设想你是一位经验丰富的老船长。海面有一个古怪的脾气：风平浪静的日子总是成串出现，狂风巨浪也喜欢扎堆来袭——昨天还是微风细浪，今天就阴云压顶，连着几天惊涛骇浪，然后又慢慢归于平静。这种“坏天气扎堆”的现象，在金融市场里几乎一模一样：股票涨跌幅往往大则大、小则小，大跌之后常伴随剧烈震荡，平静行情里则连报价都懒洋洋的。 金融学把这种“波动扎堆”叫作波动率聚集。老船长看海，不只看今天的浪高，更看“整片海域的脾气”；金融分析师也一样，他们不只关心价格往哪走，更关心价格会“颠得多厉害”。GARCH 模型就是一张科学的“海图”，它用数学语言描述波动率如何从昨天传到今天、如何被坏消息放大、又如何预测明天的风浪。读完本文，你将理解波动率聚集、ARCH 与 GARCH 的递推逻辑、EGARCH 如何捕捉杠杆效应，以及如何用这些模型计算 VaR 风险指标。

岗位关联

对 AI 从业者而言，GARCH 是量化风控、期权定价、智能投顾等场景中“风险量化”的必备武器——它能把看不见的市场情绪变成一个个可计算的数字。

目录
  1. 可视化演示
  2. 1. 波动率聚集：金融市场的“天气模式”
  3. 2. ARCH模型：让昨天的浪花说话
  4. 3. GARCH演进：波动率的记忆
  5. 4. 杠杆效应与EGARCH：坏消息的放大镜
  6. 5. 模型定阶：选对观察窗口
  7. 6. 模型检验：海图是否可信
  8. 7. 波动率预测与VaR：给风险装上雷达
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示ARCH条件异方差、GARCH方差递推与EGARCH杠杆效应三大模型，通过时序动画呈现波动率聚集与建模机制。

本节配有交互动效（进入视口后自动加载，约 3KB）。

ARCH条件异方差 正冲击残差驱动条件方差变化 负冲击残差同等影响波动率 sigma_t^2 = omega + sum(alpha_i * eps^2_{t-i}) 过去残差平方线性组合决定当前方差。

1. 波动率聚集：金融市场的“天气模式”

老船长有个看家本领：他不只看今天的海面，更看“一段时间的脾气”。海浪似乎有记忆——风平浪静的日子往往成串出现，狂风大浪也喜欢接踵而至。金融市场完全是一副海上脾气：股票收益在大涨大跌之后常常继续大起大落，而在平淡行情里则像睡着了似的。

把这种“波动扎堆”翻译成数学语言就是：收益的方差不是常数。传统统计喜欢假设方差固定，可金融数据偏偏是时变方差。之所以难办，是因为方差本身看不见摸不着，只能从收益的平方去感知——就像船长只能通过浪花的高度反推风的强度。

设 \(r_t\) 为第 \(t\) 天的对数收益率，\(\mu\) 是它的长期均值。“今天的风险有多大”用条件方差刻画，它表示截至昨天，我们对今天波动幅度的最佳预期：

正因为波动率会变，平方收益之间才表现出显著的自相关——这就像海员记录里的“浪高日志”：大浪后面常跟着大浪，小浪后面常跟着小浪。这个看似简单的观察，正是 ARCH/GARCH 模型家族起航的港口。

σt2=E[(rt−μ)2∣Ft−1]\sigma_t^2 = \mathrm{E}\left[(r_t - \mu)^2 \mid \mathcal{F}_{t-1}\right]
这个公式的意思是：波动率不是一个固定数字，而是随着已知信息不断更新的“动态风险仪表”。
  1. 收益率定义\(r_t = \ln P_t - \ln P_{t-1}\)，用价格取对数后求差，近似当日涨跌幅，便于跨期相加。
    rt=ln⁡Pt−ln⁡Pt−1r_t = \ln P_t - \ln P_{t-1}
  2. 偏离均值\((r_t - \mu)^2\) 取“当天收益比长期平均海平面高或低多少”的平方，正负波动都算数。
    (rt−μ)2(r_t - \mu)^2
  3. 条件符号\(\mathcal{F}_{t-1}\) 表示截至昨天的一切信息（航迹、气压、海图）。这里的意思是“站在昨天末尾，评估今天的浪高”。
    σt2=E[(rt−μ)2∣Ft−1]\sigma_t^2 = \mathrm{E}\left[(r_t - \mu)^2 \mid \mathcal{F}_{t-1}\right]

2. ARCH模型：让昨天的浪花说话

老船长有一条朴素的航海经验：如果昨天傍晚突然起浪，那么今天的海面多半不会消停。ARCH 模型的灵感正源于此——用过去几天的“冲击”来预测今天的波动强度。

Engle 在 1982 年提出 ARCH（自回归条件异方差）模型。所谓“条件异方差”，就是方差不再恒定，而是跟随最新信息变化。最简单的 ARCH(1) 写成：

ARCH 模型第一次让“波动率会变”这件事进入主流视野，但它的短板也很明显：若波动率有较强的惯性，需要额外多个滞后阶的冲击项来捕捉，模型参数会变得非常多。就像船长需要记住过去十天的每一朵浪才能判断海况——这太累了，于是 GARCH 应运而生。

σt2=ω+α1εt−12,ω>0, α1≥0\sigma_t^2 = \omega + \alpha_1 \varepsilon_{t-1}^2, \quad \omega > 0,\ \alpha_1 \ge 0
公式里只有两项：一个巴掌大小的“基础风浪” \(\omega\)，加上“昨天那朵浪花” \(\varepsilon_{t-1}^2\) 的贡献。昨天的浪越大，今天的波动率预报就越高。
  1. 基础波动\(\omega\) 是“绝对风平浪静”时的底线方差，必须为正数，否则会出现负方差。
    ω>0\omega > 0
  2. 昨天的意外\(\varepsilon_{t-1} = r_{t-1} - \mu\)，是昨天没有被均值预测到的冲击，相当于浪花高出日常水位的那部分。
    εt−1=rt−1−μ\varepsilon_{t-1} = r_{t-1} - \mu
  3. 平方处理对冲击取平方，意味着无论浪往上冲还是向下砸，都会增加当日的“颠簸感”。
    εt−12\varepsilon_{t-1}^2
  4. 加权组合常数项加上冲击平方，得到今天的条件方差。系数 \(\alpha_1\) 越大，昨天冲击对今天的影响越强。
    σt2=ω+α1εt−12\sigma_t^2 = \omega + \alpha_1 \varepsilon_{t-1}^2

3. GARCH演进：波动率的记忆

有经验的船长不会只盯着昨天那一朵浪，他会把“这一片海域长期以来的脾气”也记在心头。Bollerslev 在 1986 年提出 GARCH（广义自回归条件异方差）模型，其核心思路是：今天的波动率不仅受昨天冲击的影响，还受“昨天的波动率本身”的影响——方差也有记忆。

GARCH(1,1) 的条件方差方程为：

有趣的是，GARCH(1,1) 在数学上等价于一个无限阶的 ARCH 模型——用一条递推式替代了无数个滞后项。这就像老船长把几十年的航海经验浓缩成一句话：“浪的脾气既有突变的一面，也有延续的一面。”这正是 GARCH 风靡量化圈的原因。

