3. ARCH模型原理：从条件异方差到参数估计

好，咱们今天来聊聊ARCH模型。说实话，我刚入行那会儿，看到“异方差”三个字就头大。但后来在实际项目中吃过亏——用普通模型预测股票波动率，结果惨不忍睹。嗯，今天我就把这块硬骨头给你啃明白。

3.1 条件异方差：波动率为什么会“扎堆”？

先问个问题：你观察过股票收益率吗？有没有发现一个现象——

  • 大涨大跌之后，往往跟着更大的波动
  • 风平浪静的时候，市场也相对安静

这就是波动率聚集效应。说白了，大的变化倾向于引发更大的变化。

传统的线性模型（比如ARMA）假设方差是常数。但金融数据显然不满足这个假设。我当年做期权定价时，用常数方差模型算出的VaR，回测时直接被打脸——市场剧烈波动时，模型完全低估了风险。

核心概念：条件异方差是指，给定过去信息，当前收益率的方差是随时间变化的。用数学语言说：

Var(rt | rt-1, rt-2, ...) ≠ 常数

3.2 ARCH(q)模型：让方差“动”起来

1982年，Robert Engle提出了ARCH模型。他的想法很直接：用过去的残差平方来预测当前的方差。

模型长这样：

rt = μ + εt
εt = σt · zt，其中 zt ~ N(0,1)
σt² = α0 + α1εt-1² + α2εt-2² + ... + αqεt-q²

我来拆解一下：

  • rt：当前收益率
  • μ：均值方程（通常是个常数或ARMA）
  • εt：残差项，也就是“意外冲击”
  • σt²：条件方差，它由过去q期的残差平方决定
  • α0 > 0，αi ≥ 0：保证方差为正

我的经验：q值一般取1~3就够了。我见过有人硬上ARCH(10)，结果参数估计不稳定，预测效果反而更差。记住：简单模型往往更可靠。

3.3 参数估计：最大似然法的实战细节

估计ARCH模型，最常用的是最大似然估计（MLE）。为什么？因为OLS在这里不好使——残差平方之间相关，违反了OLS的基本假设。

似然函数长这样：

L = ∏ (1 / √(2πσt²)) · exp(-εt² / (2σt²))

取对数后：

log L = -½ ∑ [log(2π) + log(σt²) + εt² / σt²]

实际估计时，我习惯用Python的arch库。给你看个例子：

import numpy as np
import pandas as pd
from arch import arch_model

# 模拟数据
np.random.seed(42)
n = 1000
returns = np.random.normal(0, 1, n) * np.sqrt(0.1 + 0.8 * np.random.chisquare(1, n))

# 拟合ARCH(1)模型
model = arch_model(returns, vol='ARCH', p=1)
result = model.fit()

print(result.summary())

输出结果里，你会看到：

  • alpha[1]：就是α₁，衡量过去冲击对当前方差的影响
  • omega：就是α₀，基础方差水平
  • Log Likelihood：对数似然值，越大越好

避坑指南：我曾经在估计ARCH模型时，发现alpha[1]的p值很大（不显著）。后来检查发现，是因为数据中存在异常值。建议你在建模前先做异常值处理，否则估计结果会严重偏误。

3.4 检验方法：如何判断数据需要ARCH？

不是所有数据都适合用ARCH模型。在建模前，我们需要先做ARCH效应检验。

最常用的是拉格朗日乘子检验（LM test），也叫Engle's ARCH test。步骤很简单：

  1. 先拟合一个均值模型（比如ARMA），得到残差序列
  2. 对残差平方做自回归：εt² = β₀ + β₁εt-1² + ... + βqεt-q² + ut
  3. 检验所有β系数是否同时为0

Python实现：

from statsmodels.stats.diagnostic import het_arch

# 假设residuals是均值模型的残差
stat, p_value, _, _ = het_arch(residuals, nlags=5)

print(f'LM统计量: {stat:.4f}')
print(f'p值: {p_value:.4f}')

if p_value < 0.05:
    print('存在显著的ARCH效应')
else:
    print('没有足够的证据表明存在ARCH效应')

判断标准：p值小于0.05，说明数据存在条件异方差，适合用ARCH模型。反之，用普通模型就够了。

3.5 知识体系总览

下面这张图，把ARCH模型的整个逻辑串起来了：

ARCH模型知识体系 金融时间序列 波动率聚集效应 条件异方差：方差随时间变化 ARCH(q)模型 σ² = α₀ + Σαᵢε² 过去冲击→当前方差 最大似然估计 MLE方法 Python arch库 ARCH效应检验 LM检验 p值<0.05

3.6 实战中的几个要点

最后，分享几个我在项目中积累的经验：

要点 说明 我的建议
阶数选择 q值不宜过大 先用AIC/BIC准则，q一般不超过5
数据频率 日频数据效果最好 周频或月频的ARCH效应往往不显著
参数约束 α₀>0, αᵢ≥0 如果估计出负值，说明模型设定有问题
模型诊断 检查残差是否还有ARCH效应 对标准化残差再做一次LM检验

一个小技巧：我习惯在估计ARCH模型后，画一下条件方差序列。如果条件方差看起来跟实际波动率走势吻合，说明模型抓住了主要特征。如果条件方差太平滑，可能需要考虑更高阶的模型。

好了，ARCH模型的原理就讲到这里。说白了，它就是让方差“活”起来——用过去的冲击来预测未来的波动。下一节我们会看到，ARCH模型有个“亲戚”叫GARCH，它更强大，也更常用。但基础打牢了，后面就顺了。

公众号:蓝海资料掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →