简介本资源是一份面向金融工程、计量经济学及量化投资学习者的GARCH模型族教学课件聚焦金融时间序列波动性建模这一核心难点。课件系统梳理了从ARCH到各类GARCH扩展模型含IGARCH、TGARCH、EGARCH、GARCH-M、PARCH等的理论逻辑、数学设定与适用场景特别强调对波动聚集、高峰厚尾及非对称效应等真实市场特征的刻画能力并辅以日元兑美元汇率等实证案例说明建模必要性与应用路径。资源为单个1.56MB的PPTX文件结构清晰、图文并茂含公式推导、图表展示与关键概念对比适合高校高年级本科生、研究生及实务从业者开展课堂学习或自学精研。目前已有200人下载学习内容覆盖9.1至9.11全部章节知识点完整、讲解深入是掌握条件异方差建模方法的优质入门与进阶参考资料。1. GARCH模型族不是“预测股价”的万能公式而是刻画波动率聚类与非对称冲击的数学框架很多人打开《第9章 GARCH模型族.pptx》第一反应是“终于能用上GARCH做股票预测了”——但实际落地时却发现拟合残差依然肥尾、杠杆效应调不出来、甚至参数估计直接不收敛。根本原因在于GARCH不是黑箱预测器而是一套针对条件异方差结构建模的统计范式。它解决的核心问题是——当时间序列的波动比如日收益率标准差本身随时间剧烈变化、且大波动后大概率跟着大波动波动率聚类、坏消息比好消息引发更强波动杠杆效应时如何让均值方程的误差项不再违反同方差假设。适用人群非常明确金融计量初学者需要理解其与ARCH的继承关系量化研究员需在VaR计算、期权定价、风险平价组合中嵌入真实波动率路径风控工程师则依赖IGARCH处理长期记忆性、用EGARCH规避非负约束。本章不讲PPT动画逻辑只拆解从理论动机到stata/python实操的完整链路覆盖ARCH起点、GARCH(1,1)基准、IGARCH的单位根特性、TGARCH/EGARCH对非对称性的差异化建模以及每个模型在真实收益率序列上的参数可识别性检验。2. 从ARCH到GARCH为什么必须引入滞后条件方差项2.1 ARCH模型的物理意义与致命缺陷ARCHAutoregressive Conditional Heteroskedasticity模型由Engle于1982年提出核心思想是当前时刻的条件方差σₜ²仅由过去q期的残差平方εₜ₋₁², εₜ₋₂², ..., εₜ₋q²线性加权决定。标准形式为σₜ² ω α₁εₜ₋₁² α₂εₜ₋₂² ... α_qεₜ₋q²其中ω 0αᵢ ≥ 0且∑αᵢ 1保证平稳性。提示ARCH本质是“波动率的记忆仅来自历史冲击”但实证发现要拟合沪深300日收益率的波动聚类往往需要q ≥ 15导致参数爆炸15个α系数截距既降低自由度又易引发多重共线性。这就是GARCH诞生的直接动因。2.2 GARCH(1,1)的结构突破与经济解释Bollerslev1986将ARCH扩展为GARCHGeneralized ARCH关键创新是用滞后一期的条件方差σₜ₋₁²替代部分残差平方项形成σₜ² ω αεₜ₋₁² βσₜ₋₁²其中α ≥ 0, β ≥ 0, α β 1。这个看似简单的改动带来三重优势参数精简仅3个参数即可捕获长记忆性当αβ接近1时冲击衰减极慢动态解释清晰α衡量“新冲击”对波动率的即时影响新闻敏感度β反映“既有波动水平”的持续性市场惯性平稳性可控αβ 1保证无条件方差有限避免模型发散。2.2.1 在Python中用arch库拟合GARCH(1,1)的最小代码from arch import arch_model import pandas as pd import numpy as np # 假设df[returns]是已计算的日收益率序列如沪深300 returns df[returns].dropna() * 100 # 转换为百分比提升数值稳定性 # 拟合GARCH(1,1) - 均值方程默认为常数波动率方程为GARCH(1,1) am arch_model(returns, volGARCH, p1, q1, meanConstant, distnormal) res am.fit(dispoff) print(res.summary())volGARCH指定波动率模型类型p1, q1GARCH(p,q)中p为ARCH项阶数滞后残差平方项数q为GARCH项阶数滞后条件方差项数meanConstant均值方程设为常数即收益率均值为μ若需AR均值改用meanARX并传入lags[1]distnormal残差分布假设金融数据常用studentstt分布缓解厚尾问题。