σt2=ω+α1εt−12+β1σt−12,ω>0, α1,β1≥0, α1+β1<1\sigma_t^2 = \omega + \alpha_1 \varepsilon_{t-1}^2 + \beta_1 \sigma_{t-1}^2,\quad \omega > 0,\ \alpha_1, \beta_1 \ge 0,\ \alpha_1 + \beta_1 < 1
\(\alpha\) 是“今天风浪对明天的传导系数”，\(\beta\) 是“风险记忆系数”。两者相加小于 1，保证海面不会越演越烈、浪高无限膨胀下去。
  1. 常数项\(\omega\) 表示长期平均波动平台，相当于这片海域的“基础海况”。
    ω\omega
  2. 短期冲击项\(\alpha_1 \varepsilon_{t-1}^2\) 表示昨天的浪花对今天的直接影响，反映“刚发生的事”尤其重要。
    α1εt−12\alpha_1 \varepsilon_{t-1}^2
  3. 波动记忆项\(\beta_1 \sigma_{t-1}^2\) 表示昨天的风险水平自动延续，体现波动的惯性。
    β1σt−12\beta_1 \sigma_{t-1}^2
  4. 平稳条件与长期方差当 \(\alpha_1+\beta_1<1\) 时，方差过程平稳；长期均值回到下式，这被称为无条件方差。
    σ2=ω1−α1−β1\sigma^2 = \frac{\omega}{1 - \alpha_1 - \beta_1}

4. 杠杆效应与EGARCH：坏消息的放大镜

老船长会特别提醒新船员：海里的暗礁流和普通的顺风浪看起来高度差不多，但撞上暗礁流的船往往伤得更重。金融市场也有类似的“暗礁效应”——同样大小的冲击，坏消息引发的波动率上升，通常比好消息更猛烈，这被称为杠杆效应。

为了捕捉这种不对称性，Nelson 在 1991 年提出了 EGARCH（指数 GARCH） 模型。它对波动率取对数，引入带有符号的方向项：

这一族的另一个常见成员是 GJR-GARCH，它用虚拟变量把正负冲击分开加权。EGARCH 则更直接：它让市场情绪的“不对称”完全由 \(\gamma\) 一个参数承载。对风险管理者来说，知道“利空比利好更吓人”，比单纯预测波动率高一个量级，能让海图真正避开暗礁。

ln⁡(σt2)=ω+βln⁡(σt−12)+α(∣zt−1∣−2π)+γzt−1\ln(\sigma_t^2) = \omega + \beta \ln(\sigma_{t-1}^2) + \alpha\left(|z_{t-1}| - \sqrt{\tfrac{2}{\pi}}\right) + \gamma z_{t-1}
EGARCH 的巧妙之处在于：坏消息（\(z_{t-1}<0\)）和好消息（\(z_{t-1}>0\)）会被 \(\gamma\) 项区别对待；而取了对数之后，波动率天然为正，不再需要参数非负约束。
  1. 对数方差对波动率取对数，无论内部怎么变，取指数后一定为正，模型更自由。
    ln⁡(σt2)\ln(\sigma_t^2)
  2. 平均绝对冲击\(|z_{t-1}| - \sqrt{2/\pi}\) 衡量“今天浪的力度”比历史平均大还是小，\(\sqrt{2/\pi}\) 是标准正态绝对值的期望。
    ∣zt−1∣−2π|z_{t-1}| - \sqrt{\tfrac{2}{\pi}}
  3. 方向项\(\gamma z_{t-1}\) 给冲击安上“正负号”，当 \(\gamma<0\) 时，负收益（坏消息）会把波动率推得更高。
    γzt−1\gamma z_{t-1}
  4. 记忆项\(\beta \ln(\sigma_{t-1}^2)\) 延续了波动率的记忆性，使模型仍符合“聚集”特征。
    ln⁡(σt2)=ω+βln⁡(σt−12)+α(∣zt−1∣−2π)+γzt−1\ln(\sigma_t^2) = \omega + \beta \ln(\sigma_{t-1}^2) + \alpha\left(|z_{t-1}| - \sqrt{\tfrac{2}{\pi}}\right) + \gamma z_{t-1}

5. 模型定阶：选对观察窗口

船长在绘制海图之前，要先决定“观察几天的浪才够用”：只看一天太少，看一百天又混入了太多历史噪音。GARCH 建模同样有一个定阶问题——对于 GARCH(p,q)，到底选择多少个滞后阶？

