波动率模型入门：为什么要建模波动率？
说实话，我刚入行做量化的时候，也问过自己这个问题。
价格序列摆在那儿，直接算收益不就行了？为什么非要折腾什么波动率模型？
后来我在一次实盘回测中吃了大亏——模型在历史数据上跑得漂亮，一上线就连续爆仓。原因很简单：我没把波动率的脾气摸透。
波动率这东西，它不是老老实实服从正态分布的。它有情绪，有记忆，还会耍性子。今天咱们就来聊聊，为什么必须给它单独建模。
波动率的两个核心特征
金融时间序列里，波动率有两个非常明显的“坏习惯”。你如果不处理它们，模型基本就是废的。
1. 波动率聚集效应
什么叫聚集效应？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。
我举个例子。你去看2008年金融危机那段时间，标普500的日收益率，一天暴跌5%，第二天又跌4%，第三天还在震荡。反过来，市场平静的时候，可能连续几周每天波动都在0.5%以内。
为什么会这样？因为信息是成堆来的。坏消息往往连着出，恐慌情绪会传染。好消息也一样，乐观情绪会自我强化。
我在项目中遇到过这种情况：用普通的最小二乘法去拟合收益率，残差项根本不满足同方差假设。你算出来的标准误全是偏的，置信区间也是错的。
核心结论：波动率聚集意味着方差不是常数。传统线性模型假设“方差不变”，这在金融数据里基本不成立。
2. 杠杆效应
这个更有意思。杠杆效应说的是：价格下跌时，波动率上升得更快；价格上涨时，波动率上升得慢，甚至可能下降。
你想想看，一家公司股价跌了，它的债务权益比就上升了，财务杠杆变高，风险自然变大。股价涨了，杠杆降低，风险反而小了。
我记得有一次做美股个股的波动率分析，发现苹果股票在2018年四季度那波下跌中，隐含波动率直接翻了一倍。但后面反弹的时候，波动率下降得慢吞吞的。这就是典型的杠杆效应。
我的经验：如果你在做期权定价或者风险管理，忽略杠杆效应会导致VaR严重低估。尤其是做空头寸的时候，市场一跌，波动率飙升，你的风险敞口瞬间放大。
为什么要单独建模波动率？
好，现在咱们把问题说透。既然波动率有聚集效应和杠杆效应，那直接拿历史波动率来用行不行？
不行。原因有三：
- 历史波动率是滞后的。它只能告诉你过去发生了什么，不能预测未来。而风险管理需要的是前瞻性的估计。
- 波动率是时变的。今天的波动率和明天的波动率可能差很多。用一个固定值去套，就像穿固定尺码的鞋——脚会肿，鞋会破。
- 尾部风险被低估。正态分布假设下，极端事件发生的概率被严重低估。而金融市场的肥尾特征，恰恰是风险管理的核心。
所以我们需要一个模型，能够捕捉波动率的动态变化。GARCH模型就是干这个的。
GARCH模型的核心思想
GARCH模型的想法其实很朴素：今天的波动率，取决于昨天的波动率和昨天的冲击。
用数学语言说就是：
σ²_t = ω + α * ε²_{t-1} + β * σ²_{t-1}其中：
- σ²_t 是今天的条件方差
- ε²_{t-1} 是昨天的收益率平方（代表冲击）
- σ²_{t-1} 是昨天的方差
- ω、α、β 是待估参数
这个公式你看一眼就能明白：如果昨天波动大（σ²_{t-1}大），或者昨天有大的冲击（ε²_{t-1}大），那么今天的波动率就会大。这就是聚集效应的数学表达。
注意：α+β 的值非常关键。如果 α+β 接近1，说明波动率冲击的衰减很慢，也就是“长记忆性”。我曾经见过一些股票，α+β 高达0.98，这意味着一次冲击的影响会持续好几个月。
一张图看懂波动率建模逻辑
下面我用一张SVG图，把整个知识体系串起来。你一看就明白。
这张图把整个逻辑链条说清楚了。从原始数据出发，先观察到聚集效应和杠杆效应，发现传统模型不行，然后引入GARCH模型，最后得到更准确的VaR估计。
一个简单的Python示例
光说不练假把式。我写一段代码，让你看看GARCH模型到底怎么用。
import numpy as np
import pandas as pd
import yfinance as yf
from arch import arch_model
# 下载数据
data = yf.download('AAPL', start='2020-01-01', end='2023-12-31')
returns = data['Close'].pct_change().dropna() * 100
# 拟合GARCH(1,1)模型
model = arch_model(returns, vol='Garch', p=1, q=1)
result = model.fit(disp='off')
# 查看参数
print(result.params)
# 预测未来10天的波动率
forecast = result.forecast(horizon=10)
print(forecast.variance.iloc[-1])这段代码做了三件事：下载苹果股票数据，拟合GARCH(1,1)模型，预测未来10天的波动率。你跑一下就能看到，波动率预测值是随时间变化的，不是常数。
避坑指南：我曾经在拟合GARCH模型时，数据没做平稳性检验，结果参数估计全是发散的。记住，GARCH模型要求收益率序列是平稳的。先做ADF检验，再建模。
小结一下
波动率建模不是炫技，是刚需。聚集效应和杠杆效应是金融市场的固有特征，你不建模，就等于闭着眼睛开车。
GARCH模型给了我们一个优雅的解决方案：用昨天的波动率和昨天的冲击，来预测今天的波动率。简单，但有效。
嗯，今天就聊到这儿。下一节咱们会深入GARCH模型的参数估计和模型诊断，到时候再细聊。