2. GARCH模型理论基础：从ARCH到GARCH的进化之路

各位同学，欢迎来到第二章。上一章我们聊了波动率聚集这个现象，说白了就是「大波动后面跟着大波动，小波动后面跟着小波动」。那怎么用数学模型去刻画它呢？这就引出了我们今天的主角——GARCH模型。

我个人习惯把GARCH模型看作是「给波动率装了个记忆系统」。什么意思？你想想看，如果今天的市场波动很大，那明天的波动大概率也不会小。GARCH模型就是抓住了这个直觉，把它变成了数学公式。

2.1 ARCH模型回顾：波动率建模的起点

在讲GARCH之前，咱们得先回顾一下它的前身——ARCH模型。这是1982年由Engle提出的，他后来还拿了诺贝尔奖。嗯，这里要注意，ARCH模型的核心思想其实很简单：用过去的残差平方来预测当前的方差。

数学上，ARCH(q)模型长这样：

σ²_t = ω + α₁·ε²_{t-1} + α₂·ε²_{t-2} + ... + α_q·ε²_{t-q}

其中：

• σ²_t：第t期的条件方差（也就是波动率）
• ω：常数项，代表长期平均方差
• α_i：系数，衡量过去残差对当前波动的影响
• ε²_{t-i}：过去第i期的残差平方

我在项目中遇到过一个问题：用ARCH模型拟合沪深300指数时，发现需要很高的阶数（比如q=8甚至q=12）才能捕捉到波动率的持续性。这就很尴尬了——参数太多，模型不稳定，还容易过拟合。

2.2 GARCH(1,1)模型定义：最经典的波动率模型

1986年，Bollerslev在ARCH的基础上做了个关键改进——把过去的方差也纳入模型。这就是GARCH模型。说白了，就是给波动率加了个「自回归」项。

GARCH(1,1)是最常用的形式，公式如下：

σ²_t = ω + α·ε²_{t-1} + β·σ²_{t-1}

这个公式看起来简单，但内涵很深。我建议你这样理解：

• ω：基础波动水平，就像人的基础心率
• α·ε²_{t-1}：昨天的「新闻冲击」对今天波动的影响
• β·σ²_{t-1}：昨天的波动水平对今天的影响（记忆效应）

为什么会这样设计？你想想看，如果只考虑过去的残差（ARCH），那波动率的记忆就太短了。加上β项之后，波动率可以「记住」很久以前的信息——因为昨天的方差里已经包含了前天、大前天的信息，层层传递下去。

2.3 模型参数含义：每个参数背后的故事

咱们来逐个拆解GARCH(1,1)的三个参数。我习惯用「三要素」来记忆：

参数	含义	取值范围	实际意义
ω	长期平均方差	ω > 0	市场的基础波动水平，相当于「地板价」
α	ARCH项系数	α ≥ 0	对近期新闻冲击的敏感度，越大说明越「一惊一乍」
β	GARCH项系数	β ≥ 0	波动率的持续性，越大说明「记性越好」

这里有个关键点：α + β 的和。这个和决定了波动率的「持久性」：

• 如果 α + β < 1：波动率会逐渐回归到长期均值
• 如果 α + β = 1：波动率是单位根过程（IGARCH），冲击的影响永久存在
• 如果 α + β > 1：模型不稳定，波动率会爆炸

我曾经在分析比特币的波动率时，发现α+β非常接近1（0.98左右）。这说明什么？说明加密货币市场的波动率冲击衰减得非常慢，一次暴跌的影响能持续好几个月。嗯，这跟直觉是吻合的。

2.4 模型约束条件：别让模型跑偏了

GARCH模型不是随便设几个参数就能用的。它有严格的约束条件，我总结为「三条红线」：

为什么要有这些约束？我举个例子你就明白了。假设α是负数，那昨天的残差越大，今天的方差反而越小——这完全违背了波动率聚集的直觉。所以这些约束不是数学游戏，而是经济含义的体现。

在实际建模时，我建议你用最大似然估计（MLE）来拟合参数。大多数统计软件（比如Python的arch库）会自动处理这些约束。但如果你自己写优化代码，一定要加上边界条件。

2.5 知识体系总览：一张图看懂GARCH

说了这么多，咱们用一张SVG图来梳理一下GARCH模型的理论框架。我个人觉得，这张图比看十页文字都有用。

这张图把GARCH模型的「前世今生」都串起来了。从左到右看：ARCH是起点，GARCH是核心，EGARCH和GJR-GARCH是扩展，最终落地到VaR计算和期权定价。每个环节都有它的意义。

2.6 小结：记住这三句话

好了，这一章的内容就这些。我帮你总结三句核心的话：

1. GARCH(1,1) = 长期方差 + 新闻冲击 + 记忆效应
2. α+β 的和决定了波动率的持久性，越接近1越持久
3. 约束条件不是摆设，违反它们模型就废了

下一章我们会用Python实际跑一下GARCH模型，看看参数是怎么估计出来的。到时候你会看到，理论上的这些约束条件在代码里是怎么实现的。

---