2.2.2 参数解读与业务校验输出结果中关键参数如下表参数符号典型值A股日频经济含义校验要点muμ≈0.03日均收益率%应接近样本均值显著非零说明存在系统性收益omegaω0.05~0.20长期平均波动率基线过小0.01可能模型过拟合alphaα0.07~0.15新冲击贡献度αβ应0.8才体现强聚类若α0.03需检查数据频率betaβ0.80~0.92波动率持续性αβ越接近1无条件方差越大VaR计算更保守nuνt分布自由度5~8尾部厚度若ν4拒绝正态假设必须用t分布注意若alpha beta 0.99说明波动率记忆极长此时应考虑IGARCH模型见第3章而非强行保留GARCH(1,1)。3. IGARCH、TGARCH、EGARCH当标准GARCH无法捕捉真实市场机制时3.1 IGARCH处理“持久性波动”的单位根特例当αβ≈1时GARCH(1,1)的无条件方差趋于无穷波动率过程呈现单位根特征——冲击永不完全消退。这在汇率、大宗商品等高持续性序列中常见。IGARCHIntegrated GARCH强制约束αβ1模型变为σₜ² ω αεₜ₋₁² (1−α)σₜ₋₁²此时条件方差可写为σₜ² ω Σⱼα(1−α)ʲ⁻¹εₜ₋ⱼ²即所有历史残差平方的加权和权重呈几何衰减但永不归零。3.1.1 在arch库中实现IGARCH约束# 方法1使用arch_model的constraint参数推荐 am_igarch arch_model(returns, volGARCH, p1, q1, meanConstant, diststudentst) # 约束 alpha beta 1 constraints {alpha[0] beta[0]: 1.0} res_igarch am_igarch.fit(constraintsconstraints, dispoff) # 方法2手动构造并用scipy.optimize适合深度定制 # 此处省略因arch库已封装业务场景无需手写constraints字典键为参数表达式字符串值为目标约束值IGARCH下omega仍可估但alpha与beta不再独立——beta由1-alpha确定输出中alpha[0]显著且0alpha1是模型有效的前提否则说明持久性不足应回退GARCH。3.2 TGARCH显式建模“坏消息比好消息更吓人”标准GARCH对正负残差一视同仁但实证显示利空消息εₜ₋₁0引发的波动率上升常大于同等幅度利好εₜ₋₁0。TGARCHThreshold GARCH通过引入虚拟变量γ区分符号σₜ² ω αεₜ₋₁² γεₜ₋₁²·I(εₜ₋₁0) βσₜ₋₁²其中I(·)为指示函数γ0表示杠杆效应强度。3.2.1 Python中拟合TGARCH的关键命令# arch库中TGARCH对应volTGARCH am_tgarch arch_model(returns, volTGARCH, p1, q1, meanConstant, diststudentst) res_tgarch am_tgarch.fit(dispoff) # 查看gamma参数注意arch库中命名为gamma[0] print(f杠杆效应γ {res_tgarch.params[gamma[0]]:.4f}) print(fγ的t统计量 {res_tgarch.tvalues[gamma[0]]:.3f})gamma[0]显著大于0t值2是存在杠杆效应的证据若γ≈0说明市场对正负冲击响应对称TGARCH退化为GARCH实际A股数据中γ常在0.05~0.12之间表明下跌时波动率额外抬升5%~12%。3.3 EGARCH规避非负约束与直接建模对数波动率GARCH/TGARCH要求α,β,γ≥0但优化时易陷入边界解如α0。EGARCHExponential GARCH改用对数条件方差ln(σₜ²)天然满足σₜ²0ln(σₜ²) ω βln(σₜ₋₁²) α·|εₜ₋₁|/σₜ₋₁ γ·εₜ₋₁/σₜ₋₁其中γ项直接控制非对称性γ0表示杠杆效应且α,β,γ可正可负。