时间序列分析中的ARCH模型波动率聚类研究.docxVIP

时间序列分析中的ARCH模型波动率聚类研究

一、引言

在金融市场中，投资者常观察到一种典型现象：价格波动并非均匀分布，而是呈现“大波动后伴随大波动，小波动后伴随小波动”的集群特征，这一现象被称为“波动率聚类”（VolatilityClustering）。例如，某股票某日因重大消息出现5%的跌幅，后续几日往往仍会出现3%-4%的波动；而在市场平静期，连续多日的涨跌幅可能仅在1%以内。这种非均匀的波动特征对资产定价、风险管理及政策制定均有重要影响——准确捕捉波动率聚类，能帮助投资者更合理地评估投资组合风险，也能为监管机构预判市场异常波动提供依据。

自20世纪80年代起，学术界围绕波动率聚类的建模展开了深入探索。其中，由Engle（1982）提出的自回归条件异方差（AutoregressiveConditionalHeteroskedasticity，ARCH）模型，首次为波动率聚类提供了系统的计量分析框架。该模型通过引入滞后残差平方项刻画波动率的时间依赖性，成功解释了金融时间序列中“波动集群”的内在机制。此后，ARCH模型历经多次扩展（如GARCH、EGARCH等），逐渐成为金融计量领域研究波动率的核心工具。本文将围绕ARCH模型与波动率聚类的关联展开，从现象认知、模型机制、扩展应用到实证检验，层层递进地揭示二者的内在联系。

二、波动率聚类现象的基本认知与学术价值

（一）波动率聚