2. ARCH模型原理：ARCH(q)模型的定义、条件方差方程、模型假设与约束条件
好，咱们进入正题。ARCH模型，全称是自回归条件异方差模型。名字听着挺唬人，但说白了，它解决的是一个很实际的问题：波动率会聚集。
什么意思呢？你想想看，金融时间序列里，大涨之后往往跟着大跌，平静的日子后面还是平静。传统的线性模型假设方差是常数，这显然不符合现实。ARCH模型就是用来捕捉这种“波动率扎堆”现象的。
2.1 ARCH(q)模型的定义
ARCH(q)模型由两部分组成：均值方程和条件方差方程。
均值方程通常是一个简单的自回归过程，比如AR(p)，或者干脆就是一个常数。它描述的是收益率本身的动态。我个人习惯把均值方程写得简单点，因为核心波动率建模才是ARCH的强项。
假设我们有一个时间序列 \( y_t \)，它的均值方程可以写成：
y_t = μ + ε_t其中 \( μ \) 是条件均值，\( ε_t \) 是残差项。这个残差项，就是我们要重点分析的对象。
条件方差方程才是ARCH模型的灵魂。它假设残差 \( ε_t \) 可以分解为：
ε_t = σ_t * z_t这里 \( z_t \) 是一个均值为0、方差为1的独立同分布随机变量（通常是标准正态分布或学生t分布）。而 \( σ_t^2 \) 就是条件方差，它依赖于过去q期的残差平方。
核心公式：ARCH(q)的条件方差方程
σ_t² = ω + α₁ε_{t-1}² + α₂ε_{t-2}² + ... + α_qε_{t-q}²其中：ω > 0，α_i ≥ 0（i=1,...,q）
这个公式看着简单，但含义很深。它告诉我们：今天的波动率，是过去q天“冲击”的加权平均。如果昨天市场波动很大（\( ε_{t-1}² \) 很大），那么今天的波动率也会跟着变大。这就是波动率聚集的数学表达。
2.2 模型假设与约束条件
嗯，这里要注意。ARCH模型不是随便就能用的。它有几个硬性条件，违反了就别想跑通。
2.2.1 参数约束
为了保证条件方差 \( σ_t² \) 始终为正数，参数必须满足：
- ω > 0：截距项必须严格为正。我在项目中遇到过有人把ω设成0，结果方差变成负的，模型直接崩了。
- α_i ≥ 0：所有ARCH系数必须非负。这是为了保证过去的冲击对当前波动率有正向影响。
- 平稳性条件：\( Σ_{i=1}^{q} α_i < 1 \)。这个条件保证了条件方差过程是平稳的，不会发散到无穷大。
避坑指南
我曾经在做一个股指期货的波动率模型时，忽略了平稳性条件。结果模型预测的波动率越滚越大，最后直接爆表。后来检查才发现，α系数之和超过了1。记住：α之和必须小于1，否则模型就是“伪回归”。
2.2.2 残差假设
ARCH模型对残差 \( z_t \) 的分布有要求：
- 零均值：E[z_t] = 0
- 单位方差：Var[z_t] = 1
- 独立同分布：z_t之间相互独立
实际应用中，我建议用学生t分布代替正态分布。为什么？因为金融数据往往有厚尾特征，正态分布会低估极端事件发生的概率。用t分布，模型会更稳健。
2.3 条件方差方程的可视化
为了让你更直观地理解ARCH模型的工作原理，我画了一张流程图。它展示了从原始数据到条件方差估计的完整路径。
2.4 模型估计与检验
估计ARCH模型，最常用的方法是极大似然估计（MLE）。具体步骤是：
- 第一步：用OLS估计均值方程，得到残差序列 \( \hat{ε}_t \)
- 第二步：对残差平方进行ARCH效应检验（比如LM检验）
- 第三步：如果存在ARCH效应，用MLE估计条件方差方程的参数
实战小技巧
我建议你在做ARCH效应检验时，先画个残差平方的自相关图。如果ACF图显示明显的拖尾特征，那基本可以确定存在ARCH效应。这比单纯看p值更直观。
2.5 一个简单的Python示例
下面我用Python演示一下ARCH模型的估计过程。这里用的是arch库，非常方便。
import numpy as np
import pandas as pd
from arch import arch_model
import matplotlib.pyplot as plt
# 模拟数据：生成一个ARCH(1)过程
np.random.seed(42)
n = 1000
omega = 0.1
alpha = 0.6
# 生成残差
z = np.random.normal(0, 1, n)
sigma2 = np.zeros(n)
epsilon = np.zeros(n)
sigma2[0] = omega / (1 - alpha) # 无条件方差
epsilon[0] = np.sqrt(sigma2[0]) * z[0]
for t in range(1, n):
sigma2[t] = omega + alpha * epsilon[t-1]**2
epsilon[t] = np.sqrt(sigma2[t]) * z[t]
# 拟合ARCH(1)模型
model = arch_model(epsilon, vol='ARCH', p=1)
result = model.fit(disp='off')
print(result.summary())运行这段代码，你会看到估计出的参数非常接近我们设定的真实值（ω=0.1, α=0.6）。这说明MLE在ARCH模型上表现很好。
2.6 模型选择的实用建议
在实际项目中，选择ARCH模型的阶数q，我一般遵循以下原则：
| 阶数q | 适用场景 | 注意事项 |
|---|---|---|
| q=1 | 高频数据（日频以上） | 简单，但可能捕捉不够 |
| q=2~3 | 日频数据，中等波动聚集 | 常用范围，平衡拟合与复杂度 |
| q≥4 | 低频数据，长期记忆效应 | 小心过拟合，参数估计不稳定 |
我个人习惯先用AIC或BIC准则选择阶数。但记住，不要盲目追求低AIC。有时候稍微高一点的AIC，但模型更稳健，反而更好。
核心要点总结
- ARCH模型的核心是条件方差方程：σ_t² = ω + Σα_i ε_{t-i}²
- 参数必须满足：ω > 0, α_i ≥ 0, Σα_i < 1
- 残差z_t需满足零均值、单位方差、独立同分布
- 估计方法：极大似然估计（MLE）
- 阶数选择：AIC/BIC准则 + 实际业务判断
好了，ARCH模型的基本原理就讲到这里。记住，它虽然简单，但却是理解更复杂GARCH模型的基础。你想想看，如果连ARCH都搞不明白，后面那些带“G”的模型就更难上手了。