GARCH模型在波动率预测中的滞后项选择.docxVIP

GARCH模型在波动率预测中的滞后项选择

一、引言

在金融市场分析中，波动率作为衡量资产价格波动剧烈程度的核心指标，不仅是资产定价、风险管理和投资组合优化的关键输入变量，更是刻画市场不确定性的重要工具。自Engle（1982）提出ARCH（自回归条件异方差）模型以来，以GARCH（广义自回归条件异方差）模型为代表的条件异方差类模型，因其能够有效捕捉金融时间序列的“波动集群性”（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）和“厚尾性”特征，逐渐成为波动率预测的主流工具（Bollerslev，1986）。

GARCH模型的核心形式可概括为：当前波动率由过去波动率的滞后项与过去残差平方的滞后项共同决定。其中，滞后项的阶数选择（即模型中p和q的取值，通常记为GARCH(p,q)）直接影响模型对数据特征的捕捉能力、参数估计的稳定性以及预测结果的准确性。然而，在实际应用中，研究者常面临“滞后项阶数如何确定”的困惑——过高的阶数可能导致模型过拟合历史数据，降低预测泛化能力；过低的阶数则可能忽略波动的长期记忆效应，导致模型偏差。因此，系统探讨GARCH模型中滞后项的选择逻辑与方法，对提升波动率预测的可靠性具有重要理论与实践意义。

二、GARCH模型滞后项的理论基础与核心作用

（一）GARCH模型的基本结构与滞后项定义

GARCH模型是ARCH模型的扩展，其核心思想是将条件方差表示为自身滞