3.3.1 EGARCH的Python实现与诊断# volEGARCH自动启用指数形式 am_egarch arch_model(returns, volEGARCH, p1, q1, meanConstant, diststudentst) res_egarch am_egarch.fit(dispoff) # EGARCH中gamma参数名为gamma1注意命名差异 gamma_egarch res_egarch.params[gamma1] print(fEGARCH杠杆系数γ {gamma_egarch:.4f} (t{res_egarch.tvalues[gamma1]:.3f}))gamma1为负且显著确认杠杆效应存在EGARCH不依赖α,β非负约束参数估计更稳定但解释性弱于TGARCH因涉及标准化残差对比TGARCH与EGARCH的γ值若两者符号一致且显著结论稳健若仅一个显著需检查残差分布假设如t分布是否必要。4. 模型选择与诊断拒绝“跑通就行”聚焦三个硬性检验4.1 残差白噪声检验Ljung-Box必须通过Q(10)与Q²(10)GARCH族的目标是消除残差平方的自相关。仅看均值方程残差εₜ的Ljung-Box检验Q统计量不够必须检验标准化残差zₜ εₜ/σₜ及其平方zₜ²Q(10)检验zₜ是否存在1~10阶自相关原假设无自相关Q²(10)检验zₜ²是否存在1~10阶自相关原假设无ARCH效应。4.1.1 自动化检验代码基于arch结果from statsmodels.stats.diagnostic import acorr_ljungbox # 提取标准化残差 z res.resid / res.conditional_volatility # Q检验z_t q_z acorr_ljungbox(z, lags[10], return_dfTrue) print(标准化残差Q检验, q_z) # Q²检验z_t² q_z2 acorr_ljungbox(z**2, lags[10], return_dfTrue) print(标准化残差平方Q²检验, q_z2)若Q²(10)的p值 0.05说明模型未能充分捕捉波动率聚类需提高p或q阶数若Q(10)的p值 0.05说明均值方程设定有误如遗漏AR项需调整mean参数。4.2 参数显著性与联合约束检验单个参数t检验只是基础必须验证核心结构约束是否成立GARCH(1,1)H₀: αβ1IGARCH vs H₁: αβ1标准GARCHTGARCH/EGARCHH₀: γ0无杠杆 vs H₁: γ≠0存在杠杆。4.2.1 Wald检验执行示例# 对TGARCH检验γ0 wald_test res_tgarch.wald_test(gamma[0] 0) print(TGARCH杠杆效应Wald检验, wald_test) # 对GARCH检验αβ1 wald_constraint res.wald_test(alpha[0] beta[0] 1) print(GARCH持久性Wald检验, wald_constraint)Wald统计量服从χ²(1)分布p值0.05拒绝原假设若alphabeta1被拒绝但αβ0.98此时IGARCH虽不严格成立但可视为近似VaR计算中应采用滚动窗口重估而非静态参数。4.3 波动率预测能力对比用样本外RMSE说话理论再完美不如预测准。固定滚动窗口如前1000日估计预测第1001日σₜ比较各模型对未来1日条件标准差的预测精度# 以GARCH为例获取预测波动率注意conditional_volatility是历史拟合值 # 需用forecast方法获取向前预测 forecasts res.forecast(horizon1, methodsimulation) # 或methodanalytic # 实际应用中更推荐滚动估计预测循环评价指标RMSE sqrt(mean((σ_pred - |r_actual|)**2))用绝对收益率近似真实波动实测规律EGARCH在短期1日预测常优于TGARCH但GARCH(1,1)在中期5日滚动预测中鲁棒性最强关键提醒不要用R²——波动率本身不可观测R²无意义必须用真实收益率绝对值或已实现波动率RV作为代理变量。5. 一个被严重低估的实操技巧用滚动窗口诊断参数漂移多数教程止步于“单次拟合”但真实市场中GARCH参数会随制度变革、流动性变化而迁移。例如2015年A股异常波动期α值常跃升至0.2以上β降至0.7以下反映冲击敏感度骤增、持续性减弱。忽略此点会导致VaR在危机中系统性低估。