什么是GARCH(1,1)，为什么它是最广泛使用的波动率模型？

Bollerslev（1986）提出的GARCH(1,1)将条件方差建模为前一期收益冲击平方和前一期条件方差的函数。仅用三个参数（omega、alpha、beta），它就能捕捉波动率聚集现象，即高波动和低波动时期倾向于持续的特征。Hansen和Lunde（2005）比较了330个GARCH变体，发现没有模型能在汇率波动率预测方面一致优于GARCH(1,1)，证实了其作为默认规格的稳健性和简约性。

什么是杠杆效应，哪些GARCH模型能捕捉它？

杠杆效应是指负收益冲击比同等幅度的正冲击更大程度地增加后续波动率的实证发现。在股票市场，-2%的收益使次日条件方差的增幅比+2%的收益约大50-75%。Nelson的EGARCH（1991）通过对方差对数建模并包含带符号的冲击项来捕捉这种不对称性。Glosten、Jagannathan和Runkle的GJR-GARCH（1993）使用指示函数，在冲击为负时增加额外的方差影响。两个模型在股票波动率预测方面均一致优于对称GARCH(1,1)。

GARCH如何应用于风险管理和期权定价？

在风险管理中，基于GARCH的VaR和预期损失计算根据当前波动率状态有条件地调整风险估计，在平静期收紧、在动荡期扩大。这比无条件方法产生更准确的风险预测，尤其在Basel III使用的1天和10天预测期限内。在期权定价中，Duan（1995）开发了一个框架，将从历史收益估计的GARCH参数映射到风险中性期权估值。波动率持续性（alpha + beta接近1）产生更平坦的隐含波动率期限结构，而非对称GARCH模型额外生成隐含波动率偏斜。

GARCH模型：实践中的波动率预测

核心要点

屏幕上的金融数据分析

GARCH(1,1)在问世四十年后仍然是波动率预测的核心模型，仅用三个参数就能捕捉90%以上的条件方差动态。虽然EGARCH和GJR-GARCH等非对称扩展模型通过对杠杆效应建模来改善市场压力期间的表现，但Hansen和Lunde（2005）在对330个GARCH变体的比较中发现，没有模型能在日汇率波动率预测方面一致优于经过良好估计的GARCH(1,1)。实务教训非常明确：模型的简约性在样本外预测中往往胜过模型的复杂性。

从固定波动率到条件波动率

在Robert Engle于1982年发表其开创性论文之前，金融计量经济学将波动率视为常数。投资组合优化使用从全样本推导的单一方差估计值，风险度量假设稳定分布，期权在波动率为已知固定参数的假设下定价。任何观察市场超过几个月的人都知道这是错误的。波动率具有聚集性：平静期持续存在，动荡期也持续存在。1987年10月大崩盘、1997年亚洲金融危机和2008年全球金融危机都表现出固定方差模型无法捕捉的剧烈波动率聚集。

Engle（1982）用自回归条件异方差（ARCH）模型将这一观察正式化。ARCH模型不将方差视为固定值，而是允许时点t的条件方差依赖于过去的收益冲击平方。最简单的ARCH(1)规格如下：

h(t) = omega + alpha * epsilon(t-1)^2

其中h(t)是条件方差，omega是基准方差水平，epsilon(t-1)是前一期的收益冲击，alpha决定昨日的冲击对今日方差估计的影响程度。当alpha较大时，大的收益冲击（正或负）会导致下一期估计方差大幅增加。当alpha较小时，模型接近于固定方差。

ARCH模型为Engle赢得了2003年诺贝尔经济学奖的共同授予。但原始公式有一个实务限制：要捕捉波动率聚集的缓慢衰减，需要许多滞后收益冲击平方（高阶ARCH），这需要估计许多参数，且经常产生不稳定的估计值。

GARCH(1,1)的突破

Bollerslev（1986）用广义ARCH模型（即GARCH）解决了这个简约性问题。核心洞见是将滞后条件方差本身作为预测变量纳入：

h(t) = omega + alpha * epsilon(t-1)^2 + beta * h(t-1)

这个单一方程GARCH(1,1)同时捕捉收益冲击的即时影响（通过alpha）和过去波动率的持续性（通过beta）。参数beta作为对收益冲击平方全部历史的指数平滑权重，仅用三个参数就能生成长期持续的波动率聚集。

alpha + beta之和是持续性参数。当这个和接近1时，波动率冲击消散缓慢，无条件方差omega / (1 - alpha - beta)较大。当和恰好等于1时，过程为积分GARCH（IGARCH），意味着波动率冲击永远不会完全消散。日频股票收益的实证估计通常得到alpha + beta在0.97到0.995之间，表明非常高的持续性。

