1. 波动率建模导论：为什么需要ARCH/GARCH？

大家好，欢迎来到这门课。今天咱们聊聊波动率建模的起点——为什么金融时间序列需要ARCH和GARCH这类模型。

说实话，我刚入行做量化的时候，也天真地以为用普通的时间序列模型就能搞定一切。直到有一次，我在回测一个简单的均值回归策略时，发现模型在平静期表现完美，一到市场剧烈波动时就彻底崩盘。嗯，那次教训让我意识到：金融数据没那么简单。

金融时间序列的“怪脾气”

你想想看，股票收益率序列有什么特点？我总结了三个最典型的特征：

• 波动率聚集：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。这不是玄学，是数据里明摆着的规律。
• 厚尾分布：极端值出现的概率比正态分布预测的要高得多。说白了，市场暴跌和暴涨的频率远超你的想象。
• 杠杆效应：坏消息对波动率的影响通常比好消息更大。这个在股票市场尤其明显。

为什么会这样？我个人的理解是：市场参与者的情绪和交易行为会自我强化。恐慌会传染，贪婪也会传染。这就导致了波动率不是恒定的，而是随时间变化的。

为什么普通模型不行？

传统的ARIMA模型假设方差是常数。这在很多工程领域没问题，但在金融领域就尴尬了。我举个例子：

# 模拟一个简单的AR(1)模型
import numpy as np
np.random.seed(42)
n = 1000
epsilon = np.random.normal(0, 1, n)
y = np.zeros(n)
for t in range(1, n):
    y[t] = 0.5 * y[t-1] + epsilon[t]

# 看看残差平方的自相关
from statsmodels.graphics.tsaplots import plot_acf
plot_acf(epsilon**2, lags=20)

你会发现，如果用普通模型拟合金融数据，残差平方往往存在显著的自相关。这说明什么？说明方差不是常数，而是有记忆的。

波动率建模的直觉

我建议你这样理解：波动率就像人的情绪。平时很稳定，但遇到大事就会剧烈波动，而且需要一段时间才能平复。ARCH模型就是捕捉这种“情绪记忆”的工具。

具体来说，ARCH模型假设当前时刻的方差是过去若干期残差平方的线性组合。GARCH模型更进一步，把过去的方差也纳入考虑。说白了，就是让方差自己也有“记忆”。

一个简单的可视化框架

下面我用一张SVG图来展示波动率建模的核心逻辑。这张图我画了很多次，每次给学生讲都先从这个框架开始：

什么时候该用ARCH/GARCH？

我个人的经验是，只要你的数据满足以下条件，就该考虑波动率模型了：

1. 残差平方存在自相关——这是最直接的信号。用Ljung-Box检验一下残差平方序列，p值小于0.05就别犹豫了。
2. 数据存在明显的波动率聚集——画个收益率时序图，看看大波动是不是扎堆出现。
3. 你关心的是风险而非收益——如果你在做VaR计算、期权定价或投资组合优化，那波动率模型就是你的必修课。

一个小测试

你可以用下面这段代码快速检查你的数据是否适合用ARCH/GARCH模型：

import yfinance as yf
import matplotlib.pyplot as plt
from statsmodels.stats.diagnostic import acorr_ljungbox

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

# 检查残差平方的自相关
lb_test = acorr_ljungbox(returns**2, lags=[10], return_df=True)
print(lb_test)

# 如果p值小于0.05，说明存在ARCH效应
if lb_test['lb_pvalue'].values[0] < 0.05:
    print("存在ARCH效应，建议使用波动率模型")
else:
    print("未检测到明显ARCH效应")

这段代码我用了很多次，简单直接。你试试看，大概率会发现金融数据都存在显著的ARCH效应。

总结一下

波动率建模不是锦上添花，而是金融时间序列分析的刚需。普通模型假设方差恒定，这在金融世界里基本不成立。ARCH/GARCH模型的出现，让我们能够捕捉波动率的动态变化，从而更准确地评估风险。

嗯，这一章就到这里。记住：波动率本身也是可以建模的，而且值得建模。下一章我们会深入ARCH模型的具体数学形式，到时候我会分享一些我在实际项目中踩过的坑。