GARCH 過程：波動率預測與金融風險管理詳解

核心描述

• GARCH 過程 是一種實用的方法，用來估計和預測隨時間變化的波動率：把今天的風險水平與昨天的衝擊（shock）以及昨天的波動率聯繫起來。
• 它在風險管理和交易中被廣泛使用，因為它反映了波動率聚集：市場平靜時往往會繼續平靜，市場動盪時往往會延續動盪。
• 要用好 GARCH 過程，必須驗證關鍵假設（厚尾、狀態切換等）、完成診斷檢驗，並通過樣本外測試來評估表現，而不是隻看樣本內擬合。

定義及背景

GARCH 過程衡量什麼（以及它不衡量什麼）

廣義自迴歸條件異方差 (GARCH) 過程 是一種時間序列框架，用於建模條件方差，在市場語境下通常被理解為波動率。從風險角度，它回答的問題是：

• “基於剛剛發生的事情，下一期的收益可能會有多大幅度的波動？”

它不預測下一期收益是漲還是跌。GARCH 過程預測的是未來可能波動的大小（方差或波動率），而不是價格變動的方向。

為什麼波動率會隨時間變化

金融收益往往呈現：

• 波動率聚集：大波動後更容易跟隨大波動，小波動後更容易跟隨小波動。
• 厚尾：極端結果出現的頻率高於正態分佈的假設。

常方差模型（例如經典線性迴歸裏假設誤差同方差）很難刻畫這些特徵。GARCH 過程通過讓方差根據可觀察的歷史信息動態演化來解決這一問題。

簡要歷史：從 ARCH 到 GARCH

在計量經濟學中，ARCH模型被提出用於捕捉方差隨時間變化的特性。GARCH 在此基礎上加入了滯後方差項，使模型更精煉。結果是：在較少參數的情況下，模型往往能更好地擬合金融收益並提供更穩定的波動率預測，從而支持組合風險、衍生品、壓力測試等工作流。

計算方法及應用

核心模型結構

常用的一個設定是 GARCH(1,1)。其標準形式為：

\[\sigma_t^2=\omega+\alpha\,\varepsilon_{t-1}^2+\beta\,\sigma_{t-1}^2\]

並將收益寫為：

\[r_t=\mu+\varepsilon_t\]

其中：

• \(r_t\) 為 \(t\) 時刻的收益
• \(\mu\) 為平均收益（對日頻數據通常較小）
• \(\varepsilon_t\) 為收益衝擊（innovation）
• \(\sigma_t^2\) 為 \(t\) 時刻的條件方差預測
• \(\omega\) 為長期方差水平項
• \(\alpha\) 衡量波動率對新衝擊的反應強度
• \(\beta\) 衡量持續性（波動率在衝擊後維持高位的時間長短）

常見解讀為：

• \(\alpha\) 高：波動率對新消息反應更強（較大的收益衝擊會迅速抬升預測方差）。
• \(\beta\) 高：波動率衰減更慢（衝擊後風險會更久地維持在高位）。

實務計算流程（分析師友好）

1) 正確準備收益數據

多數實現使用對數收益：

• 從價格序列 \(P_t\) 計算 \(r_t=\ln(P_t/P_{t-1})\)。
• 清理明顯的數據問題（錯誤報價、陳舊價格、缺失交易日）。
• 根據風險管理期限選擇頻率（日度、周度等）。

2) 判斷是否適合使用 GARCH 過程

擬合前，很多分析師會做：

• 快速可視化檢查是否存在波動率聚集（平靜期與動盪期的切換）。
• 對殘差進行 ARCH 效應檢驗（多數時間序列工具包都支持）。

如果收益不存在條件異方差，GARCH 過程可能只是增加複雜度而收益有限。

3) 選擇誤差分佈

\(\varepsilon_t\) 的分佈是假設中的關鍵選擇：

• 正態誤差更簡單，但可能低估尾部風險。
• Student’s t 誤差常更貼近金融收益，因為允許更厚的尾部。

這一選擇會影響風險指標以及預測的現實感。

4) 參數估計

參數通常用極大似然估計（maximum likelihood）得到。一般不手工計算 \(\omega\)、\(\alpha\)、\(\beta\)，而是由軟件在選定分佈假設下用歷史收益估計。

