跳到主要内容

GARCH 波动模型

一、直观理解：预测的不是涨跌本身，而是“有多动荡”​

经典 ARMA/ARIMA 关注条件均值 E[yt∣Ft−1]E[y_t\mid\mathcal{F}_{t-1}]。但金融收益、某些能源价格变化率常出现：

  • 平静期与剧烈期成群出现（波动聚集）；
  • 收益本身近似不可预测，但方差可预测。

GARCH（Generalized Autoregressive Conditional Heteroskedasticity）对条件方差建模。最常用的 GARCH(1,1)：

yt=μt+εt,εt=σtzt,zt∼iid(0,1)σt2=ω+αεt−12+βσt−12\begin{aligned} y_t&=\mu_t+\varepsilon_t,\quad \varepsilon_t=\sigma_t z_t,\quad z_t\sim \mathrm{iid}(0,1)\\ \sigma_t^2&=\omega+\alpha\varepsilon_{t-1}^2+\beta\sigma_{t-1}^2 \end{aligned}

大冲击会抬高未来一段时间的 σt\sigma_t，从而加宽预测区间、提高风险度量（如 VaR）。若题目要的是点预测价格方向，GARCH 单独帮不上大忙；若题目关心波动、风险、区间，GARCH 就很关键。

二、适用场景与优缺点​

类型说明
适用场景高频或日度收益；平方残差有自相关；需要波动率预报、风险区间；均值模型残差存在 ARCH 效应。
核心优点捕捉波动聚集；参数少（GARCH(1,1) 常够用）；可与 ARMA 均值联合估计；扩展多（EGARCH、GJR 非对称）。
局限与缺点不提升均值方向预测；需充足样本；分布假设影响尾部；结构突变时波动持续参数会偏高；多变量需 VAR-GARCH 等更复杂模型。

三、核心原理​

1. 为什么需要 GARCH​

若真实存在条件异方差，却假设 Var(εt)=σ2\mathrm{Var}(\varepsilon_t)=\sigma^2 常数，则：

  • 参数标准误不可靠；
  • 预测区间在动荡期过窄、平静期过宽；
  • 残差平方的 ACF 显著。

2. 平稳性与持续性​

GARCH(1,1) 弱平稳通常要求 α+β<1\alpha+\beta<1。α+β\alpha+\beta 接近 1 表示波动冲击消退很慢（高持续性）。

无条件方差：

Var(yt)=ω1−α−β(μt=0 时)\mathrm{Var}(y_t)=\frac{\omega}{1-\alpha-\beta}\quad (\mu_t=0\text{ 时})

3. 非对称扩展​

股市常“跌时波动升更多”。GJR-GARCH / EGARCH 引入杠杆项，允许负冲击对 σt\sigma_t 的影响更大。

4. 与均值模型的关系​

标准流程：

  1. 对收益建均值模型（常数、AR、ARMA）；
  2. 检验残差 ARCH 效应（archtest 或平方残差 LB）；
  3. 指定 arima 的 Variance 为 garch 对象联合估计；
  4. 用 forecast 得到均值与方差路径。

四、诊断与评价​

波动模型不能只看收益的 RMSE。应报告：

  • 标准化残差 zt=ε^t/σ^tz_t=\hat\varepsilon_t/\hat\sigma_t 是否接近白噪声、无 ARCH；
  • 预测的 σ^t+h\hat\sigma_{t+h} 与实现波动（如 ∣rt∣|r_t|、rt2r_t^2 或日内波动代理）的相关/误差；
  • 风险：VaR 突破率是否接近名义水平（如 5% VaR 约 5% 突破）。

