ARCH 模型

玻尔百科

核心要点

ARCH 和 GARCH 模型是为了捕捉“波动率聚类”现象而开发的，即金融时间序列中高波动或低波动的时期倾向于聚集在一起。
GARCH(1,1) 模型将今天的波动率解释为昨天市场冲击和昨天波动率水平的函数，提供了一个简约而强大的框架。
为使 GARCH 模型保持稳定，其参数必须满足平稳性条件（ $\alpha_1 + \beta_1 < 1$ ），确保波动率会回归到一个长期均值。
除了金融领域，ARCH 模型还被应用于评估经济政策、衡量公众舆论的变化，甚至检测网络攻击等异常情况。

引言

在看似混乱的金融市场世界中，理解风险至关重要。几十年来，传统模型将市场波动——价格波动的幅度——视为一个常数，未能捕捉到一个关键的现实世界模式：波动率聚类，即动荡时期与平静时期倾向于聚集在一起。这种差异凸显了我们在准确建模和预测风险能力方面的一个根本性差距。本文通过探讨自回归条件异方差（ARCH）框架来弥补这一差距，这一荣获诺贝尔奖的概念彻底改变了金融计量经济学。我们将首先揭示 ARCH 及其强大的后继者 GARCH 的核心“原理与机制”，了解它们如何为波动率的动态、时变特性建模。随后，“应用与跨学科联系”一章将揭示该模型卓越的通用性，从其金融领域的大本营，延伸到经济学、社会科学乃至网络安全等意想不到的应用领域。

原理与机制

想象一下，你正在观察一个在湍急河流中漂浮的软木塞。有时水面平静，软木塞轻轻漂移。其他时候，河流变成汹涌的急流，软木塞被猛烈地抛来抛去。虽然你无法预测软木塞从一秒到下一秒的确切位置，但你注意到了一个模式：平静的时期会持续一段时间，混乱的时期也是如此。河流的湍流中存在着某种“记忆”。

金融世界与那条河流非常相似。股票、货币或大宗商品的每日价格变化——我们称之为收益率（returns）——通常看起来是不可预测的。很长一段时间里，经济学家将这些变化建模为“随机游走”，即每日的价格变化是从某个概率分布中独立抽取的，就像一次又一次地抛硬币。这意味着今天的价格跳跃幅度完全无法告诉你明天的跳跃幅度。

但这真的是市场的行为方式吗？让我们像科学家一样来验证一下。如果收益率，我们称之为 $r_t$ ，是真正独立的，那么它们的绝对值 $|r_t|$ 也应该是独立的。这意味着，如果我们测量今天的绝对收益率与 $k$ 天前的绝对收益率之间的相关性，它应该是零。

然而，当我们观察真实的金融数据时，我们发现了截然不同的情况。相关性不为零。它为正值，并且在缓慢衰减之前会持续多日。这种现象被称为波动率聚类（volatility clustering）：大的价格波动（高波动率）之后往往会跟随着更多的大波动，而平静时期（低波动率）也倾向于持续。我们那个预测相关性为零的简单随机游走模型，从根本上就是错误的。它未能捕捉到我们在金融市场中随处可见的风险节奏。即使试图通过假设随机冲击具有“重尾”（如学生 $t$ 分布）来修正它也行不通；只要冲击是独立的，它们的绝对值在时间上的相关性仍然为零。我们需要一个全新的想法。

波动率的记忆：ARCH 的洞见

Robert F. Engle 凭借其杰出的洞见赢得了诺贝尔奖，这个洞见就是停止将波动率视为一个固定的常数。如果波动率本身随时间变化呢？如果今天的波动率依赖于昨天的新闻呢？

这就是自回归条件异方差（Autoregressive Conditional Heteroskedasticity, ARCH）模型的核心思想。这个名字很拗口，但想法却很优美。让我们来分解一下：

异方差（Heteroskedasticity）：一个表示时变方差（或波动率）的专业词汇。
条件（Conditional）：在时间点 $t$ 的方差取决于截至时间点 $t-1$ 的可用信息。
自回归（Autoregressive）：方差与其自身的过去值相关——或者更确切地说，与系统过去的冲击值相关。