先从数据里找线索：计算收益平方的自相关函数（ACF），若 5 阶内显著，则尝试 GARCH(1,1)；若衰减缓慢，可能需要更高阶。更常用的做法是用信息准则比较候选模型，其中最经典的是 AIC 和 BIC：

定阶的过程就像试帆船：先试 GARCH(1,1)，再看残差是否干净；若不行，再试 GARCH(2,1)、GARCH(1,2)。多数金融时间序列用 GARCH(1,1) 就够了，因为它已经能捕捉波动率的绝大部分记忆，更高阶带来的边际改善通常很小。

AIC=−2ln⁡L+2k\mathrm{AIC} = -2\ln L + 2k
这个公式像是一个“评分表”：第一项衡量模型对数据的解释力，第二项惩罚模型复杂度。得分越低，说明这个“海图”既准又不啰嗦。
  1. 似然函数\(\ln L\) 表示在当前参数下，观测到的数据被“生成”的可能性，越大说明拟合越好。
    ln⁡L\ln L
  2. 复杂度惩罚\(k\) 为模型参数个数，每多一个参数就加 2 分，防止为了拟合历史而画太复杂的海图。
    2k2k
  3. 准则对比AIC = \(-2\ln L + 2k\)，值越小越好；BIC 则把惩罚系数改成 \(\ln(n)k\)，更偏向简单模型。
    BIC=−2ln⁡L+kln⁡n\mathrm{BIC} = -2\ln L + k\ln n

6. 模型检验：海图是否可信

画好的海图能不能用，要看实测。模型估计完之后，必须做诊断检验：如果残差里还残留波动聚集，说明模型没把信息“榨干”；若有信息残留，就需要换更大的 p、q。

常用的工具是 Ljung-Box 检验（简称 LB 检验）。它同时检验多个滞后的自相关系数是否整体为零。对“标准化残差的平方”做 LB 检验，若 p 值很小，说明残差平方仍有自相关，ARCH/GARCH 效应没有被完全移除：

此外，还需检查标准化残差是否接近白噪声、是否近似正态分布。就像海图要在不同海域反复校验一样，一个合格的 GARCH 模型必须让残差“看不出任何可以预报的模式”。

Q=n(n+2)∑k=1mρ^k2n−kQ = n(n+2)\sum_{k=1}^{m} \frac{\hat{\rho}_k^2}{n-k}
直观理解：Q 统计量把所有滞后的“残留浪花相关性”加总，若总浪花太大，就说明模型还没学干净。
  1. 标准化残差\(\hat{\varepsilon}_t / \hat{\sigma}_t\) 除以模型估计的波动率，相当于把浪高除以海况等级。
    z^t=ε^tσ^t\hat{z}_t = \frac{\hat{\varepsilon}_t}{\hat{\sigma}_t}
  2. 残差平方自相关\(\hat{\rho}_k^2\) 是标准化残差平方在滞后 \(k\) 阶的自相关，反映是否还有“聚集尾巴”没抓住。
    ρ^k2\hat{\rho}_k^2
  3. Q 统计量把 1 到 \(m\) 阶的自相关加权求和。若 \(Q\) 超过临界值，说明残差中还藏有波动信息，模型有待改进。
    Q=n(n+2)∑k=1mρ^k2n−kQ = n(n+2)\sum_{k=1}^{m} \frac{\hat{\rho}_k^2}{n-k}

7. 波动率预测与VaR：给风险装上雷达

当海图经过检验，就可以用它来航线预报了。GARCH 模型的核心价值在于预测未来波动率。已知最后一期信息 \(\varepsilon_T\) 和 \(\sigma_T^2\)，对未来 \(h\) 天的条件方差递推如下：

