一、波动率聚集效应概述

1.1 什么是波动率聚集

波动率聚集，说白了就是——大的价格变动后面往往跟着大的变动，小的变动后面跟着小的变动。这不是玄学，这是金融时间序列里最典型的特征之一。

我刚开始做量化交易那会儿，看到某只股票连续几天大涨大跌，第一反应是「有内幕消息」。后来才发现，这其实是市场本身的统计规律。你想想看，如果今天上证指数暴跌3%，明天大概率不会突然变成0.5%的小幅震荡，而是继续大起大落。

举个具体的例子：

• 2020年3月美股熔断期间，标普500的日波动率从平时的1%飙到8%以上
• 熔断结束后，波动率并没有立刻回到1%，而是花了几个月慢慢降下来
• 这就是典型的波动率聚集——高波动持续一段时间，低波动也持续一段时间

1.2 金融时间序列的典型特征

做量化的人都知道，金融数据跟物理实验数据完全是两码事。我整理了几个最核心的特征，你在实战中一定会遇到：

特征	描述	实战影响
尖峰厚尾	极端值出现的概率比正态分布高	VaR模型容易低估风险
波动率聚集	大波动后跟大波动，小波动后跟小波动	GARCH模型的核心假设
杠杆效应	下跌时波动率上升比上涨时更明显	需要EGARCH或GJR-GARCH
长记忆性	过去的信息对现在仍有影响	FIGARCH模型更合适

嗯，这里要注意——尖峰厚尾这个特征特别坑人。我记得有一次做期权定价，直接用正态分布假设，结果实盘回测亏得一塌糊涂。后来改用t分布，效果才正常。

1.3 为什么波动率会聚集

这个问题我问过很多同行，答案五花八门。我个人比较认可的解释有这几个：

1. 信息流的不均匀到达——重大新闻往往扎堆出现，比如财报季、政策发布期
2. 投资者情绪传染——恐慌和贪婪都会自我强化，形成正反馈
3. 交易机制的影响——止损单、保证金追缴会加剧波动
4. 市场微观结构——做市商调整报价、大单拆单等行为

我曾经在2015年股灾期间做过一个实验：把每天的新闻数量跟波动率做相关性分析，结果相关系数高达0.72。这说明什么？信息流确实是波动率聚集的重要推手。

1.4 ARCH效应检验

在正式使用GARCH模型之前，必须先做ARCH效应检验。这就像做手术前要验血一样，是标准流程。

检验方法其实很简单：

1. 先对收益率序列拟合一个均值方程（比如ARMA模型）
2. 提取残差序列
3. 对残差平方做Ljung-Box检验或LM检验

下面是我常用的Python代码：

import numpy as np
import pandas as pd
import yfinance as yf
from statsmodels.stats.diagnostic import acorr_ljungbox
from statsmodels.tsa.stattools import adfuller

# 获取数据
data = yf.download('AAPL', start='2020-01-01', end='2023-12-31')
returns = data['Close'].pct_change().dropna()

# 1. 先做平稳性检验
adf_result = adfuller(returns)
print(f'ADF统计量: {adf_result[0]:.4f}')
print(f'p值: {adf_result[1]:.4f}')

# 2. 对收益率平方做Ljung-Box检验
squared_returns = returns ** 2
lb_result = acorr_ljungbox(squared_returns, lags=[10, 20, 30], return_df=True)
print('\nLjung-Box检验结果（收益率平方）：')
print(lb_result)

运行结果解读：

• 如果p值小于0.05，说明存在显著的ARCH效应
• 如果p值大于0.05，说明没有ARCH效应，没必要用GARCH

下面这张图展示了波动率聚集效应的完整检验流程：

最后说一句——ARCH效应检验通过后，就可以放心地进入GARCH建模环节了。不过别急，下一章我们会详细讨论如何选择GARCH模型的阶数。嗯，今天就先到这里。