garch模型

GARCH模型概述

自从Engle(1982)提出ARCH模型分析时间序列的异方差性以后，波勒斯列夫

T.Bollerslev(1986)又提出了GARCH模型，GARCH模型是一个专门针对金融数据所量体订做

的回归模型，除去和普通回归模型相同的之处，GARCH对误差的方差进行了进一步的建模。特

别适用于波动性的分析和预测，这样的分析对投资者的决策能起到非常重要的指导性作用，其意

义很多时候超过了对数值本身的分析和预测。

[编辑]

GARCH模型的基本原理

一般的GARCH模型可以表示为：

其中ht为条件方差，ut为独立同分布的随机变量，ht与ut互相独立，ut为标准正态分布。（1）

式称为条件均值方程；（3）式称为条件方差方程，说明时间序列条件方差的变化特征。为了适

应收益率序列经验分布的尖峰厚尾特征，也可假设 服从其他分布，如Bollerslev (1987)假设收

益率服从广义t-分布，Nelson(1991)提出的EGARCH模型采用了GED分布等。另外，许多实

证研究表明收益率分布不但存在尖峰厚尾特性，而且收益率残差对收益率的影响还存在非对称

性。当市场受到负冲击时，股价下跌，收益率的条件方差扩大，导致股价和收益率的波动性更大；

反之，股价上升时，波动性减小。股价下跌导致公司的股票价值下降，如果假设公司债务不变，

则公司的财务杠杆上升，持有股票的风险提高。因此负冲击对条件方差的这种影响又被称作杠杆

效应。由于GARCH模型中，正的和负的冲击对条件方差的影响是对称的，因此GARCH模型

不能刻画收益率条件方差波动的非对称性。

[编辑]

GARCH模型的发展

为了衡量收益率波动的非对称性，Glosten、Jagannathan与Runkel（1989）提出了GJR

模型，在条件方差方程（3）中加入负冲击的杠杆效应，但仍采用正态分布假设。Nelson(1991)

提出了EGARCH模型。Engle等（1993）利用信息反应曲线分析比较了各种模型的杠杆效应，

认为GJR模型最好地刻画了收益率的杠杆效应。Glosten、Jagannathan与Runkel（1993）分

析比较了各种GARCH-M模型，指出不同的模型设定会导致条件方差对收益率产生正或负的不

同影响，

[编辑]

GARCH模型的缺陷

由于GARCH (p,q)模型是ARCH模型的扩展,因此GARCH(p,q)同样具有ARCH(q)模型的特

点。但GARCH模型的条件方差不仅是滞后残差平方的线性函数,而且是滞后条件方差的线性函

数。

GARCH模型适合在计算量不大时,方便地描述了高阶的ARCH过程,因而具有更大的适用

性。但GARCH(p,q)模型在应用于资产定价方面存在以下的不足:

①GARCH模型不能解释股票收益和收益变化波动之间出现的负相关现象。GARCH(p,q)模型假

定条件方差是滞后残差平方的函数,因此,残差的符号不影响波动,即条件方差对正的价格变化和

负的价格变化的反应是对称的。然而在经验研究中发现,当利空消息出现时,即预期股票收益会下

降时,波动趋向于增大;当利好消息出现时,即预期股票收益会上升时,波动趋向于减小。

GARCH(p,q)模型不能解释这种非对称现象。

②GARCH(p,q)模型为了保证非负,假定(2)式中所有系数均大于零。这些约束隐含着的任何滞后

项增大都会增加因而排除了的随机波动行为,这使得在估计GARCH模型时可能出现震荡现象。

什么ARCH模型?

