GARCH族模型在波动率预测中的比较.docxVIP

GARCH族模型在波动率预测中的比较

一、引言

金融市场的波动率是衡量资产价格波动剧烈程度的核心指标，无论是风险管理、资产定价还是投资策略制定，准确预测波动率都具有关键意义。自20世纪80年代ARCH（自回归条件异方差）模型被提出以来，以其为基础发展出的GARCH（广义自回归条件异方差）族模型，因能够有效捕捉金融时间序列的“波动聚类”现象（即大幅波动后常伴随大幅波动，小幅波动后常伴随小幅波动），逐渐成为波动率预测领域的主流工具。

经过数十年发展，GARCH族模型已形成包含基础模型、非对称模型、多变量模型等在内的庞大体系。不同模型在假设条件、参数估计、对市场特征的捕捉能力等方面存在显著差异，这直接影响其在不同场景下的预测效果。本文将围绕GARCH族模型的核心成员展开分析，通过对比其原理、适用场景及预测表现，为实际应用中的模型选择提供参考。

二、GARCH族模型的核心成员与原理概述

（一）基础GARCH模型：波动聚类的经典刻画

基础GARCH模型由Bollerslev于1986年提出，是对ARCH模型的扩展。ARCH模型假设当前波动率仅受过去有限期数的残差平方影响，而GARCH模型通过引入滞后的条件方差项（即过去的波动率水平），将影响因素扩展为“过去残差平方的加权和”与“过去条件方差的加权和”，从而更高效地捕捉长期波动记忆性。例如，若某资产价格在过去一周出现连续大幅波动，GARCH模型会通过滞后项将这种波动特征传递到未来几期的预测中，体现出“波动聚类”的典型特征。

基础GARCH模型的核心逻辑在于：波动率并非完全随机，而是由历史信息驱动的。其优势在于参数估计相对简单，仅需估计少数几个权重参数，就能拟合大多数金融资产的波动率序列。但它也存在明显局限性：假设正的和负的价格冲击对波动率的影响是对称的，而现实中金融市场常出现“杠杆效应”——负的价格冲击（如利空消息）往往比同等幅度的正冲击（如利好消息）引发更大的波动率上升。这种局限性推动了后续非对称GARCH模型的发展。

（二）非对称模型：杠杆效应的针对性改进

针对基础GARCH模型无法捕捉非对称冲击的问题，学者们提出了多种改进模型，其中EGARCH（指数GARCH）和TGARCH（门限GARCH）最具代表性。

EGARCH模型由Nelson于1991年提出，其核心改进在于将条件方差的对数作为被解释变量，并引入包含符号函数的冲击项。这一设计有两个关键意义：一是对数形式保证了条件方差的非负性（无需对参数施加额外限制），二是符号函数能够区分正、负冲击的影响。例如，当资产价格出现负冲击（残差为负）时，符号函数会放大冲击对波动率的影响；而正冲击时则影响较小。这种设计使EGARCH模型能够有效刻画“坏消息比好消息引发更大波动”的杠杆效应，尤其在股票市场中表现突出。

TGARCH模型（又称GJR-GARCH）由Glosten、Jagannathan和Runkle于1993年提出，其通过引入门限变量（通常为残差是否小于0的虚拟变量）来区分正负冲击的影响。具体来说，模型在条件方差方程中加入了“负残差平方项与虚拟变量的乘积”，使得负冲击的系数可以独立于正冲击进行估计。例如，若负冲击的系数显著大于正冲击，说明市场对利空消息更敏感。与EGARCH相比，TGARCH的经济含义更直观，参数估计结果更容易解释，但需要对参数施加非负约束以保证条件方差的非负性。

（三）其他扩展模型：特殊场景的适配性优化

除上述模型外，GARCH族还包括针对特定金融现象设计的扩展模型。例如，GARCH-M（均值GARCH）模型在均值方程中引入条件方差项，用于刻画“风险溢价”效应——投资者承担更高风险（波动率）时要求更高的预期回报。这种模型在研究资产收益率与波动率的动态关系时更具优势，如分析股票市场的“高风险高收益”特征。

再如，IGARCH（积分GARCH）模型假设波动率的记忆性是无限的（即滞后项系数之和等于1），适用于刻画具有“长记忆性”的金融时间序列，如某些外汇市场或大宗商品市场的波动率。这类市场的波动可能受长期结构性因素（如宏观经济政策、供需格局变化）影响，短期冲击的影响不会随时间衰减，而是持续存在。

三、不同模型在波动率预测中的表现比较

（一）数据特征与模型适配性

模型的预测效果与数据本身的特征密切相关。对于不存在明显杠杆效应的市场（如部分成熟债券市场），基础GARCH模型往往能提供足够准确的预测，因其结构简单、参数估计误差较小。例如，在国债收益率的波动率预测中，由于债券价格受违约风险、利率政策等因素影响，正负冲击的影响差异较小，基础GARCH模型的表现可能优于复杂的非对称模型。

而在股票市场，尤其是新兴股票市场，杠杆效应普遍存在。以某新兴市场指数为例，历史数据显示，当指数单日下跌3%时，次日波动率上升幅度是单日上涨3%时的1.5