把预测波动率代入风险价值（VaR）公式，就得到“明天最大可能亏损”的估计值：

这就像船长为明天的航行购买保险：\(z_\alpha\) 决定“保守程度”，GARCH 预测的 \(\sigma\) 决定“天气恶劣程度”。两者相乘，便是一条量化风险的生命线。期权定价中的隐含波动率、指数化产品的风险预算，也都站在同一条递推公式的肩膀上。

σT+h∣T2=ω+(α1+β1)σT+h−1∣T2\sigma^2_{T+h \mid T} = \omega + (\alpha_1+\beta_1)\sigma^2_{T+h-1 \mid T}
一步预测由“昨天冲击 + 昨天波动”共同决定；多步预测则是一条平滑曲线，逐渐向长期方差收敛，就像远处海浪最终回归海域平均水平。
  1. 一步预测站在 \(T\) 时刻向前看一步，方差由最新冲击平方和当前方差组合得到。
    σT+1∣T2=ω+α1εT2+β1σT2\sigma^2_{T+1 \mid T} = \omega + \alpha_1 \varepsilon_T^2 + \beta_1 \sigma_T^2
  2. 多步递推两步以后，冲击项可由期望替代，于是只需用 \(\alpha_1+\beta_1\) 不断向前滚动。
    σT+h∣T2=ω+(α1+β1)σT+h−1∣T2\sigma^2_{T+h \mid T} = \omega + (\alpha_1+\beta_1)\sigma^2_{T+h-1 \mid T}
  3. 长期收敛当 \(h\) 很大时，预测方差逼近无条件方差 \(\omega/(1-\alpha_1-\beta_1)\)，说明风险预测不会无限发散。
    lim⁡h→∞σT+h∣T2=ω1−α1−β1\lim_{h \to \infty} \sigma^2_{T+h \mid T} = \frac{\omega}{1 - \alpha_1 - \beta_1}
VaR1−α=zα σT+h∣T\mathrm{VaR}_{1-\alpha} = z_\alpha \, \sigma_{T+h \mid T}
  1. VaR 计算\(z_\alpha\) 是标准正态分布的 \(\alpha\) 分位点（如 95% 对应约 1.65），乘上预测波动率，得到风险额度。
    VaR1−α=zα σT+h∣T\mathrm{VaR}_{1-\alpha} = z_\alpha \, \sigma_{T+h \mid T}

AI 应用场景

场景1：券商风控日报的每日 VaR

阶段：模型部署与监控

解决的问题：传统方法用固定窗口历史标准差算 VaR，市场剧烈波动时反应迟钝。GARCH 每天用最新收益更新波动率，让风险指标“次日就刷新”，在暴风雨来临前提前预警。

具体案例：某券商自营部门每天收盘后运行 GARCH(1,1)，用当日收益更新波动率，自动生成次日 95% 和 99% 的 VaR 限额。遇到市场大跌时，系统能把 VaR 上调数倍，风控经理据此削减仓位。

场景2：期权做市商的波动率预测

阶段：特征工程与预测

解决的问题：Black-Scholes 定价需要输入波动率，用历史波动率过于粗糙，用隐含波动率又有循环依赖。GARCH 能给出未来 5 天、20 天的波动率预测，作为定价与对冲的独立参照。

具体案例：加密货币期权做市团队用 GARCH 预测未来一周波动率，当预测值高于当前隐含波动率时，主动卖出波动率并做 Delta 对冲，从中获取波动率均值回归的收益。

场景3：量化基金的波动率目标策略

阶段：策略信号生成

解决的问题：普通基金在市场高波动期可能遭遇过大回撤。波动率目标策略用 GARCH 估计当前风险，反向调节仓位，让组合风险保持稳定。

具体案例：某 CTA 基金设定 15% 的目标年化波动率，每个交易日用 GARCH(1,1) 给出当前波动率，再按“目标波动率 / 预测波动率”调整整体仓位。市场恐慌时自动降杠杆，避免被风暴掀翻。

