4、GARCH模型：波动率聚集效应、GARCH(1,1)模型原理、参数估计方法

做市这行，说白了就是跟波动率打交道。你赚的钱，本质上是在管理波动率风险后的剩余价值。我刚开始做量化做市那会儿，最头疼的就是波动率突然变大——明明前几分钟还风平浪静，突然一根大阴线下来，仓位直接被打穿。后来我才明白，这不是偶然，而是市场波动本身就有个特性：大波动后面往往跟着大波动，小波动后面跟着小波动。这就是我们今天要聊的——波动率聚集效应。

4.1 波动率聚集效应：市场为什么会“抱团”波动？

先看一个真实场景。你在做市ETH/USDT，前10分钟波动率只有0.2%，你觉得很安全，仓位加到了80%。结果第11分钟，一根大单砸下来，波动率瞬间飙到1.5%。你还没来得及减仓，第二根、第三根大单又来了——波动率连续5分钟维持在1%以上。这就是典型的波动率聚集。

为什么会这样？我个人的理解是：市场参与者的行为是相互传染的。一个大波动会触发止损单、爆仓单、跟风盘，这些订单又引发新的波动。就像多米诺骨牌，一个倒了，后面的跟着倒。你想想看，如果波动率是随机独立的，那大波动之后应该立刻回归平静才对——但现实不是这样。

我在做市策略里，专门加了一个波动率状态检测模块。如果当前波动率处于高位，我会强制降低仓位上限。这个逻辑的数学基础，就是GARCH模型。

4.2 GARCH(1,1)模型原理：用过去预测未来

GARCH模型，全称是广义自回归条件异方差模型。名字很吓人，但说白了就是：用过去的波动和过去的方差，来预测当前的方差。

GARCH(1,1)是最常用的形式。它的公式长这样：

σ²_t = ω + α * ε²_{t-1} + β * σ²_{t-1}

解释一下每个符号的意思：

• σ²_t：当前时刻的方差（波动率的平方），我们要预测的东西
• ω：长期平均方差，可以理解为波动率的“基准线”
• ε²_{t-1}：上一时刻的“冲击”平方，也就是上一时刻实际收益偏离均值的程度
• σ²_{t-1}：上一时刻的方差，也就是上一时刻预测的波动率水平
• α：冲击系数，衡量新信息对波动率的影响程度
• β：衰减系数，衡量波动率记忆性的强弱

这个模型的核心思想是：当前波动率 = 长期基准 + 近期冲击 + 历史惯性。α越大，说明市场对新信息越敏感；β越大，说明波动率越“粘”，不容易消退。

GARCH(1,1)还有一个重要约束：α + β < 1。如果α+β≥1，说明波动率会无限增长，模型就不稳定了。我见过一些新手直接用默认参数跑GARCH，结果α+β=1.02，预测的波动率越跑越大，最后仓位全乱了。嗯，这里要注意。

4.3 参数估计方法：怎么让模型“拟合”真实市场？

模型有了，参数怎么定？总不能拍脑袋吧。常用的方法是极大似然估计（MLE）。说白了就是：找一组参数，让模型在历史数据上出现的概率最大。

具体步骤是这样的：

1. 准备数据：取过去N天的收益率序列，比如过去500个5分钟收益率
2. 设定初始值：ω、α、β给个初始猜测，比如ω=0.01，α=0.1，β=0.8
3. 迭代计算：用当前参数计算每一天的预测方差，然后计算似然函数值
4. 优化求解：用数值优化算法（比如BFGS）调整参数，让似然函数最大
5. 收敛判断：当参数变化小于某个阈值时，停止迭代

下面是一个用Python实现的GARCH(1,1)参数估计示例：

import numpy as np
from scipy.optimize import minimize

def garch_likelihood(params, returns):
    omega, alpha, beta = params
    T = len(returns)
    sigma2 = np.zeros(T)
    sigma2[0] = np.var(returns)  # 初始方差用样本方差
    
    # 递归计算方差
    for t in range(1, T):
        sigma2[t] = omega + alpha * returns[t-1]**2 + beta * sigma2[t-1]
    
    # 计算对数似然（假设正态分布）
    likelihood = -0.5 * np.sum(np.log(sigma2) + returns**2 / sigma2)
    return -likelihood  # 取负号，因为我们要最大化

# 模拟一些收益率数据
np.random.seed(42)
returns = np.random.randn(1000) * 0.02

# 初始参数猜测
initial_params = [0.01, 0.1, 0.8]

# 约束条件：α+β < 1，且所有参数>0
bounds = [(1e-6, None), (1e-6, 1), (1e-6, 1)]
constraints = {'type': 'ineq', 'fun': lambda x: 1 - x[1] - x[2]}

# 优化求解
result = minimize(garch_likelihood, initial_params, args=(returns,),
                  bounds=bounds, constraints=constraints, method='SLSQP')

omega_est, alpha_est, beta_est = result.x
print(f"估计结果: ω={omega_est:.6f}, α={alpha_est:.4f}, β={beta_est:.4f}")
print(f"α+β = {alpha_est + beta_est:.4f}")

4.4 知识体系总览

为了让你更直观地理解GARCH模型在做市中的应用，我画了一张流程图：

这张图把整个流程串起来了：从市场数据出发，用GARCH模型估计参数，然后预测当前波动率，最后根据波动率水平动态调整做市仓位。我在实盘里就是这么干的——每天开盘前跑一次GARCH，得到当天的波动率基准，然后根据实时行情微调。

4.5 实战中的几个要点

最后，分享几个我在实战中总结的经验：

• 数据频率要匹配：如果你做的是高频做市（秒级），用5分钟收益率估计GARCH可能不合适。我一般用和交易频率相同的时间窗口。
• 不要迷信模型：GARCH假设收益率服从正态分布，但实际市场有厚尾。极端行情下，GARCH预测的波动率可能偏低。我会在GARCH基础上加一个“极端波动缓冲器”——如果预测波动率低于历史90%分位数，就取90%分位数。
• 参数更新频率：我个人习惯每周一重新估计一次参数。如果市场波动剧烈（比如VIX飙升），我会缩短到每天一次。
• 别忘了ω：很多新手只关注α和β，忽略了ω。其实ω代表长期波动水平，如果市场整体波动率中枢上移，ω也会变大。我见过有人用一年前的参数做今天的做市，结果ω严重偏低，仓位过大，一波行情就亏回去了。

---

公众号:蓝海资料掘金营，微信deep3321