时间序列中的ARCH模型与GARCH模型差异.docxVIP

时间序列中的ARCH模型与GARCH模型差异

一、引言：波动聚类与模型演进的起点

时间序列分析是揭示数据随时间变化规律的核心工具，广泛应用于金融股价预测、经济增速分析、气象数据建模等领域。在传统时间序列模型（如ARIMA）中，有一个根深蒂固的假设——方差恒定（即波动大小不随时间改变）。但现实世界的数据往往打破这一假设：比如股票收益率常出现“暴涨暴跌后紧跟连续大波动，平稳期后跟着小波动”的“波动聚类”现象；再比如汇率在政策出台后，会连续多日维持高波动。这种“波动随时间变化”的特征，让传统模型的预测结果偏差极大。

为解决这一问题，经济学家罗伯特·恩格尔在某年提出ARCH模型（自回归条件异方差模型），首次将“方差视为时变变量”；几年后，蒂姆·博勒斯莱文又提出GARCH模型（广义自回归条件异方差模型），针对ARCH的缺陷进行简化与扩展。ARCH与GARCH的出现，彻底改变了时间序列分析中“波动恒定”的认知，但两者在结构、能力与应用上存在显著差异。理解这些差异，不仅能帮助我们选择合适的模型，更能深入把握时间序列波动的本质规律。

二、模型的起源与发展：从ARCH到GARCH的演进脉络

（一）ARCH模型的诞生：回应波动时变的现实需求

20世纪80年代前，时间序列分析的核心假设是“同方差”——即数据的波动大小始终不变。但金融市场的实证研究发现，股票、汇率等数据的方差会随时间剧烈变化：比如某只股