Python 演示

python56 行
import numpy as npfrom scipy.optimize import minimize  def simulate_garch(n, omega=1e-5, alpha=0.1, beta=0.85, seed=42):    """生成服从GARCH(1,1)的收益序列及其真实波动率。"""    rng = np.random.default_rng(seed)    sigma2 = np.empty(n)    eps = np.empty(n)    sigma2[0] = omega / (1 - alpha - beta)    eps[0] = np.sqrt(sigma2[0]) * rng.standard_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]) * rng.standard_normal()    return eps, sigma2  def compute_var_path(rets, theta):    """按GARCH(1,1)递推公式计算整个方差路径。"""    omega, alpha, beta = theta    n = len(rets)    sigma2 = np.empty(n)    sigma2[0] = omega / (1 - alpha - beta)    for t in range(1, n):        sigma2[t] = omega + alpha * rets[t-1] ** 2 + beta * sigma2[t-1]    return np.maximum(sigma2, 1e-12)  def neg_log_lik(theta, rets):    """高斯负对数似然，供优化器最小化。"""    omega, alpha, beta = theta    if omega <= 0 or alpha < 0 or beta < 0 or alpha + beta >= 1:        return 1e10    sigma2 = compute_var_path(rets, theta)    return float(0.5 * np.sum(np.log(sigma2) + rets ** 2 / sigma2))  def forecast(sigma2_path, rets, theta, h=5):    """从最后一期出发，预测未来h天波动率。"""    omega, alpha, beta = theta    var = omega + alpha * rets[-1] ** 2 + beta * sigma2_path[-1]    preds = [var]    for _ in range(1, h):        var = omega + (alpha + beta) * var        preds.append(var)    return np.sqrt(np.array(preds))  if __name__ == "__main__":    rets, true_vol = simulate_garch(600)    fit = minimize(neg_log_lik, x0=[1e-5, 0.1, 0.8],                   args=(rets,), method="Nelder-Mead")    print("拟合参数omega/alpha/beta:", fit.x)    var_path = compute_var_path(rets, fit.x)    print("未来5日波动率预测:", forecast(var_path, rets, fit.x, 5))    print("真实最后一日波动率:", true_vol[-1])
目的：模拟一段 GARCH(1,1) 收益序列，再用极大似然估计反推出模型参数，并预测未来 5 天的波动率，演示“先造数据，再还原真身”的完整闭环。
  1. simulate_garch(n, omega, alpha, beta, seed)按 GARCH(1,1) 递推生成模拟收益，相当于在实验室里制造一片已知海况的“人工海浪”。
  2. compute_var_path(rets, theta)用当前参数算出整条方差路径，是似然函数的地基。
  3. neg_log_lik(theta, rets)若参数违反 \(\alpha+\beta<1\) 等约束，直接返回极大惩罚值，引导优化器回到合法海域。
  4. var = omega + alpha * rets[-1] ** 2 + beta * sigma2_path[-1]一步预测公式的代码实现，最新冲击和当前波动共同决定明日风险。
  5. var = omega + (alpha + beta) * var两步以后，只需用 \(\alpha+\beta\) 持续滚动，预测逐渐收敛到长期方差。

常见误区

误区我学会了 GARCH，是不是就能预测明天股票是涨还是跌？下次大跌前赶紧跑。

正解GARCH 预测的是波动幅度，不是方向。它更像船长预报“明天浪高几米”，而不是“明天驶向哪个港口”。涨跌方向应由收益率方程（均值模型）负责，GARCH 管的是方差方程——你的“风险备多少”和“方向怎么选”是两套系统。

为何常见：波动率经常被口语化成“市场恐慌程度”，让人误以为它和价格方向绑定。

误区GARCH(1,1) 里的 α+β 等于 0.98，说明现在市场波动率很高，要赶紧减仓。

正解α+β 反映波动率的“持续性”，即一次冲击能存留多久，而不是当前波动水平。α+β 接近 1 表示风暴一旦形成就很难消退；而当前波动率是多少，要看 \(\sigma_t^2\) 的实际数值。