最简单的 ARCH 模型，即 ARCH(1)，形式如下：

\sigma_t^2 = \omega + \alpha_1 \epsilon_{t-1}^2

让我们用通俗的语言来解释一下。第 $t$ 天的收益率是某个冲击 $\epsilon_t$ 。我们假设这个冲击是波动率 $\sigma_t$ 和一个标准随机数 $Z_t$ （可以将其视为一个纯粹的、单位大小的意外）的乘积，因此 $\epsilon_t = \sigma_t Z_t$ 。上面的方程告诉我们如何预测今天的方差 $\sigma_t^2$ 。它表示今天的方差是一个基准水平 $\omega$ 和昨天冲击平方 $\epsilon_{t-1}^2$ 的一部分（比例为 $\alpha_1$ ）的组合。

冲击的平方 $\epsilon_{t-1}^2$ 是我们对前一天“新闻”或“意外”的代理度量。如果昨天出现了巨大的价格波动（一个大的正或负的 $\epsilon_{t-1}$ ），其平方值就会很大。这反过来又使得今天的预测方差 $\sigma_t^2$ 变大。市场处于高度警惕状态；预计今天的波动会更大。如果昨天很平静（一个小的 $\epsilon_{t-1}$ ），今天的方差就会更小。该模型具有记忆力，但只对最近的冲击有记忆。它直接产生了波动率聚类。

一个优雅的主力：GARCH 模型

ARCH 模型是一个巨大的飞跃，但它有一个小问题。为了捕捉真实数据中观察到的那种漫长而缓慢衰减的波动率“记忆”，你可能需要包含许多过去的冲击： $\epsilon_{t-1}^2, \epsilon_{t-2}^2, \epsilon_{t-3}^2, \dots$ 。这会使得模型变得笨重，参数众多。

Engle 的学生 Tim Bollerslev 提出了一个非常优雅的扩展：广义 ARCH（GARCH）模型。最常见的版本，即 GARCH(1,1) 模型，只增加了一项：

\sigma_t^2 = \omega + \alpha_1 \epsilon_{t-1}^2 + \beta_1 \sigma_{t-1}^2

看看最后一项 $\beta_1 \sigma_{t-1}^2$ 。该模型现在表明，今天的方差取决于两件事：

昨天的冲击 ( $\epsilon_{t-1}^2$ )：这是“ARCH”部分。它代表对新闻的即时反应。 $\alpha_1$ 控制我们反应的强度。
昨天的方差 ( $\sigma_{t-1}^2$ )：这是“GARCH”部分。它代表持续性。昨天方差的总体水平有一部分会延续下来。 $\beta_1$ 控制该方差水平的延续程度。

这个简单的补充功能非常强大。GARCH(1,1) 模型可以创造出丰富而现实的、波动率记忆缓慢衰减的模式。它更简约（parsimonious）——这是科学家们所珍视的一个原则，意即用最少的活动部件来解释复杂的现象。在实践中，一个 GARCH(1,1) 模型通常比一个具有更多参数的高阶 ARCH 模型更适合数据。

为了观察其运作机制，让我们手动追踪一下。假设我们有参数 ( $\omega, \alpha_1, \beta_1$ ) 和某个初始方差 $\sigma_1^2$ 。一个随机冲击 $Z_1$ 到来，我们得到一个收益率 $\epsilon_1 = \sigma_1 Z_1$ 。现在，我们可以通过将 $\epsilon_1^2$ 和 $\sigma_1^2$ 代入 GARCH 方程来计算第二天的方差 $\sigma_2^2$ 。然后一个新的冲击 $Z_2$ 到来，我们得到 $\epsilon_2 = \sigma_2 Z_2$ ，然后用它来计算 $\sigma_3^2$ 。每天，方差都在演变，受到前一天冲击和方差水平的影响，创造出一种动态的、舞蹈般的模式。