5) 向前預測波動率

模型擬合後可生成：

• 1 步預測（下一天或下一週的方差）
• 多步預測（某一風險期限內的風險）

這些輸出可用於風險控制、情景規劃、以及倉位規模調整規則等。

GARCH 過程在真實金融中的使用場景

市場風險與 VaR 輸入

銀行與風控團隊常用 GARCH 過程預測波動率作為 Value at Risk (VaR) 的波動率輸入。即使 VaR 通過歷史模擬計算，條件波動率預測也能用於指導：

• 風險縮放（risk scaling）
• 限額設置
• 壓力校準（stress calibration）

保證金與抵押品的風險直覺

清算與風險運營關注衝擊後風險上升的速度。GARCH 過程提供了一個結構化的方式，量化 “昨天的波動如何改變今天的預期方差”。

資產管理：倉位規模與波動率目標

一些量化流程會按預測波動率的倒數調整敞口，目標不是 “預測收益”，而是讓風險更穩定。但這並不能消除虧損風險，特別是在快速行情或結構性變化時。

期權場景：已實現波動率與隱含波動率對比

期權團隊常比較隱含波動率與已實現波動率。GARCH 過程的預測可作為未來已實現波動率的基準估計，更適合用於監控與對比，而不是單獨作為交易信號。

一個簡潔的真實數據語境示例

以 S&P 500 的日度收益為例（常被研究的基準指數）。公開市場數據（例如 S&P Dow Jones Indices 等來源，以及常用金融數據庫）顯示：權益波動率會在不同階段顯著變化（長期平靜與危機式爆發並存）。

在該語境下常用 GARCH 過程，因為：

• 日度收益存在明顯的波動率聚集
• 衝擊效應可能持續較久
• 厚尾誤差很常見

這個例子説明：GARCH 過程把觀察到的聚集特徵轉化為可每日更新的、面向未來的波動率估計。

優勢分析及常見誤區

GARCH 過程與相關波動率模型對比

GARCH 過程常被視為折中選擇：比 EWMA 更結構化、比許多隨機波動率模型更易落地，也比高階 ARCH 更節省參數。

GARCH 過程的優勢

• 直接、可解釋地刻畫波動率聚集。
• 便於預測：可生成隨新數據更新的條件方差預測。
• 可擴展：有處理非對稱（槓桿效應）、不同分佈等的變體。

侷限與常見坑點

• 正態性假設可能低估尾部風險：高斯誤差會讓預測看起來更平滑，但可能低估極端波動。
• 狀態切換：突發結構性變化（政策衝擊、危機、微觀結構變化）可能導致參數不穩定。
• 過擬合：加太多滯後或變體會提升樣本內表現，但可能損害樣本外預測。
• 忽視診斷：若標準化殘差仍有自相關或殘餘 ARCH 效應，模型可能設定不當。

常見誤區（以及正確理解）

“波動率可預測，收益也可預測”

波動率可預測不等於收益方向可預測。GARCH 過程關注的是風險，不是 alpha。

“只要擬合曆史就行”

樣本內擬合不是目標。GARCH 過程應以滾動、樣本外預測質量評估。

“即使 \(\alpha+\beta \ge 1\) 也能照用”

當 \(\alpha+\beta\) 接近或超過 1，波動率持續性可能意味着近似非平穩，對長期方差與預測穩定性有影響。至少應觸發模型複核與敏感性檢查，而不是直接接受。