为何常见：把“波动率的风险等级”和“波动率的衰减速度”混为一谈，一看系数就紧张。

误区GARCH 名字里带个 G，那我先学 ARCH，GARCH 不就是一个更高阶的 ARCH 吗？

正解恰恰相反——GARCH(1,1) 是“无限阶 ARCH 的压缩版”。它用 \(\beta\sigma_{t-1}^2\) 一个参数代表所有历史滞后冲击的累计影响，所以更简洁、更易估计。ARCH 是 GARCH 在 \(\beta=0\) 时的特例。

为何常见：两者名字相似、ARCH 更早诞生，学起来容易按时间顺序误判包含关系。

误区做残差诊断时跑一下 Ljung-Box 检验，p 值很大，说明均值方程没问题，模型完工。

正解LB 检验有两种用法：对残差做检验看均值方程；对“残差平方”做检验看方差方程是否把 ARCH 效应抓干净。GARCH 诊断必须测后者——若平方残差仍显著相关，说明波动率信息还有残留，海图漏掉了暗流。

为何常见：教学中常以“残差白噪声”作为总结合糊带过，忽略了检验对象是残差还是残差平方。

误区收益率的波动一会儿大一会儿小，方差一直在变化，那收益率序列肯定不平稳，不能用时间序列模型。

正解弱平稳只要求均值和自协方差不随时间改变，并不要求方差恒定。GARCH 恰好允许“条件方差”随时间变化，同时保证收益序列本身平稳。这就像海面起伏不断，但海平面高度长期稳定。

为何常见：学统计时先接触“方差恒定”的平稳定义，遇到金融数据时把“无条件矩”和“条件矩”混为一谈。

面试题

Q1. GARCH(1,1) 模型中，长期（无条件）方差的表达式是？

单选题 · easy

  • A.\(\omega/(1-\alpha-\beta)\)← 正确答案
  • B.\(\omega/(1-\alpha+\beta)\)
  • C.\((\alpha+\beta)/\omega\)
  • D.\(\omega \times (\alpha+\beta)\)

答案：A。由平稳条件 \(\alpha+\beta<1\)，令方差方程两边取期望可得 \(\sigma^2 = \omega + (\alpha+\beta)\sigma^2\)，解得 \(\sigma^2 = \omega/(1-\alpha-\beta)\)。就像长期海况由基础风浪和衰减率共同决定。

Q2. “波动率聚集”最直接的含义是？

单选题 · easy

  • A.大盘涨跌互相抵消
  • B.大波动与大波动相邻出现，小波动与小波动相邻出现← 正确答案
  • C.波动率服从均匀分布
  • D.收益率均值显著不为零

答案：B。波动率聚集是 ARCH/GARCH 要刻画的核心现象，指的是波动率在时间上扎堆：平静期与动荡期交替。它说的是“波幅的大小”聚集，而不是方向、分布形态或均值问题。

Q3. 给定日波动率 \(\sigma=2\%\)，用 \(z=1.96\) 计算单尾 95% 置信水平的 VaR，约为？

单选题 · easy

  • A.\(2.0\%\)
  • B.\(2.5\%\)
  • C.\(3.92\%\)← 正确答案
  • D.\(7.84\%\)

答案：C。VaR 的计算公式是 \(z_\alpha \cdot \sigma = 1.96 \times 2\% = 3.92\%\)。它表示在 95% 置信水平下，单日最大预期亏损约为 3.92%，相当于给“船体吃水深度”划一条安全线。