驯服波动巨兽：平稳性与持续性

GARCH 方程中的这种反馈循环——方差反馈到自身——引发了一个关键问题：这个过程稳定吗？如果反馈太强，一个单一的大冲击会不会导致波动率永远失控地螺旋上升？

确实可能。为了确保我们的模型描述一个稳定的世界——一个不会爆炸的世界——我们需要一个平稳性条件（stationarity condition）。对于 GARCH(1,1) 模型，这个条件非常简单：

\alpha_1 + \beta_1 < 1

这个条件必须成立，模型才能表现良好。这意味着上一个冲击和上一个方差水平对今天方差的综合影响必须小于 1。如果总和等于 1（即积分 GARCH 或 IGARCH 模型），冲击对波动率具有无限持续的影响；系统永不遗忘。如果总和大于 1，模型是爆炸性的。

当平稳性条件成立时，该过程存在一个长期平均方差，并且总是会趋向于回归到这个均值。这个无条件方差， $\sigma^2$ ，有一个优雅的公式：

\sigma^2 = \frac{\omega}{1 - \alpha_1 - \beta_1}

这个方程非常直观。基准方差 $\omega$ 是长期方差的“种子”。分母 $1 - (\alpha_1 + \beta_1)$ 充当一个放大器。总和 $\alpha_1 + \beta_1$ 越接近 1，冲击的持续性就越强，分母就越小，长期平均波动率就越大。我们甚至可以反向使用这种关系：通过观察某只股票的历史方差，我们可以推断出模型参数必须是什么样的才能匹配这种长期行为。

总和 $\alpha_1 + \beta_1$ 被称为模型的持续性（persistence）。它为我们提供了一个直接衡量市场“记忆”有多长的指标。建立对此直观理解的一个好方法是计算波动率半衰期（volatility half-life）：即一个冲击的影响衰减一半所需的天数。公式为：

k = \frac{\ln(0.5)}{\ln(\alpha_1 + \beta_1)}

对于一个典型的股票，其持续性为（比如说）0.98，半衰期约为 34 天。对于一个变动迅速的货币市场，其持续性为 0.90，半衰期可能只有 6.6 天。这个由我们的 GARCH 参数导出的单一数字，为市场特性提供了一个强大而具体的总结。

建模者的侦探工作：诊断你的 GARCH 模型

构建一个 GARCH 模型不仅仅是写下一个方程；它是一门涉及仔细验证和侦探工作的技艺。我们如何知道我们的模型是否好？

首先，在建立模型之前，我们应该测试是否有任何值得建模的东西。我们可以通过使用像Ljung-Box 检验这样的统计检验，来形式化我们最初对波动率聚类的观察。通过对我们数据的收益率平方应用此检验，我们可以得到一个明确的统计答案，回答这个问题：“波动率是否存在显著的自相关？”如果检验结果是强烈的“是”，我们就有理由采用 GARCH 模型。

一旦我们拟合了 GARCH(1,1) 模型，真正的诊断工作就开始了。我们模型的核心是关系式 $\epsilon_t = \sigma_t Z_t$ 。我们已经使用数据来估计定义系统中复杂、时变部分 $\sigma_t$ 的参数。如果我们的模型做得很好，所有有趣的动态都应该被我们估计的波动率序列 $\hat{\sigma}_t$ 捕捉到。剩下的部分——标准化残差（standardized residuals）， $\hat{z}_t = \epsilon_t / \hat{\sigma}_t$ ——应该变得完全乏味。它们应该只是一系列独立同分布的随机数。

