广义自回归条件异方差 (GARCH) 是一种用于分析时间序列数据的统计模型，其中方差误差被认为是连续自相关的。GARCH 模型假设误差项的方差遵循自回归移动平均过程。
要点：
- GARCH 是一种统计建模技术，用于帮助预测金融资产回报的波动性。
- GARCH 适用于时间序列数据，其中误差项的方差在自回归移动平均过程之后呈序列自相关。
- GARCH 可用于评估表现出聚集性收益波动期的资产的风险和预期收益。
金融机构通常使用GARCH 模型来估计股票、债券和市场指数回报的波动性。他们利用所得信息来帮助确定定价并判断哪些资产可能会提供更高的回报，并预测当前投资的回报，以帮助他们进行资产配置、对冲、风险管理和投资组合优化决策。
当误差项的方差不恒定时，使用 GARCH 模型。也就是说，误差项是异方差的。异方差描述了统计模型中误差项或变量的不规则变化模式。
本质上，只要存在异方差，观察结果就不符合线性模式。相反，它们倾向于聚集。因此，如果对这些数据使用假设方差恒定的统计模型，那么从模型中得出的结论和预测值将不可靠。
GARCH 模型被认为能够提供比单独跟踪标准差更好的风险衡量标准。
GARCH模型在量化交易中被广泛使用。事实上，很多QTS使用它，但有多个陷阱需要考虑：
- - 它假设平稳性
- - 它还假设基于过去回报的确定性波动
- - 模型不稳定性面临高波动条件
- - 你不能依赖长期预测
- - 对初始条件参数的敏感性
- - 它假设波动性在时间上是群集的
- - 容易过拟合
- - 优化参数时计算成本高
- - 估计的方差可以远离经验方差