什么是GARCH流程
广义自回归条件异方差（GARCH）过程是经济学家罗伯特·恩格尔（Robert F. Engle）于1982年开发的一种计量经济学术语，该经济学家是2003年诺贝尔经济学奖获得者，他描述了一种估算金融市场波动性的方法。 GARCH建模有几种形式。 金融建模专业人员通常更喜欢GARCH流程，因为在尝试预测金融工具的价格和汇率时，它提供了比其他形式更真实的上下文。
分解GARCH流程
异方差描述了统计模型中误差项或变量的不规则变化模式。 本质上，在存在异方差的情况下，观测值不符合线性模式。 相反，它们倾向于聚集。 结果是，从模型中得出的结论和预测值将是不可靠的。 GARCH是一种统计模型，可用于分析许多不同类型的财务数据，例如宏观经济数据。 金融机构通常使用此模型来估计股票，债券和市场指数的收益波动率。 他们使用所得信息来帮助确定定价并判断哪些资产将可能提供更高的回报，并预测当前投资的回报以帮助其资产分配，对冲，风险管理和投资组合优化决策。
GARCH模型的一般过程包括三个步骤。 首先是估计最适合的自回归模型。 第二个是计算误差项的自相关。 第三步是测试重要性。 估计和预测金融波动率的另外两种广泛使用的方法是经典历史波动率（VolSD）方法和指数加权移动平均波动率（VolEWMA）方法。
GARCH流程示例
GARCH模型有助于描述波动性可能发生变化的金融市场，在金融危机或世界事件期间波动性更大，而在经济相对平稳和稳定的时期波动性较小。 例如，在收益图上，在导致金融危机的年份（例如2007年），股票收益可能看起来相对均匀。但是，在危机爆发后的一段时间内，收益可能会从负值大幅波动到积极的领域。 此外，波动性增加可能预示着未来的波动性。 然后，波动率可能会回到类似于危机前水平的水平，或者在未来更加均匀。 一个简单的回归模型不能解决金融市场中波动率的这种变化，也不能代表发生超过一个预期的“黑天鹅”事件。
GARCH模型最适合资产收益
GARCH过程不同于同方差模型，后者假定波动率恒定，并用于基本的最小二乘（OLS）分析中。 OLS的目的是使数据点和回归线之间的偏差最小，以使其适合这些点。 随着资产收益率的增加，波动率似乎会在一定时期内变化，并取决于过去的差异，这使得同方差模型不是最优的。
GARCH过程是自回归的，它依赖于过去的平方观测值和过去的方差来为当前方差建模。 GARCH流程因其在建模资产收益和通货膨胀方面的有效性而被广泛用于金融领域。 GARCH旨在通过考虑先前的预测中的错误来最大程度地减少预测中的错误，从而提高正在进行的预测的准确性。