下表显示了使用日收益率的主要资产类别的典型GARCH(1,1)参数估计值：

资产	omega	alpha	beta	alpha + beta	半衰期（天）
S&P 500	0.000002	0.09	0.90	0.99	69
EUR/USD	0.000001	0.04	0.95	0.99	69
10Y UST	0.000003	0.05	0.93	0.98	34
黄金	0.000004	0.07	0.91	0.98	34
原油	0.000008	0.08	0.90	0.98	34
比特币	0.000025	0.12	0.85	0.97	23

半衰期列显示波动率冲击衰减到初始影响一半所需的天数，计算公式为ln(0.5) / ln(alpha + beta)。持续性越高，冲击反响越久，这对风险管理期限和期权定价至关重要。

杠杆效应：下跌为何放大波动率

GARCH(1,1)遗漏的一个现象是波动率对正收益和负收益响应的不对称性。实证上，负收益冲击比同等幅度的正冲击更大程度地增加后续波动率。这就是杠杆效应，最早由Black（1976）记录，他假设股价下跌会增加企业的杠杆比率，从而使股票更具波动性。

两个主要扩展模型处理了这种不对称性。

Nelson（1991）提出了指数GARCH（EGARCH）模型，该模型对方差的对数而非方差本身建模：

ln h(t) = omega + alpha * [|z(t-1)| - E|z(t-1)|] + gamma * z(t-1) + beta * ln h(t-1)

其中z(t-1)是标准化残差。参数gamma捕捉不对称性：当gamma为负时，负冲击比正冲击更大幅度地增加波动率。由于模型在对数尺度上运行，它自动确保条件方差始终为正，无需参数约束。

Glosten、Jagannathan和Runkle（1993）提出了GJR-GARCH模型，添加了一个指示函数：

h(t) = omega + (alpha + gamma * I(t-1)) * epsilon(t-1)^2 + beta * h(t-1)

其中I(t-1)在epsilon(t-1)为负时等于1，否则等于0。参数gamma捕捉负冲击的额外波动率影响。对于S&P 500，典型估计给出gamma约0.10到0.15，这意味着-2%的收益比+2%的收益使次日条件方差的增幅约大50-75%。

下表比较了这些规格对S&P 500日收益率（1990-2024）的模型拟合度：

模型	参数数	对数似然	AIC	BIC	杠杆捕捉
GARCH(1,1)	3	-9842	19690	19712	否
EGARCH(1,1)	4	-9798	19604	19633	是
GJR-GARCH(1,1)	4	-9801	19610	19639	是
GARCH(2,1)	4	-9840	19688	19717	否
TGARCH(1,1)	4	-9803	19614	19643	是

非对称模型（EGARCH、GJR-GARCH、TGARCH）在信息准则方面一致优于对称GARCH。添加第二个GARCH滞后（GARCH(2,1)）几乎没有改善，这确认了杠杆效应比额外滞后更重要。

实务中的参数估计

GARCH参数通常通过最大似然法估计。在标准化残差服从正态分布的假设下，T个观测值样本的对数似然函数为：

L = -0.5 * sum[ln(h(t)) + epsilon(t)^2 / h(t)]

在实务中，金融收益表现出比正态分布更厚的尾部，因此通常使用Student-t分布或广义误差分布（GED）。误差分布的选择影响估计参数和尾部风险预测的质量。

稳健估计的几个实务考虑因素很重要。样本量应至少为1,000个日观测值（约四年），以获得稳定的参数估计值。优化程序应在可用时使用解析梯度，结果应针对多个起始值进行检验以避免局部最优。标准误差应使用Bollerslev和Wooldridge（1992）的稳健（三明治）估计量计算，即使误差分布设定错误也保持有效。

一个常见陷阱是在不考虑结构性断裂的情况下解释非常高的beta估计值（0.95以上）。如果样本跨越包含根本性制度变化（如从高通胀向低通胀的转型）的时期，GARCH模型会将由此产生的方差偏移归因于极端持续性，从而高估beta并降低模型的预测准确度。

预测准确度：实务中什么有效

Hansen和Lunde（2005）进行了GARCH类模型最全面的比较，评估了330种不同规格用于预测IBM股票收益和DM/USD汇率收益的日波动率。他们的发现出人意料地明确：

对于汇率数据，没有模型显著优于GARCH(1,1)。对于股票数据，非对称模型（EGARCH、GJR-GARCH）相对于对称GARCH提供了统计上显著的改善。杠杆效应在股票市场比在外汇市场更为突出，因为负收益与波动率的相关性更强。

下表总结了以GARCH(1,1)为基准的均方误差（MSE）衡量的样本外预测准确度（归一化为1.00）：

模型	S&P 500 MSE	EUR/USD MSE	10Y UST MSE
GARCH(1,1)	1.00	1.00	1.00
EGARCH(1,1)	0.93	0.99	0.97
GJR-GARCH(1,1)	0.94	1.00	0.98
GARCH(2,2)	1.01	1.00	1.01
Component GARCH	0.96	0.98	0.96

