自回归条件异方差定义 编辑

什么是自回归条件异方差（ARCH）？

自回归条件异方差（ARCH）是一种用于分析波动 以预测未来的波动性。在金融界，ARCH模型通过提供更接近真实市场的波动性模型来估计风险。ARCH模型表明，高波动期之后是更高的波动率，低波动期之后是更低的波动率。

实际上，这意味着方差倾向于聚集，这对投资者在考虑不同时期持有资产的风险时很有用。ARCH概念是由经济学家Robert F.Engle在20世纪80年代提出的。ARCH立即改进了金融模型，导致Engle赢得了2003年的世界金融大奖诺贝尔经济学奖. 

关键要点

• 自回归条件异方差（ARCH）模型对波动性进行度量并对未来进行预测。
• ARCH模型是动态的，这意味着它们对数据的变化做出响应。
• 金融机构使用ARCH模型来模拟不同持有期的资产风险。
• 有许多不同类型的ARCH模型可以改变权重以提供相同数据集的不同视图。

了解自回归条件异方差性（ARCH）

设计了自回归条件异方差（ARCH）模型，以改善模型的收敛性计量经济学通过用条件波动率代替恒定波动率的假设建立模型。恩格尔和其他致力于ARCH模型的人认识到，过去的财务数据会影响未来的数据，而未来的数据就是ARCH模型的定义自回归 . ARCH的条件异方差部分仅仅是指金融市场的波动是非恒定的这一可观察事实所有金融数据，无论是股票市场价值、石油价格、汇率还是GDP，都经历了高波动和低波动时期。经济学家们一直都知道波动率的变化量，但他们往往在给定的时期内保持不变，因为他们在建模市场时缺乏更好的选择。

ARCH提供了一个模型，经济学家可以用它来代替波动率的常数或平均值。ARCH模型还可以识别和预测金融危机或其他危机时期市场上出现的波动性集群黑天鹅事件。例如，标准普尔500指数（S&P 500）的波动率在过去一个较长时期内异常低迷牛市 从2003年到2007年，在2008年的市场调整期间达到创纪录水平之前。基于标准差的模型很难处理这种不均匀和极端的变化。然而，ARCH模型能够纠正由数据中的这种模式引起的统计问题。此外，ARCH模型最适合处理高频数据（每小时、每天、每月、每季度），因此它们是财务数据的理想选择。因此，ARCH模型已成为建模表现出波动性的金融市场（从长远来看，这实际上是所有金融市场）的主流。

ARCH模型的不断发展

根据恩格尔在2003年的诺贝尔演讲，他发展了ARCH来回应米尔顿·弗里德曼的猜想，即对经济产生负面影响的是通货膨胀率的不确定性，而不是实际的通货膨胀率。一旦这个模型建立起来，它对于预测各种各样的波动是非常宝贵的。ARCH已经衍生出许多相关的模型，这些模型也广泛应用于研究和金融领域，包括加奇 EGARCH、淀粉等。

这些变量模型通常引入权重和条件的变化，以获得更准确的预测范围。例如，EGARCH或指数GARCH对数据序列中的负收益赋予了更大的权重，因为这些都被证明会产生更大的波动性。换言之，价格图表中的波动性在大跌之后比大涨之后增加得更多。大多数ARCH模型变体都会分析过去的数据，以使用最大似然法 . 这就产生了一个动态模型，可以更准确地预测近期和未来的波动性，当然，这也是为什么这么多金融机构使用它们的原因。