4、波动率预测模型基础：GARCH模型家族介绍、模型参数估计、预测效果评估
波动率这东西，说白了就是市场的「脾气」。有时候市场很温和，波动率低得让人打瞌睡；有时候突然暴怒，一天能给你干出几个标准差。我做了这么多年量化，最深的体会就是——预测波动率比预测方向靠谱得多。方向猜错了可能亏钱，但波动率猜错了，你的仓位管理和风控全得崩。
这一章，咱们就聊聊怎么用GARCH模型家族来预测波动率。嗯，别被名字吓到，其实没那么玄乎。
4.1 为什么是GARCH？
先问个问题：你观察过金融时间序列吗？有没有发现一个现象——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」。
我刚开始做回测时，天真地以为波动率是常数。结果呢？策略在低波动期表现完美，一到高波动期直接爆仓。后来我才明白，波动率是会变的，而且有记忆。
GARCH模型就是用来捕捉这种记忆的。它假设今天的波动率不仅受昨天随机冲击的影响，还受昨天波动率本身的影响。说白了，就是「昨天的波动率会影响今天的波动率」。
4.2 GARCH模型家族介绍
GARCH模型家族其实挺庞大的，但常用的就那么几个。我按自己的经验给你捋一捋：
4.2.1 基础款：GARCH(1,1)
这是最经典的，也是我入门的第一个模型。公式长这样：
σ²_t = ω + α * ε²_{t-1} + β * σ²_{t-1}解释一下：
- σ²_t：今天的条件方差（波动率的平方）
- ω：长期平均波动率水平
- ε²_{t-1}：昨天的市场冲击（残差平方）
- σ²_{t-1}：昨天的波动率
- α：对市场冲击的敏感度
- β：波动率的衰减速度
我记得第一次用GARCH(1,1)拟合沪深300指数时，α+β接近0.98。这意味着什么？波动率的冲击会持续很久，不会马上消失。嗯，这跟我的交易直觉完全吻合——市场恐慌情绪往往要持续好几天。
4.2.2 不对称款：EGARCH与GJR-GARCH
你有没有发现，市场下跌时的波动率往往比上涨时更大？这就是所谓的「杠杆效应」。基础GARCH模型处理不了这个，因为它只考虑冲击的大小，不考虑方向。
这时候就需要不对称模型了：
- EGARCH：用对数形式建模，能捕捉正负冲击的不对称性。我习惯用它来建模股指期货，因为下跌时的波动率飙升特别明显。
- GJR-GARCH：通过引入哑变量来区分正负冲击。说白了就是给下跌冲击加个权重，让它对波动率的影响更大。
我曾经用EGARCH模型回测过2015年股灾期间的数据。结果发现，负冲击的系数是正冲击的3倍多。这说明市场对坏消息的反应远大于好消息。如果你做期权交易，这个信息非常值钱——虚值看跌期权的隐含波动率往往被低估。
4.2.3 长记忆款：FIGARCH
有些波动率序列的衰减速度特别慢，慢到像是有「长记忆」。比如VIX指数，它的自相关函数衰减得非常缓慢。这时候用FIGARCH（分整GARCH）更合适。
不过说实话，我在实际项目中很少用FIGARCH。原因很简单——参数估计太复杂，而且对样本量要求很高。如果你只有几百个交易日的数据，建议还是老老实实用GARCH(1,1)或EGARCH。
4.3 模型参数估计
参数估计这块，我踩过不少坑。最常用的方法是最大似然估计（MLE）。简单说，就是找一组参数，让当前数据出现的概率最大。
具体步骤：
- 设定均值方程：通常用AR(1)或常数均值。我个人习惯用常数均值，因为波动率模型的重点在方差，均值搞太复杂容易过拟合。
- 设定方差方程：选择GARCH的具体形式（GARCH、EGARCH等）。
- 假设残差分布：常用正态分布或t分布。我建议用t分布，因为金融数据往往有厚尾特征。
- 最大化似然函数：用数值优化算法（如BFGS）求解。
代码实现其实不复杂，以Python的arch库为例：
from arch import arch_model
# 假设returns是收益率序列
model = arch_model(returns, vol='Garch', p=1, q=1, dist='t')
result = model.fit(update_freq=5)
print(result.summary())arch库默认的初始值。
4.4 预测效果评估
模型建好了，参数也估了，怎么知道它好不好？我一般从三个维度来评估：
4.4.1 统计检验
- Ljung-Box检验：检查残差是否还有自相关。如果有，说明模型没捕捉到所有信息。
- ARCH-LM检验：检查残差是否还有ARCH效应。如果还有，说明模型不够充分。
我习惯把这两个检验放在模型拟合后立刻做。如果通不过，我会考虑增加阶数或换模型。
4.4.2 预测误差指标
用历史数据做滚动预测，然后比较预测波动率和实际波动率。常用指标：
| 指标 | 公式 | 说明 |
|---|---|---|
| RMSE | √(mean((σ_pred - σ_real)²)) | 对大误差惩罚较重 |
| MAE | mean(|σ_pred - σ_real|) | 更稳健，不受极端值影响 |
| QLIKE | mean(ln(σ²_pred) + σ²_real/σ²_pred) | 对波动率预测的损失函数更合理 |
我个人最常用QLIKE。为什么？因为RMSE和MAE需要知道「真实波动率」，但真实波动率是不可观测的。我们用已实现波动率（RV）来近似，但RV本身就有测量误差。QLIKE对测量误差不那么敏感。
4.4.3 经济价值评估
这是我最看重的。模型好不好，最终要看能不能赚钱。我会把波动率预测用到实际策略中：
- 期权定价：用预测波动率替代历史波动率，看定价误差是否缩小。
- 风险预算：根据预测波动率动态调整仓位。波动率高时减仓，低时加仓。
- 波动率套利：比较预测波动率和隐含波动率，寻找套利机会。
我记得有一次，我用EGARCH预测的波动率来做沪深300期权的Delta对冲。结果发现，用预测波动率比用历史波动率，对冲误差降低了约15%。虽然不多，但在高频对冲中，这15%就是实打实的利润。
4.5 本章知识体系
说了这么多，我画个图帮你梳理一下：
这张图把GARCH模型家族的知识体系串起来了。从核心目标出发，到模型选择、参数估计、效果评估，最后落到实际应用。你想想看，每一步都有坑，但也都有对应的解决办法。
最后说一句：模型再漂亮，也要经得起回测的检验。我见过太多人沉迷于复杂的模型，结果回测一跑，还不如简单的GARCH(1,1)。记住，在量化交易里，简单有效才是王道。
公众号:蓝海资料掘金营，微信deep3321