自回归条件异方差（ARCH）

什么是自回归条件异方差（ARCH）？

自回归条件异方差 (ARCH) 是一种统计模型，用于分析时间序列中的波动性以预测未来波动性。在金融界，ARCH 模型通过提供更接近真实市场的波动率模型来估计风险。 ARCH 模型显示，高波动性时期之后是更高的波动性，而低波动性时期之后是更低的波动性。

在实践中，这意味着波动性或方差趋于聚集，这对投资者在考虑在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 III在 1980 年代提出的。 ARCH 立即改进了财务模型，使 Engle 获得了 2003 年诺贝尔经济学奖。

理解自回归条件异方差（ARCH）

自回归条件异方差 (ARCH) 模型旨在通过用条件波动率替换恒定波动率的假设来改进计量经济学模型。 Engle 和其他研究 ARCH 模型的人认识到过去的财务数据会影响未来的数据——这就是自回归的定义。 ARCH 的条件异方差部分只是指可观察到的事实，即金融市场的波动性是非恒定的——所有金融数据，无论是股票市场价值、石油价格、汇率还是 GDP，都会经历高波动和低波动时期。经济学家一直都知道波动率的变化量，但他们经常在给定的时期内保持不变，因为他们在模拟市场时缺乏更好的选择。

ARCH 提供了一个模型，经济学家可以使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黑天鹅事件期间市场上出现的波动性集群。例如，在2003 年至 2007 年的牛市期间，标准普尔 500 指数的波动性在很长一段时间内异常低，然后在 2008 年的市场调整期间飙升至创纪录水平。这种不均匀和极端的变化对于基于标准差的模型来说是困难的来处理。然而，ARCH 模型能够纠正由数据中这种类型的模式引起的统计问题。此外，ARCH 模型最适用于高频数据（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 模型已成为对表现出波动性的金融市场（从长远来看实际上是所有金融市场）进行建模的支柱。

ARCH 模型的持续演变

根据恩格尔 2003 年的诺贝尔演讲，他开发了 ARCH，以回应米尔顿弗里德曼的猜想，即通胀率的不确定性而非实际通胀率会对经济产生负面影响。一旦模型建立起来，它就被证明对于预测各种波动性是非常宝贵的。 ARCH 产生了许多相关模型，这些模型也广泛用于研究和金融领域，包括GARCH 、EGARCH、STARCH 等。

这些变体模型通常会在权重和条件方面引入变化，以实现更准确的预测范围。例如，EGARCH 或指数 GARCH 对数据系列中的负回报给予更大的权重，因为这些已被证明会产生更大的波动性。换句话说，价格图表中的波动性在大幅下跌后比在大幅上涨后增加更多。大多数 ARCH 模型变体分析过去的数据以使用最大似然法调整权重。这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——当然，这就是为什么这么多金融机构使用它们的原因。

＃＃强调

金融机构使用 ARCH 模型来模拟不同持有期的资产风险。
自回归条件异方差 (ARCH) 模型测量波动性并预测未来。
有许多不同类型的 ARCH 模型可以改变权重以提供同一数据集的不同视图。
ARCH 模型是动态的，这意味着它们会响应数据的变化。