因此，诊断的艺术就是检查标准化残差中是否还有任何残留的有趣模式。

检查残留的波动率聚类：我们可以再次应用 Ljung-Box 检验，这次是对*标准化残差的平方* $\hat{z}_t^2$ 。如果我们的模型设定正确，应该没有自相关可寻，检验结果应该不显著。如果结果显著，那就是一个警示信号！我们的 GARCH(1,1) 模型未能捕捉到所有的波动率动态，我们可能需要一个更复杂的模型（比如 GARCH(2,1)）。但来自一位优秀科学家的忠告是：我们的检验并非万无一失。诊断检验就像在黑暗房间里的一把手电筒；如果你没有把它指向正确的方向，你就看不到那里的东西。一个滞后阶数太少的检验可能会错过一个长期延迟的效应，这教导我们，深思熟虑地应用工具至关重要。
检查分布假设：标准的 GARCH 模型假设“纯粹意外”部分 $z_t$ 来自一个标准正态分布。这是一个我们可以也应该检验的假设！在我们计算出我们的标准化残差序列 $\hat{z}_t$ 之后，我们可以对它们运行一个正态性检验，比如 Shapiro-Wilk 检验。如果检验拒绝了正态性，它告诉我们我们的冲击来源不是高斯分布。也许是另一个分布，比如重尾的学生 $t$ 分布。这是一个至关重要的诊断步骤，帮助我们完善模型。这也澄清了一个常见的困惑点：虽然 GARCH 模型的完整收益率 $\epsilon_t$ 不是正态分布的（因为波动率变化，它们是重尾的），但在基线模型中，其底层的标准化创新项 $z_t$ 是被假设为正态的。

通过这段旅程，我们从一个简单但有缺陷的世界模型，走向了一个复杂而细致的模型。我们在市场的混乱中发现了一种隐藏的节奏，并构建了一个美丽的数学对象来捕捉它的舞动。同样重要的是，我们学会了如何成为优秀的科学家——质疑我们的模型，检验它的假设，并欣赏它的强大之处与局限性。

应用与跨学科联系

既然我们已经掌握了 ARCH 模型的“如何”运作，现在是时候探讨那个更令人兴奋的问题：“它们有什么用？”科学中一个令人愉悦的真相是，一个强大的思想一旦被释放，就很少会局限于它的诞生地。自回归条件异方差的概念，诞生于一位试图理解通货膨胀的经济学家的头脑，就是一个完美的例子。其核心洞见——我们预测的确定性随时间而变化，且这种变化本身是可预测的——并非金融市场的特有现象。它是所有复杂动态系统的一个基本特征。

在本章中，我们将踏上一段旅程，从模型的大本营金融学和经济学开始，冒险进入政治学、流行病学乃至网络安全等意想不到的领域。我们将看到，这个单一、优雅的思想如何提供了一个新的视角来观察世界，揭示了以前隐藏在眼前的风险、不确定性和变化的模式。

大本营：金融学与经济学

我们从金钱、市场和风险的世界开始，这是理所当然的。毕竟，正是在这里，“波动率聚类”——即平静的日子之后是平静的日子，动荡的日子之后是动荡的日子——的现象最为突出。

对风险更诚实的审视

想象一下你是一家大银行的风险经理。你的工作是回答一个看似简单的问题：“我们明天可能损失多少钱？”很长一段时间里，标准方法是查看历史数据，计算一个单一、固定的标准差，然后用它来估计“风险价值”（VaR）。这就像通过过去十年每天天气的平均值来预测纽约明天的天气。它能告诉你一些信息，但却危险地天真。它忽略了昨天的一场飓风会使明天的风暴更有可能发生。

这正是 GARCH 模型大显身手的地方。GARCH 模型提供的不是单一、静态的风险度量，而是一个动态的、基于市场最新行为的波动率一步预测值 $\sigma_t^2$ 。在平静的日子里，你的 VaR 估计会比较温和。但在金融风暴中，模型会识别出近期的高波动率，并自动扩大你的 VaR，预示着潜在损失要大得多。它提供了一个与市场同呼吸的风险度量。故事并未就此结束。我们甚至可以进行“回测”，回顾历史数据，并以统计的严谨性检查我们基于 GARCH 的风险预测在事后是否准确，确保我们的模型对现实负责。

从被动测量到主动策略

知道风险是一回事；根据风险采取行动是另一回事。GARCH 模型不仅适用于被动的风险管理者，它们也是主动交易者的重要工具。假设一个算法交易系统买入了一只股票。它应该在什么时候卖出？交易者通常会设置“止损”单，在价格下跌一定量时自动卖出，以及“止盈”单，在价格上涨时卖出。但合适的量是多少？一个固定的百分比，同样，太简单了。在波动的市场中，一个小的随机波动就可能不必要地触发你的止损。在平静的市场中，你的止盈目标可能又过于雄心勃勃。

