3. ARCH模型：波动率建模的起点

说实话，我刚入行做量化的时候，最头疼的就是波动率。价格预测好歹有个趋势可循，波动率这东西，忽大忽小，像个醉汉走路。直到我遇到了ARCH模型，才算是找到了门道。

ARCH模型，全称是自回归条件异方差模型。名字挺唬人，说白了就是：波动率不是随机的，它有自己的记忆。大的波动后面往往跟着大的波动，小的波动后面跟着小的波动——这就是所谓的“波动率聚集”现象。

3.1 为什么需要ARCH模型？

传统的计量模型，比如ARIMA，假设方差是恒定的。但金融数据不是这样。你想想看，2008年金融危机时，波动率是平时的好几倍。如果用恒定方差去建模，那预测结果肯定一塌糊涂。

我在做期权定价时遇到过这个问题。用BS公式算出来的价格，跟市场实际价格总是差一截。后来才发现，BS公式假设波动率不变，但市场波动率是时变的。嗯，这就是ARCH模型要解决的问题。

3.2 ARCH模型原理

ARCH(q)模型由两部分组成：

• 均值方程：描述价格或收益率的平均水平，比如AR模型
• 方差方程：描述波动率如何随时间变化

方差方程长这样：

σ²_t = ω + α₁·ε²_{t-1} + α₂·ε²_{t-2} + ... + α_q·ε²_{t-q}

其中：

• σ²_t 是第t期的条件方差（即波动率平方）
• ω 是常数项（长期平均波动率）
• ε²_{t-i} 是第t-i期的残差平方（即过去的冲击）
• α_i 是系数，表示过去冲击对当前波动率的影响程度

说白了，ARCH模型就是用过去的“意外”来预测今天的波动率。如果昨天市场大跌（残差很大），那么今天的波动率就会偏高。

3.3 阶数选择：到底用几阶？

选择ARCH模型的阶数q，说白了就是决定“用过去几天的冲击来预测今天的波动率”。

我个人习惯用两种方法：

1. ACF/PACF图：看残差平方的自相关函数。如果残差平方在滞后q阶后截尾，那就选q阶。
2. 信息准则：AIC或BIC，选值最小的那个。

举个例子，我做过一个沪深300的波动率模型：

# 计算残差平方的ACF
from statsmodels.graphics.tsaplots import plot_acf
import matplotlib.pyplot as plt

# 假设returns是收益率序列
residuals = returns - returns.mean()
squared_resid = residuals ** 2

plot_acf(squared_resid, lags=20)
plt.show()

如果ACF图显示滞后1阶、2阶显著，那ARCH(2)可能就是合适的选择。不过要注意，阶数太高容易过拟合。我一般不超过5阶。

3.4 模型估计：怎么算出参数？

ARCH模型的估计用的是最大似然估计（MLE）。原理不复杂：找到一组参数，使得观测数据出现的概率最大。

实际操作中，我们直接用Python的arch库：

from arch import arch_model

# 拟合ARCH(2)模型
model = arch_model(returns, vol='ARCH', p=2)
result = model.fit()

# 查看结果
print(result.summary())

输出结果会包含：

• ω、α₁、α₂的估计值
• 标准误和p值
• 对数似然值、AIC、BIC等

我一般先看α系数的显著性。如果p值大于0.05，说明这个滞后项不显著，可以考虑去掉。

3.5 波动率预测：实战应用

模型建好了，怎么用？很简单，用forecast方法：

# 预测未来5天的波动率
forecasts = result.forecast(horizon=5)
print(forecasts.variance[-1:])

预测结果是一个DataFrame，每一列对应未来第几天的波动率预测值。

我在实盘交易中是这样用的：

• 如果预测波动率上升，就降低仓位或买入期权对冲
• 如果预测波动率下降，就适当加仓或卖出期权收权利金

3.6 知识体系总览

下面这张图，是我自己总结的ARCH模型知识框架。你看一眼，心里就有数了：

3.7 一个完整的例子

最后，我给你看一个完整的实战代码。这是我以前做的一个项目，用ARCH模型预测上证50ETF的波动率：

import pandas as pd
import numpy as np
from arch import arch_model
import matplotlib.pyplot as plt

# 加载数据（假设已有）
# data = pd.read_csv('shanghai50.csv', index_col=0, parse_dates=True)
# returns = data['close'].pct_change().dropna() * 100

# 模拟数据做演示
np.random.seed(42)
n = 1000
returns = np.random.normal(0, 1, n) * 0.5

# 拟合ARCH(2)模型
model = arch_model(returns, vol='ARCH', p=2, dist='normal')
result = model.fit(disp='off')

print(result.summary())

# 预测未来10天
forecasts = result.forecast(horizon=10)
pred_var = forecasts.variance.iloc[-1]
pred_vol = np.sqrt(pred_var)

print("\n未来10天波动率预测（标准差%）：")
print(pred_vol)

# 可视化
plt.figure(figsize=(10, 5))
plt.plot(result.conditional_volatility, label='条件波动率', color='blue')
plt.axhline(y=returns.std(), color='red', linestyle='--', label='无条件波动率')
plt.legend()
plt.title('ARCH模型 - 条件波动率 vs 无条件波动率')
plt.show()

你看，代码其实不复杂。关键是理解背后的逻辑：波动率不是常数，它有自己的规律。ARCH模型就是帮我们抓住这个规律的工具。

---

公众号:蓝海资料掘金营，微信deep3321