GARCH 波动率模型是什么？
GARCH 波动率模型回答的是时间序列的方差为什么会一段时间高、一段时间低。它常用于金融收益率、价格波动和风险度量，重点是条件方差而不是均值效应。
先用一句话理解
把 GARCH 想成市场有平静期和风暴期。今天波动很大，明天往往也更容易波动大；模型把这种波动聚集写进条件方差。
什么时候用
| 判断项 | 教科书式判断 |
|---|---|
| 适合用在 | 收益率或误差存在波动聚集，方差随时间变化。 |
| 先不要用在 | 研究平均处理效应，或序列没有明显条件异方差。 |
| 最关键的前提 | 先处理均值方程，再检查残差平方是否有 ARCH 效应。 |
| 读表顺序 | 先看 alpha/beta 和持久性，再看标准化残差诊断。 |
| 论文表述边界 | GARCH 解释风险和波动，不解释因果政策效应。 |
把它和相近方法分清楚
| 容易混淆的对象 | 怎么区分 | 初学者记法 |
|---|---|---|
| ARIMA | 建模均值的时间依赖。 | 关注 y 的预测。 |
| GARCH | 建模条件方差的时间依赖。 | 关注波动风险。 |
| Newey-West | 修正自相关/异方差标准误。 | 不建模波动过程。 |
核心直觉和模型公式
GARCH(1,1)
最常见的 GARCH(1,1) 写成：
\[r_t=\mu+\varepsilon_t,\quad \varepsilon_t=\sigma_t z_t\]
\[\sigma_t^2=\omega+\alpha\varepsilon_{t-1}^2+\beta\sigma_{t-1}^2\]
过去冲击平方和过去方差共同决定今天的条件方差。
公式里的符号怎么读
| 符号 | 含义 | 在本页怎么理解 |
|---|---|---|
| r_t | 收益率/序列变化 | 常见建模对象。 |
| σ_t² | 条件方差 | t 时点预期波动大小。 |
| α | 冲击反应 | 昨天冲击对今天波动的影响。 |
| β | 波动持久性 | 昨天方差对今天方差的影响。 |
| α+β | 持久性 | 越接近 1，波动越持久。 |
专业使用口径
专业 GARCH 报告要证明波动建模是必要的。
| 口径 | 专业写法 |
|---|---|
| ARCH 效应 | 检查残差平方是否自相关。 |
| 均值方程 | 先处理收益率均值结构。 |
| 持久性 | 报告 alpha+beta，说明波动冲击衰减速度。 |
| 残差诊断 | 标准化残差应不再有明显 ARCH 结构。 |
一步一步做：从问题到结果的五步
| 步骤 | 这一页具体做什么 | 做到什么程度才算读懂 |
|---|---|---|
| 1. 画收益率和波动图 | 看是否有波动聚集。 | GARCH 从波动现象出发。 |
| 2. 设定均值方程 | 处理平均变化。 | 均值残差进入方差模型。 |
| 3. 检验 ARCH | 看残差平方是否相关。 | 没有 ARCH 效应不必复杂化。 |
| 4. 估计 GARCH | 读取 alpha、beta 和条件方差。 | 重点是波动动态。 |
| 5. 做残差诊断 | 标准化残差和残差平方应更接近白噪声。 | 诊断不过要调整模型。 |
结果怎么读：先读口径，再读数字
本页案例读表时，先记住这个口径：年度聚合观测 = 6；面板案例按 year 聚合。
| 读表顺序 | 本页怎么读 | 不要这样读 |
|---|---|---|
| 先看 alpha | 新冲击对波动影响多强。 | 反映短期反应。 |
| 再看 beta | 波动延续性多强。 | 反映持久性。 |
| 然后看 alpha+beta | 波动是否高度持久。 | 接近 1 表示冲击慢慢消退。 |
| 最后看诊断 | 标准化残差是否干净。 | 否则模型没有吸收波动结构。 |
初学者最容易错在哪里
| 误读 | 为什么错 |
|---|---|
| 把 GARCH 当均值回归 | 错。核心是条件方差。 |
| 不检验 ARCH 效应 | 错。使用理由不清。 |
| 忽略均值方程 | 风险高。均值设定会影响残差。 |
| 只报系数不解释波动持久性 | 不够。alpha+beta 是关键。 |
先看这个案例的结论
- 年度聚合观测 = 6；面板案例按 year 聚合。
- ln Patent 年趋势 = 0.0993；年度均值趋势斜率。
- DFI 年趋势 = 22.3130；数字金融指数年度变化。
- 这些数字来自页面里的结果表；写论文时先解释数值含义，再讨论理论含义。
变量要求和案例口径
| 字段 | 口径 |
|---|---|
| 数据 | CSMAR 风格 A 股企业创新面板 |
| 原始样本 | 196 家上市公司，2015-2020 年，约 1200 个公司-年观测；各方法有效样本以本页输出表 N 为准 |
| 因变量 | patent_count；回归页通常使用 ln(1 + patent_count) |
| 核心解释变量 | dfi_index，数字普惠金融指数；部分案例输出展示的是标准化后的 dfi_index |
| 控制变量 | roa、lev、size、growth、cashflow、tobinq、top1、dual、board、indep、soe、age |
| 输出文件 | garch_results.csv |
| 角色要求 | 因变量 |
| 依赖包 | 无额外 Stata 社区包要求 |
实际代码
下面是本页案例里的最小 Stata 代码。它的作用是帮助你看清变量怎么进入模型、结果文件怎么生成，而不是要求你在网页里手动运行。
import delimited "$DATA_PATH", clear varnames(1) encoding(UTF-8)
gen ln_patent1 = ln(1 + patent_count)
egen firm_id = group(stkcd)
xtset firm_id year
global y ln_patent1
global count_y patent_count
global x dfi_index
global controls roa lev size growth cashflow tobinq top1 dual board indep soe age
gen post = year >= 2018
bysort firm_id: egen pre_dfi = mean(cond(year < 2018, dfi_index, .))
quietly summarize pre_dfi, detail
gen treat = pre_dfi >= r(p50)
gen did = treat * post
gen high_patent = patent_count > 2
gen running_dfi = dfi_index - 260
gen rdd_treat = running_dfi >= 0
collapse (mean) $y, by(year)
tsset year
arch $y, arch(1) garch(1)
export delimited using "$JOB_DIR/garch_results.csv", replace实际输出表
这张表是本方法页配套案例的输出结果，用来把前面的公式、变量口径和代码对应到实际数字。
| 指标 | 数值 | 解释 |
|---|---|---|
| 样本 | 1200 obs / 196 firms / 2015-2020 | 来自共用案例 CSV |
| 因变量 | ln(1 + patent_count) | 企业创新产出 |
| 核心解释变量 | dfi_index | 数字普惠金融指数 |
| 输出文件 | garch_results.csv | empirical-wizard 对应方法产物 |
| 年度聚合观测 | 6 | 面板案例按 year 聚合 |
| ln Patent 年趋势 | 0.0993 | 年度均值趋势斜率 |
| DFI 年趋势 | 22.3130 | 数字金融指数年度变化 |
案例图
这是一张由同一份案例数据生成的页面内诊断图。
论文里怎么写
本文将企业面板按年份聚合后使用GARCH 波动率模型进行时间序列诊断。结果见 garch_results.csv。由于本教学案例年度观测较少，该页重点展示代码和解释框架，正式论文需要更长时间序列。
检查清单
- 先确认收益率或残差存在波动聚集，再估计 GARCH。
- 检查 α、β 和 α+β，判断冲击是否持久影响波动率。
- GARCH 解释的是条件方差，不是均值方程里的平均影响。