5.1 构建滚动参数轨迹的Python脚本import numpy as np import pandas as pd def rolling_garch_params(returns, window500, step10): 返回滚动窗口下的alpha, beta, gamma轨迹 alphas, betas, gammas [], [], [] for i in range(window, len(returns), step): sub_ret returns.iloc[i-window:i] try: am arch_model(sub_ret, volTGARCH, p1, q1, meanConstant, diststudentst) res am.fit(dispoff) alphas.append(res.params[alpha[0]]) betas.append(res.params[beta[0]]) gammas.append(res.params[gamma[0]]) except: alphas.append(np.nan) betas.append(np.nan) gammas.append(np.nan) return pd.DataFrame({ alpha: alphas, beta: betas, gamma: gammas }, indexreturns.index[window::step]) # 执行 param_df rolling_garch_params(df[returns], window500, step10) param_df.plot(figsize(12,4), titleTGARCH参数滚动估计500日窗10日步长)window500对应约2年日频数据平衡稳定性与时效性step10避免过度重叠降低轨迹噪声观察重点α与β的反向变动α↑β↓预示市场敏感度上升、γ的符号突变如从正转负标志杠杆效应强化。5.2 参数漂移的业务应对策略α持续上升 0.15说明市场对新闻反应加剧VaR乘数应上调10%~15%β跌破0.75波动率持续性下降GARCH(1,1)可能失效切换至GARCH(2,1)或EGARCHγ绝对值突破0.15杠杆效应进入极端区期权对冲需增加Delta Gamma调整频次所有参数在某时段集体不显著t值1.5该阶段市场处于低波动均衡可暂停波动率模型改用简单移动平均。提示滚动参数图应与重大事件对齐——如2016年熔断、2020年疫情、2022年美联储加息验证参数变动是否符合市场直觉。若漂移无事件对应则需检查收益率序列是否含未修正的分红、拆股等结构性噪音。本文还有配套的精品资源点击获取
简介本资源是一份面向金融工程、计量经济学及量化投资学习者的GARCH模型族教学课件聚焦金融时间序列波动性建模这一核心难点。课件系统梳理了从ARCH到各类GARCH扩展模型含IGARCH、TGARCH、EGARCH、GARCH-M、PARCH等的理论逻辑、数学设定与适用场景特别强调对波动聚集、高峰厚尾及非对称效应等真实市场特征的刻画能力并辅以日元兑美元汇率等实证案例说明建模必要性与应用路径。资源为单个1.56MB的PPTX文件结构清晰、图文并茂含公式推导、图表展示与关键概念对比适合高校高年级本科生、研究生及实务从业者开展课堂学习或自学精研。目前已有200人下载学习内容覆盖9.1至9.11全部章节知识点完整、讲解深入是掌握条件异方差建模方法的优质入门与进阶参考资料。1. GARCH模型族不是“预测股价”的万能公式而是刻画波动率聚类与非对称冲击的数学框架很多人打开《第9章 GARCH模型族.pptx》第一反应是“终于能用上GARCH做股票预测了”——但实际落地时却发现拟合残差依然肥尾、杠杆效应调不出来、甚至参数估计直接不收敛。根本原因在于GARCH不是黑箱预测器而是一套针对条件异方差结构建模的统计范式。它解决的核心问题是——当时间序列的波动比如日收益率标准差本身随时间剧烈变化、且大波动后大概率跟着大波动波动率聚类、坏消息比好消息引发更强波动杠杆效应时如何让均值方程的误差项不再违反同方差假设。适用人群非常明确金融计量初学者需要理解其与ARCH的继承关系量化研究员需在VaR计算、期权定价、风险平价组合中嵌入真实波动率路径风控工程师则依赖IGARCH处理长期记忆性、用EGARCH规避非负约束。本章不讲PPT动画逻辑只拆解从理论动机到stata/python实操的完整链路覆盖ARCH起点、GARCH(1,1)基准、IGARCH的单位根特性、TGARCH/EGARCH对非对称性的差异化建模以及每个模型在真实收益率序列上的参数可识别性检验。2. 从ARCH到GARCH为什么必须引入滞后条件方差项2.1 ARCH模型的物理意义与致命缺陷ARCHAutoregressive Conditional Heteroskedasticity模型由Engle于1982年提出核心思想是当前时刻的条件方差σₜ²仅由过去q期的残差平方εₜ₋₁², εₜ₋₂², ..., εₜ₋q²线性加权决定。