五、MATLAB 示例​

%% 模拟 GARCH(1,1) 收益并估计
rng(13);
n = 1500;
omega = 0.05; alpha = 0.08; beta = 0.90;
eps = zeros(n,1); sig2 = zeros(n,1);
sig2(1) = omega/(1-alpha-beta);
z = randn(n,1);
for t = 2:n
    sig2(t) = omega + alpha*eps(t-1)^2 + beta*sig2(t-1);
    eps(t) = sqrt(sig2(t))*z(t);
end
r = 0.01 + eps;                 % 收益序列

T0 = 1200;
rTrain = r(1:T0); rTest = r(T0+1:end);

% ARCH 效应初筛
figure;
subplot(2,1,1); autocorr(rTrain); title("收益 ACF");
subplot(2,1,2); autocorr(rTrain.^2); title("收益平方 ACF");
[hA,pA] = archtest(rTrain-mean(rTrain),"Lags",5);
fprintf("ARCH test h=%d p=%.4f\n", hA, pA);

% 均值常数 + GARCH(1,1)
varMdl = garch(1,1);
md = arima("Constant",NaN,"Variance",varMdl);
est = estimate(md, rTrain, "Display","off");
summarize(est);

% 标准化残差诊断
[res, varHat, logL] = infer(est, rTrain);
zhat = res ./ sqrt(varHat);
figure; autocorr(zhat); title("标准化残差 ACF");
figure; autocorr(zhat.^2); title("标准化残差平方 ACF");
[h2,p2] = archtest(zhat,"Lags",5);
fprintf("标准化后 ARCH h=%d p=%.4f\n", h2, p2);

% 预测均值与方差
h = 20;
[rF, rMSE] = forecast(est, h, "Y0", rTrain);
% rMSE 为预测均方误差；条件方差路径也可用 simulate/forecast 相关输出
fprintf("未来 1..5 步收益点预测：\n"); disp(rF(1:5).');

% 简单 5% VaR（高斯）对比测试期一步滚动（示意）
% 完整滚动评估建议 for 循环重估或用固定参数一步更新
sigF = sqrt(rMSE);             % 近似
VaR5 = rF - 1.645*sigF;
fprintf("h=1 的近似 5%% VaR = %.4f\n", VaR5(1));

% 若只需波动模型、均值已知为 0：
% estV = estimate(garch(1,1), rTrain);

对股价：通常先 price2ret 得收益，再 GARCH；不要对原始价格直接 GARCH。

r = price2ret(price);

六、如何解释结果​

论文应写清：

  1. 为何需要波动模型（图：波动聚集、ARCH 检验）；
  2. 均值方程设定；
  3. GARCH 阶数与 ω^,α^,β^\hat\omega,\hat\alpha,\hat\beta，以及 α^+β^\hat\alpha+\hat\beta；
  4. 标准化残差诊断；
  5. 波动预测用途（区间、VaR、权重）；
  6. 若点预测收益 RMSE 接近常数均值，要诚实说明“不可预测的是方向，可预测的是强度”；
  7. 分布假设（正态/t）对尾部的影响。

七、常见误区​

1. 用 GARCH 预测股价水平方向​

GARCH 主攻 σt\sigma_t，不是涨跌符号。

2. 样本太短却拟合高阶 GARCH​

GARCH(1,1) 通常是起点；参数过多会不稳定。

3. 忽略 α+β≥1\alpha+\beta\ge 1​

积分 GARCH 边界意味着无条件方差不存在，解释与预测需小心。

4. 只看样本内似然​

要用标准化残差检验与滚动 VaR/波动预测评价。

5. 对非平稳价格序列直接建模​

先差分/收益化，再谈条件异方差。

八、小结​

GARCH 的核心是：

让今日波动依赖于昨日冲击与昨日波动，从而预测条件方差与风险，而不是幻想精确预测每一次涨跌。

在建模中，它常接在 ARMA/ARIMA 残差诊断之后：当平方残差有结构时启用。评价要以标准化残差、波动代理误差和区间/VaR 校准为准，绝不能只报一个 R2R^2。需要非对称杠杆时，再考虑 EGARCH 或 GJR-GARCH。