GARCH：给"波动率聚集"建模的人
我的掌握程度：
先掌握这个答案
GARCH(1,1)：σ²_t = ω + α·ε²_{t−1} + β·σ²_{t−1}。三个部分读作：今天的方差=①长期平均水位（ω）+②昨天的冲击（α·昨日涨跌幅²——昨天大动，今天方差上调）+③昨天的方差（β——方差有惯性）。直觉：波动率像天气——风暴后有风暴余波（α），旱季连旱（β），但长期回归气候均值。α+β越接近1，波动率的「记忆」越长。
先读结论，再核对下方使用边界；数字例题为教学情景，涉及实际行情与规则时请核对原始来源。
从理解到使用
√时间缩放有条件
独立、方差稳定等近似条件下，收益总和的方差随期数增加。金融收益存在自相关、波动聚集和跳跃时需检查这些假设；252是常见教学年交易日数，而非所有市场统一常数。
本阶段实战方法 · 每个统计量都要带单位和假设
计算收益、波动、回归、显著性或相关性时，先明确样本和推断条件。
- 写清收益频率、样本数、缺失处理、是否含费用；百分数与小数不可混用。
- 手算一组小样本，再用代码复算；区分算术均值年化、复合年化和年化波动。
- 解释假设不成立会发生什么：自相关、肥尾、非平稳与多次试验都会影响结论。
使用边界
- p值不是原假设为真的概率，也不是策略未来盈利概率。
- 日波动×√252依赖时间聚合假设；252是教学常用交易日数，实际市场与口径可能不同。
背景 · 从一个困惑说起
q-278确认了现象：大波动扎堆、小波动扎堆（波动率聚集）。但普通统计把每天当成独立的抽样——完全无法利用「今天的波动大小会传导到明天」这一规律。1982年，恩格尔（Robert Engle）给这个现象写下了方程，后来因此获诺贝尔奖。
由此产生的问题
GARCH(1,1)方程的各项含义是什么？它如何把「波动率可预测」变成可计算的现实？
核心概念
GARCH(1,1)：σ²_t = ω + α·ε²_{t−1} + β·σ²_{t−1}。三个部分读作：今天的方差=①长期平均水位（ω）+②昨天的冲击（α·昨日涨跌幅²——昨天大动，今天方差上调）+③昨天的方差（β——方差有惯性）。直觉：波动率像天气——风暴后有风暴余波（α），旱季连旱（β），但长期回归气候均值。α+β越接近1，波动率的「记忆」越长。
为什么需要它
①波动率是可预测的：与收益率几乎不可预测形成鲜明对比——风险预测是量化里「预测得最准」的东西（样本外R²可达0.3+）；②风险模型的实用内核：机构日度VaR（阶段7）的波动率输入普遍用GARCH族；③阶段1伏笔的回收：q-206说自相关破坏√n缩放——GARCH正是刻画这种依赖的标准工具。
实际应用场景
Python的arch库一行拟合：arch_model(ret, vol='Garch', p=1, q=1)；输出明日波动率预测→年化→VaR；ε²的系数α显著>0即「ARCH效应存在」的证据（先检验后建模）。
与之前知识的联系
q-278的现象→本题的模型：时间序列单元「现象→方程→估计→预测」的完整闭环示范。阶段7的VaR将直接消费它的输出；阶段8的ML研究员也常把GARCH波动率作为特征。
⚠ 常见误解
- GARCH预测收益率方向：它只预测方差（大小）；方向依然近似不可测
- 参数越多越好：GARCH(1,1)已捕获大部分动态；(2,2)以上边际收益小且易不稳
- GARCH假设收益正态：标准版以正态为基准但可换t分布（肥尾版，q-227）——A股用t分布几乎是必选
🛠 本题实践任务
用arch库对沪深300近三年日收益拟合GARCH(1,1)：报告α、β、α+β（波动记忆长度），以及模型对「明日波动率」的最新预测（年化）。
💡 提示（先自己想5分钟再看）
pip install arch；res=arch_model(ret*100).fit(disp='off')；res.forecast(horizon=1)取方差开根号÷100×√252年化。
✅ 验收标准
三个参数+一个明日波动预测。你刚运行了机构风控的日常一环——诺奖成果为你打工。
在你的浏览器内运行。首次需联网下载 Python；支持标准库和 Pyodide 提供的 NumPy、pandas 等包。行情抓取、系统文件访问和部分第三方库请在本地环境运行。输出自检仅比对结果关键词，不代替逻辑审查。
Python · 独立工作线程 · 执行限时10秒
🤖 AI导师
导师会先检查你的前置知识（波动率聚集、条件概率、方差），再用案例、公式和代码帮助理解。此功能需要先启用服务。