Q4. GARCH(1,1) 中系数 \(\beta\) 的实际含义是？

单选题 · mid

  • A.上一期收益的平均水平
  • B.上一期波动率对本期波动率的记忆延续系数← 正确答案
  • C.价格趋势的斜率
  • D.市场风险溢价

答案：B。\(\beta\) 乘的是 \(\sigma_{t-1}^2\)，表示“昨天的风险水平会多大程度传导到今天”。它让波动率具有记忆性，是 GARCH 区别于 ARCH 的关键；其余选项分别属于均值方程、趋势项和收益率定价。

Q5. EGARCH 模型相比 GARCH 的主要优势是？

单选题 · mid

  • A.参数更少
  • B.能捕捉好消息与坏消息的非对称影响← 正确答案
  • C.不需要估计均值方程
  • D.只适用于分钟级高频数据

答案：B。EGARCH 通过对数方差和方向项 \(\gamma z_{t-1}\) 描述杠杆效应：坏消息引发的波动率上升比好消息更明显。它对数化的设定也让参数无需非负约束，这是它在数值估计上的额外好处。

Q6. 对 GARCH 模型残差做 LB 检验时，应检验什么对象？

单选题 · mid

  • A.原始价格的单位根
  • B.标准化残差的平方← 正确答案
  • C.残差的一阶差分
  • D.均值的显著性

答案：B。若要判断波动率建模是否充分，需要对标准化残差的平方做 Ljung-Box 检验。若平方残差仍存在自相关，说明 ARCH 效应未被完全消除；对残差本身检验则主要用于均值方程诊断。

Q7. 当 \(\alpha+\beta=1\) 时，GARCH(1,1) 过程会发生什么？

单选题 · hard

  • A.方差过程退化为 IGARCH，冲击的影响永久持续← 正确答案
  • B.方差恒等于零
  • C.收益率变成布朗运动
  • D.模型完全无法估计

答案：A。\(\alpha+\beta=1\) 时无条件方差的分母为零，方差过程带有单位根，一次冲击的效果不会衰减，称为 IGARCH。这就像风暴一旦形成就永远不散，风险部门需要额外警惕。

Q8. 关于 GARCH 模型定阶，下列哪些说法正确？

多选题 · mid

  • A.可以观察平方收益的自相关函数作为初步参考← 正确答案
  • B.AIC 和 BIC 越小代表模型越优← 正确答案
  • C.阶数越高一定预测越准
  • D.GARCH(1,1) 是金融实践中最常用的起点← 正确答案

答案：ABD。定阶常先看平方收益 ACF，再比较 AIC/BIC，且 GARCH(1,1) 因简洁高效而成为默认起点。选项 C 错，高阶会造成过拟合，样本外预测未必更好。

Q9. 关于 GARCH(1,1) 的 h 步波动率预测，下列说法正确的是？

多选题 · hard

  • A.预测方差会随 h 增大收敛到长期方差← 正确答案
  • B.预测过程中使用 \(\omega + (\alpha+\beta)\sigma^2\) 持续递推← 正确答案
  • C.预测与最新一期收益完全无关
  • D.当 \(\alpha+\beta=1\) 时，预测方差不收敛← 正确答案

答案：ABD。多步预测依靠 \(\omega+(\alpha+\beta)\sigma^2\) 递推并收敛到长期方差，因此 A、B 对；第一步预测依赖最新冲击，C 错；\(\alpha+\beta=1\) 时冲击不衰减，预测方差不收敛，D 对。

Q10. 关于 EGARCH 模型，下列哪些表述正确？

多选题 · extreme

  • A.对波动率取对数可以保证波动率非负← 正确答案
  • B.\(\gamma z_{t-1}\) 用于捕捉冲击的方向不对称性← 正确答案
  • C.\(\gamma<0\) 表示坏消息比好消息引发更高的波动率← 正确答案
  • D.EGARCH 中不需要平稳条件

答案：ABC。对数变换使方差天然为正，方向项带来杠杆效应，\(\gamma<0\) 时负收益会推高波动率，故 A、B、C 均对。EGARCH 虽无需参数非负约束，但仍需满足一定条件才能保证对数方差过程平稳，D 错。