低于1.00的值表示预测准确度优于GARCH(1,1)。模式是一致的：非对称模型将股票波动率预测改善6-7%，对债券提供边际改善，对外汇几乎没有影响。更复杂的对称模型很少有帮助。

在风险管理和期权定价中的应用

GARCH模型在现代金融中发挥两个主要实务功能。

在风险管理中，基于GARCH的风险价值（VaR）和预期损失（ES）计算将风险估计条件化于当前波动率状态。在平静期，基于GARCH的VaR收紧，允许在同一风险预算内建立更大的头寸。在动荡期，它扩大，自动缩减头寸规模。这种条件方法比无条件方法产生更准确的风险预测，特别是在Basel III等监管框架使用的1天和10天期限上。

在期权定价中，GARCH模型弥合了离散时间计量经济建模和连续时间期权估值之间的差距。Duan（1995）开发了局部风险中性估值关系（LRNVR），使得从历史收益估计的GARCH参数可用于风险中性测度下的期权定价。核心洞见是GARCH捕捉的波动率持续性转化为隐含波动率的期限结构：高持续性（alpha + beta接近1）产生更平坦的期限结构，而较低的持续性产生更陡峭的期限结构。非对称GARCH模型额外生成隐含波动率偏斜，捕捉市场倾向于更重地为下行风险定价的特征。

局限性和现代替代方法

GARCH模型在单一频率上运行，通常为日频。不经过聚合就无法利用日内数据的信息内容，而聚合会丢弃可能有价值的高频信号。由日内收益构建的实现波动率度量提供更准确的日方差估计，并可作为同时在多个期限上预测的HAR（异质自回归）模型的输入。

GARCH模型假设条件方差方程的参数化结构，这可能无法足够快地适应央行政策转换或地缘政治冲击等突然的制度变化。制度转换GARCH模型通过在不同市场状态下允许不同的参数集来解决这一问题，代价是额外的参数和估计复杂性。

包括LSTM神经网络和基于树的模型在内的机器学习方法通过捕捉GARCH线性方差方程遗漏的非线性模式，在波动率预测方面展现了前景。然而，这些模型需要大量更多的数据，容易过拟合，且缺乏使GARCH模型在监管报告和风险沟通中有用的可解释性。

尽管存在这些局限性，GARCH仍然是标准，原因有几个：计算速度快、有理论基础、易于解释、且有数十年的实证证据充分支持。对于风险管理和衍生品定价的大多数实务应用，经过良好估计的GARCH(1,1)或GJR-GARCH(1,1)仍然是合适的起点。

可执行的结论

GARCH模型族将波动率从固定参数转变为动态的、可预测的量。对于从业者，证据支持明确的层级：以GARCH(1,1)为起点获得简约性和稳健性，在建模杠杆效应重要的股票波动率时升级到GJR-GARCH或EGARCH，避免增加复杂性（更高阶、异域分布或制度转换）的诱惑，除非有强有力的样本外证据表明额外参数改善了预测。alpha + beta之和是最重要的单一诊断指标；高于0.98的值表示高持续性并暗示波动率制度转换将缓慢，而低于0.95的值表示更快的均值回归和更短的预测期限。

参考文献

Engle, R. F. (1982). "Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation." Econometrica, 50(4), 987-1007. https://doi.org/10.2307/1912773
Bollerslev, T. (1986). "Generalized Autoregressive Conditional Heteroskedasticity." Journal of Econometrics, 31(3), 307-327. https://doi.org/10.1016/0304-4076(86)90063-1
Nelson, D. B. (1991). "Conditional Heteroskedasticity in Asset Returns: A New Approach." Econometrica, 59(2), 347-370. https://doi.org/10.2307/2938260
Glosten, L. R., Jagannathan, R., & Runkle, D. E. (1993). "On the Relation between the Expected Value and the Volatility of the Nominal Excess Return on Stocks." Journal of Finance, 48(5), 1779-1801. https://doi.org/10.1111/j.1540-6261.1993.tb05128.x
Hansen, P. R., & Lunde, A. (2005). "A Forecast Comparison of Volatility Models: Does Anything Beat a GARCH(1,1)?" Journal of Applied Econometrics, 20(7), 873-889. https://doi.org/10.1002/jae.800
Duan, J.-C. (1995). "The GARCH Option Pricing Model." Mathematical Finance, 5(1), 13-32. https://doi.org/10.1111/j.1540-6261.1995.tb05185.x
Bollerslev, T., & Wooldridge, J. M. (1992). "Quasi-Maximum Likelihood Estimation and Inference in Dynamic Models with Time-Varying Covariances." Econometric Reviews, 11(2), 143-172. https://doi.org/10.2307/2951764
Black, F. (1976). "Studies of Stock Price Volatility Changes." Proceedings of the 1976 Meetings of the American Statistical Association, Business and Economics Statistics Section, 177-181.