ARCH模型和GARCH模型-经管之家官网！

异方差(Heteroskedasticity)指一系列的随机变量其方差不相同。 当我们利用普通最小二乘法（Ordinary Least Squares）进行回归估计时，常常做一些基本的假设。其中之一就是误差项（Error term）的方差是不变的。异方差是违反这个假设的。如果普通最小二乘法应用于异方差模型，会导致估计出的方差值是真实方差值的偏误估计量（Biased estimator）。
条件异方差模型

• ARCH模型（自回归条件异方差模型）
• GARCH模型（广义自回归条件异方差模型）
  

ARCH模型（Autoregressive conditional heteroskedasticity model）
起源：这个模型是获得2003年诺贝尔经济学奖的计量经济学成果之一。是由美国加州大学圣迭哥分校罗伯特·恩格尔(Engle)教授在1982年发表在《计量经济学》杂志（Econometrica）的一篇论文中首次提出,解决了时间序列的波动性（volatility）问题，当时他研究的是英国通货膨胀率的波动性。此后在计量经济领域中得到迅速发展。ARCH全称“自回归条件异方差模型”，解决了传统的计量经济学对时间序列变量的第二个假设所引起的问题。传统的计量经济学对时间序列变量的第二个假设：假定时间序列变量的波动幅度（方差）是固定的，不符合实际，比如，人们早就发现股票收益的波动幅度是随时间而变化的，并非常数。这使得传统的时间序列分析对实际问题并不有效。
粗略地说，该模型将当前一切可利用信息作为条件，并采用某种自回归形式来刻划方差的变异，对于一个时间序列而言，在不同时刻可利用的信息不同，而相应的条件方差也不同，利用ARCH 模型，可以刻划出随时间而变异的条件方差。
　　作为一种全新的理论，ARCH模型在近十几年里得到了极为迅速的发展，已被广泛地用于验证金融理论中的规律描述以及金融市场的预测和决策。ARCH模型被认为是最集中反映了方差变化特点而被广泛应用于金融数据时间序列分析的模型。ARCH模型是过去20年内金融计量学发展中最重大的创新。目前所有的波动率模型中,ARCH类模型无论从理论研究的深度还是从实证运用的广泛性来说都是独一无二的。
ARCH模型的基本思想
　　ARCH模型的基本思想是指在以前信息集下，某一时刻一个噪声的发生是服从正态分布。该正态分布的均值为零，方差是一个随时间变化的量(即为条件异方差)。并且这个随时间变化的方差是过去有限项噪声值平方的线性组合(即为自回归)。这样就构成了自回归条件异方差模型。　　由于需要使用到条件方差，我们这里不采用恩格尔的比较严谨的复杂的数学表达式，而是采取下面的表达方式，以便于我们把握模型的精髓。见如下数学表达：Yt = βXt＋εt (1) 其中，Yt为被解释变量，Xt为解释变量，εt为误差项。如果误差项的平方服从AR(q)过程，即εt2 =a0＋a1εt－12 ＋a2εt－22 ＋ …… ＋ aqεt－q2 ＋ηt t =1,2,3…… (2)其中，ηt独立同分布，并满足E（ηt）= 0, D(ηt)= λ2 ,则称上述模型是自回归条件异方差模型。简记为ARCH模型。称序列εt 服从q阶的ARCH的过程，记作εt －ARCH(q)。为了保证εt2 为正值，要求a0 >0 ,ai ≥0 i=2,3,4… 。
上面（1）和（2）式构成的模型被称为回归－ARCH模型。ARCH模型通常对主体模型的随机扰动项进行建模分析。以便充分的提取残差中的信息，使得最终的模型残差ηt成为白噪声序列。
从上面的模型中可以看出，由于现在时刻噪声的方差是过去有限项噪声值平方的回归，也就是说噪声的波动具有一定的记忆性，因此，如果在以前时刻噪声的方差变大，那么在此刻噪声的方差往往也跟着变大；如果在以前时刻噪声的方差变小，那么在此刻噪声的方差往往也跟着变小。体现到期货市场，那就是如果前一阶段期货合约价格波动变大，那么在此刻市场价格波动也往往较大，反之亦然。这就是ARCH模型所具有描述波动的集群性的特性，由此也决定它的无条件分布是一个尖峰胖尾的分布。
ARCH模型在分析中的应用
　　ARCH模型能准确地模拟时间序列变量的波动性的变化，它在金融工程学的实证研究中应用广泛，使人们能更加准确地把握风险（波动性），尤其是应用在风险价值（Value at Risk）理论中，在华尔街是人尽皆知的工具。ARCH模型的应用分析从1982年开始就一直没有间断，经济学家和计量经济学家们，力图通过不断挖掘这个模型的潜力，来不断增强我们解释和预测市场的能力。从国外的研究情况来看，大致有两个研究方向：
　　一是研究ARCH模型的拓展，完善ARCH模型。自ARCH模型始创以来，经历了两次突破。一次是Bollerslev T. 提出广义ARCH (Generalized ARCH) , 即GARCH 模型，从此以后，几乎所有的ARCH 模型新成果都是在GARCH 模型基础上得到的。第二次则是由于长记忆在经济学上的研究取得突破，分整研究被证明更有效地刻画了某些长记忆性经济现象，与ARCH模型相结合所诞生的一系列长记忆ARCH模型的研究从1996年至今方兴未艾。波勒斯勒夫（Bollerslev）提出GARCH模型(Generalized ARCH)；利立安（Lilien）提出ARCH-M模型；罗宾斯（Robbins）提出NARCH模型。
将ARCH作为一种度量数据波动性的有效工具
　　第二个应用是将ARCH模型作为一种度量金融时间序列数据波动性的有效工具，并应用于与波动性有关广泛研究领域。包括政策研究、理论命题检验、季节性分析等方面。　　ARCH模型能准确地模拟时间序列变量的波动性的变化，它在金融工程学的实证研究中应用广泛，使人们能更加准确地把握风险（波动性），尤其是应用在风险价值（Value at Risk）理论中，在华尔街是尽人皆知的工具。　　可以预见，未来的研究将会在方法论和工具论两个方向进一步展开，特别是其应用研究还在不断拓展，特别是伴随着市场微观结构理论的成熟，采用ARCH模型来模拟波动性，将会对期货交易制度设计，风险控制制度设计和投资组合风险管理策略研究，提供一个更为广阔的研究空间。　　
ARCH模型内涵：