4、GARCH模型原理：在ARCH基础上引入滞后条件方差项
好，咱们接着聊。上一章我们把ARCH模型讲透了，你可能会问：那为什么还要搞个GARCH出来？
说白了，ARCH模型有个硬伤——它要用很多阶数才能把波动率的记忆性刻画清楚。比如你处理日度收益率数据，有时候需要ARCH(12)甚至ARCH(20)才能拟合好。参数一多，估计就不稳定了，而且容易过拟合。
我记得2018年做股指期货波动率预测时，试过ARCH(15)，结果AIC和BIC都大得吓人。后来换成GARCH(1,1)，只用3个参数，效果反而更好。这就是GARCH的魅力所在。
4.1 从ARCH到GARCH：一个自然的扩展
ARCH(q)模型把条件方差写成过去残差平方的线性组合：
σ²_t = ω + α₁ε²_{t-1} + α₂ε²_{t-2} + ... + α_qε²_{t-q}但这里有个问题：如果波动率有长期记忆，q就得取很大。Bollerslev在1986年想了个聪明的办法——把过去的条件方差也加进来。就像你预测今天的天气，不光看昨天的实际温度，还要看昨天的预报值。
GARCH(p,q)模型的标准形式：
σ²_t = ω + Σα_i·ε²_{t-i} + Σβ_j·σ²_{t-j}
其中：
- ω > 0（常数项）
- α_i ≥ 0（ARCH系数，i=1,...,q）
- β_j ≥ 0（GARCH系数，j=1,...,p）嗯，这里要注意：所有系数必须非负，这是为了保证条件方差始终为正。我在项目中见过有人跑出负的β系数，结果预测的波动率变成负数，那可就闹笑话了。
4.2 最常用的GARCH(1,1)模型
实际应用中，GARCH(1,1)是绝对的主力。为什么？因为它简单、有效、稳定。
σ²_t = ω + α·ε²_{t-1} + β·σ²_{t-1}你看，就三个参数：ω、α、β。α衡量新信息对波动率的影响，β衡量波动率的持续性。
核心解读：
- α（ARCH项）：反映市场对新信息的反应速度。α越大，说明新信息对波动率的冲击越强。
- β（GARCH项）：反映波动率的记忆性。β越大，波动率衰减越慢。
- α+β：这个和非常关键，它衡量波动率的持续性。
我曾经帮一家私募做风控模型，他们用GARCH(1,1)预测沪深300的日波动率。结果发现α+β接近0.99，说明波动率冲击要持续很久才能消散。这其实符合A股的特征——一个大利空出来，市场要震荡好几天。
4.3 记忆性：GARCH为什么比ARCH强？
你想想看，ARCH模型里，t时刻的波动率只依赖于过去q期的残差平方。一旦超过q期，前面的信息就全丢了。这就像你只记得最近3天的新闻，3天前的全忘了。
GARCH不一样。通过递归代入，你会发现：
σ²_t = ω/(1-β) + α·Σβ^{k-1}·ε²_{t-k}说白了，GARCH(1,1)等价于一个无限阶的ARCH模型，但参数只有3个。所有过去的残差信息都会影响当前波动率，只是影响程度按指数衰减。这就是GARCH的"长记忆性"——用很少的参数，捕捉很长的记忆。
我的经验：
做高频数据时，GARCH的记忆性特别明显。比如5分钟级别的股指期货数据，β往往在0.9以上。这意味着半小时前的波动冲击，到现在还有超过50%的影响力（0.9^6 ≈ 0.53）。
4.4 平稳性条件：模型能跑的前提
GARCH模型不是随便设参数就能用的。它必须满足平稳性条件，否则预测会发散——波动率越预测越大，最后变成无穷大。
对于GARCH(p,q)，平稳性条件是：
Σα_i + Σβ_j < 1对于GARCH(1,1)来说，就是：
α + β < 1避坑指南：
我曾经在回测时发现，某段行情下GARCH(1,1)的α+β算出来是1.02。当时没在意，结果预测的波动率一路飙升，三天后变成了天文数字。后来查资料才知道，这叫"IGARCH"现象——α+β=1时，波动率冲击是永久性的，模型不再均值回归。
遇到这种情况，要么换数据区间，要么考虑用IGARCH模型专门处理。
4.5 参数估计：最大似然法的实战要点
GARCH模型通常用最大似然估计（MLE）。假设残差服从正态分布，对数似然函数为：
L = -0.5·Σ[ln(2π) + ln(σ²_t) + ε²_t/σ²_t]实际估计时，我建议你注意几点：
- 初始值设置：ω可以用样本方差乘以(1-α-β)来初始化，α和β可以设0.1和0.8。
- 约束处理：在优化时加上边界约束，确保所有参数非负且α+β<1。
- 分布假设：如果数据有厚尾特征（金融数据常见），用t分布或GED分布替代正态分布。
嗯，说到分布假设，我记得有一次用正态分布拟合某只股票的日收益率，结果残差的峰度是5.8，远高于正态的3。换成t分布后，似然值提升了将近200点，预测效果也明显改善。
4.6 GARCH(p,q)知识体系总览
下面这张图帮你理清GARCH模型的核心逻辑：
4.7 一个简单的Python实现
最后，给你看一段GARCH(1,1)的估计代码。我用的是arch库，它封装得很好：
import numpy as np
import pandas as pd
from arch import arch_model
# 模拟数据
np.random.seed(42)
n = 1000
omega = 0.1
alpha = 0.15
beta = 0.8
# 生成GARCH(1,1)序列
sigma2 = np.zeros(n)
eps = np.zeros(n)
sigma2[0] = omega / (1 - alpha - beta)
eps[0] = np.sqrt(sigma2[0]) * np.random.normal()
for t in range(1, n):
sigma2[t] = omega + alpha * eps[t-1]**2 + beta * sigma2[t-1]
eps[t] = np.sqrt(sigma2[t]) * np.random.normal()
# 拟合GARCH(1,1)模型
model = arch_model(eps, vol='Garch', p=1, q=1)
result = model.fit(disp='off')
print(result.summary())跑完这段代码，你会看到估计出的ω、α、β跟真实值很接近。这就是GARCH的魅力——用简单的模型，抓住复杂的波动率动态。
好了，GARCH的原理就讲到这里。记住三个关键词：记忆性、持续性、平稳性。下次你看到波动率预测结果，先检查α+β是不是小于1，这是模型靠谱的第一道防线。