3、GARCH模型家族：GARCH(1,1)模型原理与Python实现

波动率建模，说白了就是给市场的「脾气」画个像。你想想看，金融时间序列有个很烦人的特点——波动率会聚集。大涨之后往往跟着大跌，平静的日子总是扎堆出现。这就是我们常说的「波动率聚集效应」。

传统的计量模型，比如ARIMA，假设方差是恒定的。这在金融市场上根本行不通。我刚开始做波动率交易那会儿，用简单移动平均算波动率，结果被市场狠狠教育了一顿。后来才明白，我们需要一个能捕捉方差时变特征的模型。

GARCH模型就是干这个的。它全称是「广义自回归条件异方差模型」，1986年由Bollerslev提出。嗯，这里要注意，GARCH不是某个人的名字，而是Generalized Autoregressive Conditional Heteroskedasticity的缩写。

3.1 GARCH(1,1)的核心思想

GARCH(1,1)是GARCH家族里最常用的成员。为什么是(1,1)？第一个数字代表ARCH项的阶数，第二个数字代表GARCH项的阶数。说白了，就是用过去1期的残差平方和过去1期的方差，来预测当前的方差。

数学表达式长这样：

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

其中：

• σ²_t：当前时刻的条件方差
• ω：常数项，代表长期平均方差
• ε²_{t-1}：上一期的残差平方（新息项）
• σ²_{t-1}：上一期的条件方差
• α：ARCH系数，衡量新息对波动率的影响
• β：GARCH系数，衡量波动率的持续性

我个人习惯把α+β叫做「波动率持久度」。我在项目中遇到过一只股票，它的α+β高达0.98，这意味着一次冲击的影响要持续很久才能消散。做期权交易时，这种股票的隐含波动率往往被高估。

3.2 为什么GARCH(1,1)够用了？

你可能会问：为什么不用更高阶的GARCH(p,q)？理论上，p和q可以取任意正整数。但实际应用中，GARCH(1,1)已经能解释大部分金融时间序列的波动率特征。

原因有三：

1. 简洁性：参数少，估计稳定。高阶模型容易过拟合。
2. 解释性：α和β的经济含义非常直观。
3. 预测能力：大量实证研究表明，GARCH(1,1)的预测效果不输给更复杂的模型。

我曾经用GARCH(2,2)去拟合沪深300的日收益率，结果α₂和β₂都不显著。白白增加了计算量，效果却没提升。从那以后，我默认先用GARCH(1,1)，除非有明确的理由需要更高阶。

3.3 Python实现：从数据到模型

好了，理论说完了，咱们直接上代码。我用的是arch库，这是Python里最成熟的GARCH实现之一。

3.3.1 安装与导入

# 安装
# pip install arch

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

3.3.2 获取数据

我用标普500指数做演示。取最近3年的日收益率数据。

# 下载数据
sp500 = yf.download('^GSPC', start='2021-01-01', end='2024-01-01')
returns = 100 * sp500['Adj Close'].pct_change().dropna()

print(f"样本量: {len(returns)}")
print(f"均值: {returns.mean():.4f}")
print(f"标准差: {returns.std():.4f}")

3.3.3 拟合GARCH(1,1)模型

# 定义模型
model = arch_model(returns, vol='Garch', p=1, q=1, 
                   mean='Constant', dist='Normal')

# 拟合
result = model.fit(update_freq=5)

# 输出结果
print(result.summary())

拟合结果会显示参数估计值、标准误、p值等信息。重点关注α和β的系数。

3.3.4 解读输出结果

假设输出结果如下：

参数	系数	标准误	p值
ω (omega)	0.0214	0.0083	0.010
α (alpha[1])	0.0876	0.0152	0.000
β (beta[1])	0.9012	0.0167	0.000

α+β = 0.9888，非常接近1。这说明波动率的冲击会持续很长时间。对于期权交易者来说，这意味着一旦波动率上升，短期内很难降下来。

3.3.5 提取条件方差与预测

# 提取条件方差
conditional_vol = result.conditional_volatility

# 做未来5天的波动率预测
forecast = result.forecast(horizon=5)
forecast_variance = forecast.variance.iloc[-1]

print("未来5天预测方差:")
print(forecast_variance)

# 转换为标准差（日波动率）
forecast_vol = np.sqrt(forecast_variance)
print("\n未来5天预测波动率:")
print(forecast_vol)

3.4 模型诊断：你的模型靠谱吗？

拟合完模型，不能直接拿去用。得先做诊断检验。我一般看三个东西：

1. 标准化残差的Ljung-Box检验：检验残差是否还存在自相关。如果p值大于0.05，说明模型已经充分捕捉了序列相关性。
2. 标准化残差平方的Ljung-Box检验：检验是否还存在ARCH效应。如果p值大于0.05，说明GARCH模型已经充分解释了波动率聚集。
3. 信息准则：AIC和BIC越小越好，用于模型比较。

# 标准化残差
std_resid = result.resid / result.conditional_volatility

# Ljung-Box检验
from statsmodels.stats.diagnostic import acorr_ljungbox

# 对标准化残差做检验
lb_resid = acorr_ljungbox(std_resid, lags=[10], return_df=True)
print("标准化残差的Ljung-Box检验:")
print(lb_resid)

# 对标准化残差平方做检验
lb_resid2 = acorr_ljungbox(std_resid**2, lags=[10], return_df=True)
print("\n标准化残差平方的Ljung-Box检验:")
print(lb_resid2)

3.5 可视化：一图胜千言

我习惯把收益率序列和条件波动率画在一起，直观感受模型的拟合效果。

fig, ax = plt.subplots(2, 1, figsize=(12, 8))

# 上子图：收益率
ax[0].plot(returns.index, returns, color='gray', alpha=0.6)
ax[0].set_title('标普500日收益率')
ax[0].set_ylabel('收益率 (%)')

# 下子图：条件波动率
ax[1].plot(conditional_vol.index, conditional_vol, color='blue', linewidth=1.5)
ax[1].set_title('GARCH(1,1)条件波动率')
ax[1].set_ylabel('波动率 (%)')
ax[1].set_xlabel('日期')

plt.tight_layout()
plt.show()

你会看到，条件波动率在收益率剧烈波动时会迅速上升，然后在平静期缓慢下降。这就是GARCH模型的核心价值——它让波动率「活」了起来。

3.6 核心知识体系

下面这张图总结了GARCH(1,1)的核心逻辑和实现流程：

3.7 几点补充

GARCH(1,1)虽然强大，但不是万能的。它假设正负冲击对波动率的影响是对称的。但在实际市场中，利空消息往往比利好消息引发更大的波动。这就是所谓的「杠杆效应」。如果你需要处理这种不对称性，可以考虑EGARCH或GJR-GARCH模型。

另外，GARCH模型对异常值很敏感。我在处理A股数据时，经常遇到涨停板导致的收益率截断。这种情况下，我会先做数据清洗，或者改用稳健估计方法。

好了，GARCH(1,1)的内容就到这里。这个模型是我做波动率交易时最常用的工具之一。它简单、有效、可解释。希望你能把它用起来，在实际数据上跑一跑，感受一下波动率建模的魅力。

---

公众号:蓝海资料掘金营，微信deep3321