一个具备 GARCH 意识的算法会做得更聪明。它使用 GARCH 的波动率预测来设置动态目标。当市场动荡时，止损和止盈水平设置得更宽，给仓位更多的“呼吸空间”。当市场平静时，它们则被拉得更近。这类似于水手根据当前的风力强度调整船帆，而不是根据整个航程的平均风速。

其他模型的“医生”

有时，一个工具最重要的作用是告诉我们其他工具何时出了问题。在经济学中，许多经典模型，如资本资产定价模型（CAPM），传统上使用假设误差项方差恒定（同方差）的方法进行估计。但如果它不是恒定的呢？

在像 CAPM 这样的模型的残差中发现 ARCH 效应，就像医生在病人身上发现发烧一样。这是一个明确的症状，表明有地方不对劲。它告诉我们，恒定方差的假设被违反了。虽然模型的主要系数估计可能仍然是无偏的，但我们用来判断其显著性的标准误变得完全不可靠。我们的统计检验是无效的。ARCH 效应的发现告诉我们，必须走两条路之一：要么使用能够处理异方差的更稳健的统计方法，要么更好的是，在原始模型旁边使用 GARCH 设定来显式地对变化的方差进行建模。从这个意义上说，ARCH 框架充当了一个至关重要的诊断工具，确保我们经济模型的统计健康。

相关性的舞蹈

到目前为止，我们每次只关注一件事物的波动性。但在现实世界中，资产并非孤立运动。知道比特币的道路有多颠簸是一回事；知道比特币和黄金是否一起上下波动又是另一回事。这种关系，称为相关性，是投资组合多样化的基石。你希望当一种资产下跌时，另一种资产上涨。

但如果这种相关性发生变化呢？如果在危机期间，所有资产突然开始同步运动怎么办？你的多样化恰恰在你最需要它的时候消失了。这时，GARCH 的多变量扩展，如动态条件相关性（DCC）模型，就变得不可或缺。这些强大的模型使我们能够逐日跟踪和预测资产之间的整个相关性矩阵。通过分析例如比特币和黄金的收益率，DCC-GARCH 模型可以告诉我们它们的“避险”属性和多样化效益如何随时间演变，揭示了市场错综复杂且不断变化的舞蹈。

拓宽视野：宏观经济学与社会科学

变动方差的原理绝不限于快节奏的金融回报世界。在节奏较慢但同等重要的国民经济和公众舆论世界中，它同样具有现实意义。

带着谦卑去预测

宏观经济学家不断地预测通货膨胀等关键变量。一个简单的预测可能会说：“我们预测下个季度的通货膨胀率为 0.02。”一个更复杂的预测可能会使用像 ARMA 这样的模型来捕捉序列的动态。但最诚实的预测会加上一句：“……且此预测的不确定性为 X。”一个 ARMA-GARCH 模型正是这样做的。它将一个均值模型（ARMA 部分）与一个误差方差模型（GARCH 部分）结合起来。结果是一个带有动态“预测区间”的预测。在稳定的经济时期，这个区间很窄，反映了我们更高的信心。但在经济冲击之后，GARCH 部分会捕捉到增加的不确定性，并自动拓宽预测区间，从而对未来可能发生的情况做出更现实、更谦逊的评估。

将政策置于显微镜下

我们如何知道一项重大的政府政策是否成功？例如，当一个国家的中央银行采纳正式的“通货膨胀目标制”时，其宣称的目标通常是减少经济波动。但它奏效了吗？

GARCH 模型为此类“事件研究”提供了完美的工具包。我们可以对该国在政策变化之前的货币汇率数据拟合一个 GARCH 模型，并对政策变化之后的数据拟合另一个模型。通过比较两个模型的参数，我们可以得到定量的答案。我们可以计算每个时期的长期或无条件方差，看波动性的基线水平是否下降。我们还可以计算波动率冲击的“半衰期”，看冲击在政策实施后是否消散得更快。这使我们能够超越花言巧语，严格衡量经济政策对市场稳定性的影响。

