什么是广义自回归条件异方差（GARCH）？
广义自回归条件异方差（GARCH）是用于分析时序数据的统计模型，其中方差误差被认为是序列自相关的。 GARCH模型假设误差项的方差遵循自回归移动平均过程。
重要要点
- GARCH是一种统计建模技术，用于帮助预测金融资产收益率的波动性.GARCH适用于时间序列数据，其中误差项的方差按照自回归移动平均过程进行序列自相关。 GARCH可用于评估表现出收益波动的聚集期的资产的风险和预期收益。
了解广义自回归条件异方差（GARCH）
尽管广义自回归条件异方差（GARCH）模型可用于分析许多不同类型的金融数据，例如宏观经济数据，但金融机构通常使用它们来估计股票，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。
当误差项的方差不恒定时，将使用GARCH模型。 即，误差项是异方差的。 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，无论哪里存在异方差，观察结果都不符合线性模式。 相反，它们倾向于聚集。 因此，如果在此数据上使用假定常数方差的统计模型，那么从模型中得出的结论和预测值将是不可靠的。
假设GARCH模型中误差项的方差系统地变化，这取决于前期误差项的平均大小。 换句话说，它具有条件异方差性，而异方差性的原因是误差项遵循自回归移动平均模式。 这意味着它是其自身过去值的平均值的函数。
GARCH的历史
GARCH于1980年代制定，旨在解决预测资产价格波动的问题。 它以经济学家罗伯特·恩格尔（Robert Engle）于1982年取得的突破性工作为基础，该工作引入了自回归条件异方差（ARCH）模型。 他的模型假设财务收益的变化在一段时间内不是恒定的，而是自相关的，或者是彼此有条件/相互依赖的。 例如，人们可以在股票收益中看到这一点，而收益的波动期往往会聚集在一起。
自最初的介绍以来，出现了GARCH的许多变体。 其中包括非线性（NGARCH）和综合GARCH（IGARCH），非线性（NGARCH）处理相关性并观察到收益率的“波动性聚类”，而后者则限制了波动性参数。 所有GARCH模型的变化都力求除了幅度（在原始模型中已解决）之外，还包含回报的正向或负向。
GARCH的每个派生可用于容纳库存，行业或经济数据的特定质量。 在评估风险时，金融机构在指定时间段内将GARCH模型纳入其风险价值（VAR），最大预期损失（无论是单个投资或交易头寸，投资组合，还是部门或整个公司范围）预测。 与仅通过跟踪标准偏差所获得的模型相比，GARCH模型被认为可以提供更好的风险度量。
在不同的市场条件下，包括在2007年金融危机之前和之后的时期，已经对各种GARCH模型的可靠性进行了各种研究。