标准形式为σₜ² ω α₁εₜ₋₁² α₂εₜ₋₂² ... α_qεₜ₋q²其中ω 0αᵢ ≥ 0且∑αᵢ 1保证平稳性。提示ARCH本质是“波动率的记忆仅来自历史冲击”但实证发现要拟合沪深300日收益率的波动聚类往往需要q ≥ 15导致参数爆炸15个α系数截距既降低自由度又易引发多重共线性。这就是GARCH诞生的直接动因。2.2 GARCH(1,1)的结构突破与经济解释Bollerslev1986将ARCH扩展为GARCHGeneralized ARCH关键创新是用滞后一期的条件方差σₜ₋₁²替代部分残差平方项形成σₜ² ω αεₜ₋₁² βσₜ₋₁²其中α ≥ 0, β ≥ 0, α β 1。这个看似简单的改动带来三重优势参数精简仅3个参数即可捕获长记忆性当αβ接近1时冲击衰减极慢动态解释清晰α衡量“新冲击”对波动率的即时影响新闻敏感度β反映“既有波动水平”的持续性市场惯性平稳性可控αβ 1保证无条件方差有限避免模型发散。2.2.1 在Python中用arch库拟合GARCH(1,1)的最小代码from arch import arch_model import pandas as pd import numpy as np # 假设df[returns]是已计算的日收益率序列如沪深300 returns df[returns].dropna() * 100 # 转换为百分比提升数值稳定性 # 拟合GARCH(1,1) - 均值方程默认为常数波动率方程为GARCH(1,1) am arch_model(returns, volGARCH, p1, q1, meanConstant, distnormal) res am.fit(dispoff) print(res.summary())volGARCH指定波动率模型类型p1, q1GARCH(p,q)中p为ARCH项阶数滞后残差平方项数q为GARCH项阶数滞后条件方差项数meanConstant均值方程设为常数即收益率均值为μ若需AR均值改用meanARX并传入lags[1]distnormal残差分布假设金融数据常用studentstt分布缓解厚尾问题。2.2.2 参数解读与业务校验输出结果中关键参数如下表参数符号典型值A股日频经济含义校验要点muμ≈0.03日均收益率%应接近样本均值显著非零说明存在系统性收益omegaω0.05~0.20长期平均波动率基线过小0.01可能模型过拟合alphaα0.07~0.15新冲击贡献度αβ应0.8才体现强聚类若α0.03需检查数据频率betaβ0.80~0.92波动率持续性αβ越接近1无条件方差越大VaR计算更保守nuνt分布自由度5~8尾部厚度若ν4拒绝正态假设必须用t分布注意若alpha beta 0.99说明波动率记忆极长此时应考虑IGARCH模型见第3章而非强行保留GARCH(1,1)。3. IGARCH、TGARCH、EGARCH当标准GARCH无法捕捉真实市场机制时3.1 IGARCH处理“持久性波动”的单位根特例当αβ≈1时GARCH(1,1)的无条件方差趋于无穷波动率过程呈现单位根特征——冲击永不完全消退。这在汇率、大宗商品等高持续性序列中常见。IGARCHIntegrated GARCH强制约束αβ1模型变为σₜ² ω αεₜ₋₁² (1−α)σₜ₋₁²此时条件方差可写为σₜ² ω Σⱼα(1−α)ʲ⁻¹εₜ₋ⱼ²即所有历史残差平方的加权和权重呈几何衰减但永不归零。3.1.1 在arch库中实现IGARCH约束# 方法1使用arch_model的constraint参数推荐 am_igarch arch_model(returns, volGARCH, p1, q1, meanConstant, diststudentst) # 约束 alpha beta 1 constraints {alpha[0] beta[0]: 1.0} res_igarch am_igarch.fit(constraintsconstraints, dispoff) # 方法2手动构造并用scipy.optimize适合深度定制 # 此处省略因arch库已封装业务场景无需手写constraints字典键为参数表达式字符串值为目标约束值IGARCH下omega仍可估但alpha与beta不再独立——beta由1-alpha确定输出中alpha[0]显著且0alpha1是模型有效的前提否则说明持久性不足应回退GARCH。