模型为 GARCH(1,1)，误差项服从 t 分布
model = arch_model(returns, mean='Constant', vol='GARCH', p=1, q=1, dist='t')
res = model.fit(update_freq=5)
print(res.summary())

输出解读：

• omega, alpha[1], beta[1] 对应 (\omega, \alpha, \beta)。
• lambda 为 t 分布的自由度，越小尾部越厚。
• 确保所有参数显著（p 值 < 0.05），且 (\alpha + \beta < 1)。

7.4 模型诊断

# 标准化残差及残差平方的 Ljung-Box 检验
res.plot_diagnostics(figsize=(12,8))

应无明显自相关模式。

7.5 波动率预测与可视化

# 样本内拟合波动率
condition_vol = res.conditional_volatility
condition_vol.plot(label='Fitted Volatility', alpha=0.7)

# 样本外预测（10 天）
forecast = res.forecast(horizon=10)
pred_var = forecast.variance.dropna().T  # 注意数据形状
pred_vol = np.sqrt(pred_var)
pred_vol.plot()

8. 常见问题与最佳实践

• 数据频率：日频及以上的数据最适合 GARCH，分钟级数据需考虑微观结构噪声，可用已实现波动率（Realized Volatility）替代 GARCH。
• 均值方程：通常设为常数或 AR(0)，因为收益率几乎不可预测，简单设置更稳健。
• 分布选择：金融数据几乎总需厚尾分布（建议用 Skew-t 或 GED），否则会低估尾部风险。
• 样本外评估：使用滚动时间窗口预测，通过损失函数（如 QLIKE、MSE）比较模型优劣。
• 模型收敛：若拟合不收敛，可尝试更换优化器、调整初始值、简化模型，或使用更稳健的 arch_model(..., vol='EGARCH')。

9. 总结与进阶路径

ARCH/GARCH 家族模型是波动率建模的基石。你现在应该能够：

1. 理解波动聚集和条件异方差的概念。
2. 写出 ARCH(q) 和 GARCH(p,q) 的数学形式及参数解释。
3. 用 Python 实现 GARCH(1,1) 建模、诊断与预测。
4. 认识常见扩展模型的应用场景。

下一步学习：

• 多元 GARCH（BEKK、DCC）用于资产间波动溢出。
• 高频已实现波动率与 HAR 模型。
• 机器学习方法（LSTM、GARCH-NN）与波动率预测的结合。
• 随机波动率 (SV) 模型与贝叶斯估计。

掌握波动性预测，你便具备了量化风控、期权交易和资产配置的核心技能。