时间序列分析中ARCH模型与GARCH模型的比较.docxVIP

时间序列分析中ARCH模型与GARCH模型的比较

引言

时间序列分析作为统计学与计量经济学的重要分支，核心任务之一是捕捉数据随时间变化的动态特征。在金融、经济等领域的实证研究中，资产收益率、汇率波动等数据常表现出“波动集群性”（VolatilityClustering）——即大幅波动后常伴随大幅波动，小幅波动后伴随小幅波动的现象。传统线性模型（如ARMA）仅能刻画均值的动态变化，却无法解释方差的时变性，这使得以“条件异方差”为核心的ARCH（自回归条件异方差）模型及其扩展GARCH（广义自回归条件异方差）模型成为研究热点。

ARCH模型由Engle于1982年首次提出，为波动建模提供了突破性框架；而GARCH模型则由Bollerslev于1986年在ARCH基础上发展而来，通过引入滞后条件方差项，显著提升了模型对长期波动的捕捉能力。二者既是时间序列分析中条件异方差建模的基石，也是理解后续EGARCH、TGARCH等扩展模型的前提。本文将从起源与发展、模型结构、假设与特性、应用场景及优缺点等维度展开系统比较，揭示二者的内在联系与本质差异。

一、起源与发展：从ARCH到GARCH的理论演进

（一）ARCH模型的提出背景与核心思想

20世纪70年代末至80年代初，金融时间序列研究中频繁观察到“残差平方的自相关性”——即随机扰动项的方差并非恒定，而是依赖于过去的波动信息。例如，股票市场在