ARCH模型由美国加州大学圣迭哥分校罗伯特·恩格尔(Engle)教授1982年在

《计量经济学》杂志（Econometrica）的一篇论文中首次提出。此后在计量经

济领域中得到迅速发展。

所谓ARCH模型，按照英文直译是自回归条件异方差模型。粗略地说，该模

型将当前一切可利用信息作为条件，并采用某种自回归形式来刻划方差的变异，

对于一个时间序列而言，在不同时刻可利用的信息不同，而相应的条件方差也不

同，利用ARCH 模型，可以刻划出随时间而变异的条件方差。

作为一种全新的理论，ARCH模型在近十几年里得到了极为迅速的发展，已被

广泛地用于验证金融理论中的规律描述以及金融市场的预测和决策。

ARCH模型是获得2003年诺贝尔经济学奖的计量经济学成果之一。被认为是

最集中反映了方差变化特点而被广泛应用于金融数据时间序列分析的模型。

ARCH模型是过去20年内金融计量学发展中最重大的创新。目前所有的波动率

模型中,ARCH类模型无论从理论研究的深度还是从实证运用的广泛性来说都是

独一无二的。

[编辑本段]ARCH模型的基本思想

ARCH模型的基本思想是指在以前信息集下，某一时刻一个噪声的发生是服从

正态分布。该正态分布的均值为零，方差是一个随时间变化的量(即为条件异方

差)。并且这个随时间变化的方差是过去有限项噪声值平方的线性组合(即为自回

归)。这样就构成了自回归条件异方差模型。

由于需要使用到条件方差，我们这里不采用恩格尔的比较严谨的复杂的数学表

达式，而是采取下面的表达方式，以便于我们把握模型的精髓。见如下数学表达：

Yt = βXt＋εt (1)其中，

★Yt为被解释变量，

★Xt为解释变量，

★εt为误差项。

如果误差项的平方服从AR(q)过程，即εt2 =a0＋a1εt－12 ＋a2εt－22

＋ …… ＋ aqεt－q2 ＋ηt t =1,2,3…… (2)其中，

ηt独立同分布，并满足E（ηt）= 0, D(ηt)= λ2 ,则称上述模型是自回归条件异

方差模型。简记为ARCH模型。称序列εt 服从q阶的ARCH的过程，记作εt －

ARCH(q)。为了保证εt2 为正值，要求a0 >0 ,ai ≥0 i=2,3,4… 。

上面（1）和（2）式构成的模型被称为回归－ARCH模型。ARCH模型通常

对主体模型的随机扰动项进行建模分析。以便充分的提取残差中的信息，使得最

终的模型残差ηt成为白噪声序列。

从上面的模型中可以看出，由于现在时刻噪声的方差是过去有限项噪声值平方

的回归，也就是说噪声的波动具有一定的记忆性，因此，如果在以前时刻噪声的

方差变大，那么在此刻噪声的方差往往也跟着变大；如果在以前时刻噪声的方差

变小，那么在此刻噪声的方差往往也跟着变小。体现到期货市场，那就是如果前

一阶段期货合约价格波动变大，那么在此刻市场价格波动也往往较大，反之亦然。

这就是ARCH模型所具有描述波动的集群性的特性，由此也决定它的无条件分

布是一个尖峰胖尾的分布。

[编辑本段]ARCH模型在分析中的应用

ARCH模型的应用分析。从1982年开始就一直没有间断，经济学家和计量经

济学家们，力图通过不断挖掘这个模型的潜力，来不断增强我们解释和预测市场

的能力。从国外的研究情况来看，大致有两个研究方向：

一是研究ARCH模型的拓展，完善ARCH模型。自ARCH模型始创以来，经

历了两次突破。一次是Bollerslev T. 提出广义ARCH (Generalized ARCH) , 即

GARCH 模型，从此以后，几乎所有的ARCH 模型新成果都是在GARCH 模型

基础上得到的。第二次则是由于长记忆在经济学上的研究取得突破，分整研究被

证明更有效地刻画了某些长记忆性经济现象，与ARCH模型相结合所诞生的一

系列长记忆ARCH模型的研究从1996年至今方兴未艾。

第二个应用是将ARCH模型作为一种度量金融时间序列数据波动性的有效工

具，并应用于与波动性有关广泛研究领域。包括政策研究、理论命题检验、季节

性分析等方面。

ARCH模型能准确地模拟时间序列变量的波动性的变化，它在金融工程学的实

证研究中应用广泛，使人们能更加准确地把握风险（波动性），尤其是应用在风

险价值（Value at Risk）理论中，在华尔街是尽人皆知的工具。

可以预见，未来的研究将会在方法论和工具论两个方向进一步展开，特别是其

应用研究还在不断拓展，特别是伴随着市场微观结构理论的成熟，采用ARCH

模型来模拟波动性，将会对期货交易制度设计，风险控制制度设计和投资组合风

险管理策略研究，提供一个更为广阔的研究空间。

[编辑本段]ARCH模型的发展

波勒斯勒夫（Bollerslev）提出GARCH模型(Generalized ARCH)；

利立安（Lilien）提出ARCH-M模型；

罗宾斯（Robbins）提出NARCH模型