4、GARCH模型：标准GARCH(1,1)模型、模型参数解释、预测步骤与实战代码

波动率预测，说白了就是猜市场明天会疯到什么程度。我做了这么多年量化，见过太多人把精力花在预测价格方向上，结果被波动率一口吃掉。其实波动率本身是有规律的，GARCH模型就是用来捕捉这个规律的利器。

4.1 为什么需要GARCH？

先问个问题：你观察过金融时间序列吗？你会发现一个现象——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"效应。

传统的线性模型假设方差是常数，这显然不符合现实。我记得刚入行时，用简单移动平均算波动率，结果回测时表现不错，实盘一跑就崩。为什么？因为移动平均给过去所有数据同样的权重，而实际上近期的波动信息更重要。

GARCH模型的出现解决了这个问题。它让方差随时间变化，并且依赖于过去的方差和过去的残差。说白了，就是让模型自己学会"波动是会传染的"。

4.2 标准GARCH(1,1)模型结构

GARCH(1,1)是最常用的形式。括号里的两个数字，第一个1表示ARCH项阶数，第二个1表示GARCH项阶数。我个人的习惯是，先从(1,1)开始试，90%的情况都够用。

模型由两部分组成：

均值方程：

r_t = μ + ε_t
ε_t = σ_t * z_t,  z_t ~ N(0,1)

方差方程：

σ_t² = ω + α * ε_{t-1}² + β * σ_{t-1}²

这里每个参数都有明确的含义：

参数	含义	约束条件
ω (Omega)	长期平均方差的截距项	ω > 0
α (Alpha)	ARCH项系数，衡量新信息对波动的影响	α ≥ 0
β (Beta)	GARCH项系数，衡量波动持续性	β ≥ 0

还有一个重要约束：α + β < 1。这个条件保证了模型是平稳的。如果α+β接近1，说明波动冲击衰减得很慢。我在处理比特币数据时遇到过α+β=0.98的情况，这意味着一次冲击的影响会持续很久很久。

4.3 预测步骤

用GARCH做预测，其实就三步。嗯，这里要注意，预测的是方差，不是价格。

1. 第一步：估计模型参数

   用历史数据通过最大似然估计(MLE)算出ω、α、β。说白了就是找一组参数，让当前数据出现的概率最大。

2. 第二步：计算条件方差序列

   用估计好的参数，从第一个样本开始递推计算每一天的σ_t²。这步会得到整个历史波动率序列。

3. 第三步：向前预测

   对于h步向前预测，公式是：

   σ²_{t+h|t} = ω + (α+β) * σ²_{t+h-1|t}

   当h很大时，预测值会收敛到长期方差ω/(1-α-β)。

4.4 实战代码

下面我用Python演示完整的GARCH(1,1)建模流程。这里用的是arch库，我个人觉得比手动实现方便得多。

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

# 1. 获取数据
# 我用的是SPY，你也可以换成任何股票或指数
ticker = 'SPY'
data = yf.download(ticker, start='2020-01-01', end='2023-12-31')
returns = 100 * data['Adj Close'].pct_change().dropna()

# 2. 拟合GARCH(1,1)模型
# mean='Zero'表示均值方程中μ=0，对日频数据来说够用了
model = arch_model(returns, vol='Garch', p=1, q=1, mean='Zero')
result = model.fit(disp='off')

# 3. 查看参数
print(result.summary())

# 4. 提取条件波动率
conditional_vol = result.conditional_volatility

# 5. 向前预测5步
forecasts = result.forecast(horizon=5)
predicted_var = forecasts.variance.iloc[-1]  # 最后一天的预测值
predicted_vol = np.sqrt(predicted_var)

print(f"预测的波动率（未来5天）: {predicted_vol.values}")

# 6. 可视化
plt.figure(figsize=(12, 6))
plt.plot(returns.index, returns, alpha=0.5, label='日收益率')
plt.plot(conditional_vol.index, conditional_vol, 
         color='red', linewidth=2, label='条件波动率')
plt.title(f'{ticker} - GARCH(1,1)条件波动率')
plt.legend()
plt.show()

运行这段代码，你会看到红色的波动率曲线紧紧包裹着收益率序列。波动大的地方曲线就高，波动小的地方曲线就低。这就是GARCH的魅力——它能动态捕捉市场的"情绪"。

4.5 模型诊断

模型建好了，怎么知道好不好用？我一般看三个东西：

• 标准化残差：用ε_t / σ_t算出来，应该近似白噪声。如果还有明显的自相关，说明模型没捕捉全。
• Ljung-Box检验：检验残差平方的自相关性。p值大于0.05就算合格。
• 参数显著性：看p值，α和β的p值应该小于0.05。

4.6 知识体系总览

下面这张图总结了GARCH(1,1)的核心逻辑。你看，从数据输入到预测输出，整个流程是闭环的。

你想想看，整个流程其实就一个递推公式。有了昨天的方差和昨天的冲击，就能算出今天的方差。这就是GARCH(1,1)最优雅的地方——简单，但足够强大。

最后说一句，GARCH模型不是万能的。它假设波动率是对称的，但实际市场中，利空消息往往比利好消息带来更大的波动。这就是后面要讲的EGARCH模型要解决的问题了。

---

公众号:蓝海资料掘金营，微信deep3321