3.2 TGARCH显式建模“坏消息比好消息更吓人”标准GARCH对正负残差一视同仁但实证显示利空消息εₜ₋₁0引发的波动率上升常大于同等幅度利好εₜ₋₁0。TGARCHThreshold GARCH通过引入虚拟变量γ区分符号σₜ² ω αεₜ₋₁² γεₜ₋₁²·I(εₜ₋₁0) βσₜ₋₁²其中I(·)为指示函数γ0表示杠杆效应强度。3.2.1 Python中拟合TGARCH的关键命令# arch库中TGARCH对应volTGARCH am_tgarch arch_model(returns, volTGARCH, p1, q1, meanConstant, diststudentst) res_tgarch am_tgarch.fit(dispoff) # 查看gamma参数注意arch库中命名为gamma[0] print(f杠杆效应γ {res_tgarch.params[gamma[0]]:.4f}) print(fγ的t统计量 {res_tgarch.tvalues[gamma[0]]:.3f})gamma[0]显著大于0t值2是存在杠杆效应的证据若γ≈0说明市场对正负冲击响应对称TGARCH退化为GARCH实际A股数据中γ常在0.05~0.12之间表明下跌时波动率额外抬升5%~12%。3.3 EGARCH规避非负约束与直接建模对数波动率GARCH/TGARCH要求α,β,γ≥0但优化时易陷入边界解如α0。EGARCHExponential GARCH改用对数条件方差ln(σₜ²)天然满足σₜ²0ln(σₜ²) ω βln(σₜ₋₁²) α·|εₜ₋₁|/σₜ₋₁ γ·εₜ₋₁/σₜ₋₁其中γ项直接控制非对称性γ0表示杠杆效应且α,β,γ可正可负。3.3.1 EGARCH的Python实现与诊断# volEGARCH自动启用指数形式 am_egarch arch_model(returns, volEGARCH, p1, q1, meanConstant, diststudentst) res_egarch am_egarch.fit(dispoff) # EGARCH中gamma参数名为gamma1注意命名差异 gamma_egarch res_egarch.params[gamma1] print(fEGARCH杠杆系数γ {gamma_egarch:.4f} (t{res_egarch.tvalues[gamma1]:.3f}))gamma1为负且显著确认杠杆效应存在EGARCH不依赖α,β非负约束参数估计更稳定但解释性弱于TGARCH因涉及标准化残差对比TGARCH与EGARCH的γ值若两者符号一致且显著结论稳健若仅一个显著需检查残差分布假设如t分布是否必要。4. 模型选择与诊断拒绝“跑通就行”聚焦三个硬性检验4.1 残差白噪声检验Ljung-Box必须通过Q(10)与Q²(10)GARCH族的目标是消除残差平方的自相关。仅看均值方程残差εₜ的Ljung-Box检验Q统计量不够必须检验标准化残差zₜ εₜ/σₜ及其平方zₜ²Q(10)检验zₜ是否存在1~10阶自相关原假设无自相关Q²(10)检验zₜ²是否存在1~10阶自相关原假设无ARCH效应。4.1.1 自动化检验代码基于arch结果from statsmodels.stats.diagnostic import acorr_ljungbox # 提取标准化残差 z res.resid / res.conditional_volatility # Q检验z_t q_z acorr_ljungbox(z, lags[10], return_dfTrue) print(标准化残差Q检验, q_z) # Q²检验z_t² q_z2 acorr_ljungbox(z**2, lags[10], return_dfTrue) print(标准化残差平方Q²检验, q_z2)若Q²(10)的p值 0.05说明模型未能充分捕捉波动率聚类需提高p或q阶数若Q(10)的p值 0.05说明均值方程设定有误如遗漏AR项需调整mean参数。4.2 参数显著性与联合约束检验单个参数t检验只是基础必须验证核心结构约束是否成立GARCH(1,1)H₀: αβ1IGARCH vs H₁: αβ1标准GARCHTGARCH/EGARCHH₀: γ0无杠杆 vs H₁: γ≠0存在杠杆。