實戰指南

負責任使用 GARCH 過程的分步清單

先定義決策期限

• 若決策是日度風險控制，日度收益更匹配。
• 若按月調倉，日度建模可能噪聲偏高，除非做聚合或嚴謹對齊。

從簡單開始：用 GARCH(1,1) 做基線

不少團隊以 GARCH(1,1) 作為起點，因為它往往以較少參數刻畫持續性。只有當樣本外表現確有提升時，才應增加複雜度，而不是隻追求樣本內擬合。

比較誤差分佈

至少擬合：

• 正態
• Student’s t

並比較：

• 對數似然（log-likelihood）
• 殘差診斷
• 預測誤差的尾部表現

用滾動樣本外預測做驗證

採用 walk-forward 流程：

• 在訓練窗口擬合
• 預測下一期方差
• 向前滾動並重復

用以下方式跟蹤預測質量：

• 已實現方差代理（例如平方收益作為粗略代理）
• 針對波動率預測的損失函數

做與用途匹配的診斷

擬合 GARCH 過程 後，檢查：

• 標準化殘差自相關
• 是否仍存在 ARCH 效應
• 不同子樣本期間的穩定性

若診斷不通過，模型仍可能作為粗略風險温度計有參考價值，但不應當作高精度工具，除非進一步驗證與治理完善。

案例：用波動率預測管理權益組合風險（示例）

這是一個假設示例，僅用於教育，不構成投資建議，也不代表該方法能實現任何特定結果或避免虧損。

場景： 組合經理監控一個流動性較好的權益指數敞口，目標是在內部設定的區間內控制組合波動率。

數據： 多年日度指數收益。

方法：

1. 在日度收益上擬合 GARCH 過程（GARCH(1,1)），誤差分佈選 Student’s t。
2. 每天生成 1 日前瞻的波動率預測。
3. 將方差轉換為波動率（標準差）以便閲讀。
4. 應用風險縮放規則：當預測波動率明顯上升時降低敞口，當波動率較低時提高敞口，同時受風險限額與操作約束約束。

經理關注點：

• 大幅負收益後，預測波動率是否明顯跳升（\(\alpha\) 的衝擊響應）。
• 高波動是否會維持較久（\(\beta\) 的持續性）。
• 在突發暴跌中預測是否滯後於現實（狀態切換時的常見弱點）。

結果如何評估（偏風險，不做收益承諾）：- 比較高壓力窗口中的已實現波動率與預測波動率。

• 檢查相對 “恆定波動率假設”，風險區間被突破的頻率是否降低。
• 判斷模型是否在快速危機中系統性低估波動，從而提示需要壓力覆蓋（stress overlay）或替代設定。

這個案例強調：GARCH 過程可以作為紀律性基線，再結合驗證、壓力測試與審慎的風險管理做增強。

資源推薦

基礎閲讀

• Robert F. Engle 關於 ARCH 概念與時間序列波動率建模的開創性研究。
• Tim Bollerslev 關於 GARCH 模型及其計量性質的發展工作。
• 標準時間序列教材（例如研究生階段金融與經濟學常用的高階計量經濟學教材）。

實務實現資源

• 主流計量與金融庫的文檔（R、Python、MATLAB），覆蓋：
  • GARCH 模型擬合
  • 分佈選擇（正態 vs Student’s t）
  • 診斷與預測

能力提升重點

• 時間序列基礎：平穩性、自相關與殘差分析。
• 預測評估：滾動回測與穩健誤差指標。
• 風險解讀：把條件方差預測映射到 VaR 輸入、壓力測試敍事與風險限額。

常見問題

GARCH 過程預測什麼？

它預測的是條件方差（因此也可得到波動率）。它不預測價格方向或期望收益。

為什麼 GARCH(1,1) 這麼常用？

因為它常用很少的參數就能刻畫波動率聚集與持續性，適合作為許多收益序列的實用基線。

GARCH 過程能處理厚尾嗎？

可以。常見做法是用 Student’s t 誤差替代正態誤差，更能反映極端收益出現的概率。

GARCH 過程在危機期間可靠嗎？

它仍有參考價值，但突發狀態切換與跳躍式行情可能導致預測滯後。很多從業者會將 GARCH 過程 與壓力情景、審慎覆蓋或其他模型搭配使用。

最常見的建模錯誤是什麼？

把波動率預測當成收益預測、只看樣本內擬合、忽略分佈選擇、跳過診斷檢驗、以及在參數不穩定時仍不復核直接使用。

如何判斷擬合的模型 “夠不夠用”？

通常看樣本外預測是否合理、殘差診斷是否乾淨、不同窗口的表現是否穩定，以及結果是否與所支持的風險決策相一致。

總結

GARCH 過程之所以仍是金融領域的核心工具，是因為它把市場中廣泛存在的波動率聚集現象轉化為可度量、可預測的風險信號。它的強項不是預測收益，而是結構化估計衝擊後風險如何變化、以及波動率會以怎樣的速度回落。若能選擇更貼近現實的誤差分佈、充分考慮狀態切換風險，並用滾動樣本外測試與診斷檢驗驗證結果，GARCH 過程可以作為風險預測、組合風險控制與波動率對比的實用基線。