衡量社会的脉搏

让我们迈出经济学的最后一步，进入社会科学领域。思考一下政治民意调查的世界。一位候选人的支持率一直很稳定，然后一个重大丑闻爆发了。媒体谈论他竞选活动周围的“不确定性增加”。我们能测量这个吗？

当然可以。如果我们观察一位候选人民调数字的每日变化，我们可以将其视为一个时间序列。然后我们可以对这个序列拟合一个 ARCH 模型，定义两个时期：丑闻前和丑闻后。通过计算每个时期的无条件方差——即条件方差的长期平均值——我们可以定量地确定该候选人支持率的“波动性”是否确实增加了。这证明了 ARCH 概念非凡的普遍性：“波动性”可以指金融风险，但它也可以指公众舆论的善变。

深入意想不到的领域

ARCH 模型的影响范围甚至更广，延伸到一些初看之下似乎与经济学毫无共同之处的领域。

追踪一场大流行病

像 COVID-19 这样的传染病的传播是具有时变波动性的动态过程的典型例子。每日新增病例的增长率不是恒定的。在新一波疫情中，受新变种病毒或宽松的公共卫生措施驱动，它会急剧爆发，然后在间歇期消退。这些就是波动率聚类。

通过对感染增长率拟合 GARCH 模型，流行病学家可以捕捉到这种动态。此外，通过将 GARCH 模型的统计拟合度与一个方差恒定的更简单模型进行比较，他们可以正式检验数据是否真的表现出波动率聚类。如果似然比检验结果显示对 GARCH 模型有显著偏好，则提供了强有力的证据，表明大流行病传播的动态特征就是这些不稳定的爆发。

守护数字世界

也许 ARCH 最现代、最引人注目的应用之一在于网络安全。想象一下，你正在监控一个计算机网络的流量。数据包的流动有其自然的节奏——一个基线水平的“噪音”。现在，考虑一次分布式拒绝服务（DDoS）攻击，即服务器被海量的垃圾流量淹没。这次攻击将表现为数据包计数的方差突然、剧烈且持续的爆炸式增长。

在这里，ARCH 模型可以变成一个实时的异常检测器。我们可以用一段长期的“正常”网络流量历史来训练一个 ARCH 模型，以学习其典型的波动模式。该模型现在“知道”正常情况是什么样的。然后，我们让模型在实时流量上运行，不断地将观察到的方差与其一步预测值进行比较。如果它观察到一系列剧烈的、无法解释的方差飙升——即一系列在正常模型下统计上极不可能出现的大的“标准化残差平方”——系统就会发出警报。它检测到了一个指示攻击的模式。它正在倾听网络的心跳，并学会了发现心律失常。

精炼镜头：在不同世界间跳跃

我们的旅程展示了 GARCH 是一个波动率平滑、连续演变的模型。但如果波动率不仅仅是演变——如果它会跳跃呢？想象一下调光开关和简单的开关灯之间的区别。有时，市场似乎会突然从“平静状态”翻转到“危机状态”。

为了捕捉这一点，我们可以将我们的 ARCH 模型与另一个强大的思想相结合：马尔可夫链。由此产生的马尔可夫转换 ARCH 模型允许 ARCH 过程本身的参数（ $\omega$ 和 $\alpha$ ）在一个低波动状态和一个高波动状态之间切换。该模型不仅捕捉了每个状态内部的波动率聚类，还模拟了在状态之间跳跃的概率。使用一种被称为滤波器的巧妙递归算法，我们甚至可以推断出市场在任何特定时刻处于“高波动”状态的概率，从而为潜在的动态提供一个更丰富的画面。

从预测一支股票的风险，到评估经济政策，再到检测网络攻击，自回归条件异方差的核心原理提供了一种统一的语言，来描述、预测和应对一个变化本身也在不断变化的世界。这是一个美丽的证明，展示了一个简单的思想如何能够照亮一片广阔而多样的复杂现象景观。