4.2.1 Wald检验执行示例# 对TGARCH检验γ0 wald_test res_tgarch.wald_test(gamma[0] 0) print(TGARCH杠杆效应Wald检验, wald_test) # 对GARCH检验αβ1 wald_constraint res.wald_test(alpha[0] beta[0] 1) print(GARCH持久性Wald检验, wald_constraint)Wald统计量服从χ²(1)分布p值0.05拒绝原假设若alphabeta1被拒绝但αβ0.98此时IGARCH虽不严格成立但可视为近似VaR计算中应采用滚动窗口重估而非静态参数。4.3 波动率预测能力对比用样本外RMSE说话理论再完美不如预测准。固定滚动窗口如前1000日估计预测第1001日σₜ比较各模型对未来1日条件标准差的预测精度# 以GARCH为例获取预测波动率注意conditional_volatility是历史拟合值 # 需用forecast方法获取向前预测 forecasts res.forecast(horizon1, methodsimulation) # 或methodanalytic # 实际应用中更推荐滚动估计预测循环评价指标RMSE sqrt(mean((σ_pred - |r_actual|)**2))用绝对收益率近似真实波动实测规律EGARCH在短期1日预测常优于TGARCH但GARCH(1,1)在中期5日滚动预测中鲁棒性最强关键提醒不要用R²——波动率本身不可观测R²无意义必须用真实收益率绝对值或已实现波动率RV作为代理变量。5. 一个被严重低估的实操技巧用滚动窗口诊断参数漂移多数教程止步于“单次拟合”但真实市场中GARCH参数会随制度变革、流动性变化而迁移。例如2015年A股异常波动期α值常跃升至0.2以上β降至0.7以下反映冲击敏感度骤增、持续性减弱。忽略此点会导致VaR在危机中系统性低估。5.1 构建滚动参数轨迹的Python脚本import numpy as np import pandas as pd def rolling_garch_params(returns, window500, step10): 返回滚动窗口下的alpha, beta, gamma轨迹 alphas, betas, gammas [], [], [] for i in range(window, len(returns), step): sub_ret returns.iloc[i-window:i] try: am arch_model(sub_ret, volTGARCH, p1, q1, meanConstant, diststudentst) res am.fit(dispoff) alphas.append(res.params[alpha[0]]) betas.append(res.params[beta[0]]) gammas.append(res.params[gamma[0]]) except: alphas.append(np.nan) betas.append(np.nan) gammas.append(np.nan) return pd.DataFrame({ alpha: alphas, beta: betas, gamma: gammas }, indexreturns.index[window::step]) # 执行 param_df rolling_garch_params(df[returns], window500, step10) param_df.plot(figsize(12,4), titleTGARCH参数滚动估计500日窗10日步长)window500对应约2年日频数据平衡稳定性与时效性step10避免过度重叠降低轨迹噪声观察重点α与β的反向变动α↑β↓预示市场敏感度上升、γ的符号突变如从正转负标志杠杆效应强化。5.2 参数漂移的业务应对策略α持续上升 0.15说明市场对新闻反应加剧VaR乘数应上调10%~15%β跌破0.75波动率持续性下降GARCH(1,1)可能失效切换至GARCH(2,1)或EGARCHγ绝对值突破0.15杠杆效应进入极端区期权对冲需增加Delta Gamma调整频次所有参数在某时段集体不显著t值1.5该阶段市场处于低波动均衡可暂停波动率模型改用简单移动平均。提示滚动参数图应与重大事件对齐——如2016年熔断、2020年疫情、2022年美联储加息验证参数变动是否符合市场直觉。若漂移无事件对应则需检查收益率序列是否含未修正的分红、拆股等结构性噪音。本文还有配套的精品资源点击获取
