标签： #杠杆效应

标准 GARCH 的方差只依赖冲击的『平方』，天然抹掉了方向——跌 3% 和涨 3% 推高波动一样多。但真实市场里，坏消息比好消息更吓人。本文用 numpy 从零实现 EGARCH 与 GJR 两个非对称波动率模型，在带杠杆的合成数据上证明：EGARCH 正确恢复出负的杠杆系数 γ=-0.096，样本外对数似然 1268 对 GARCH 的 1261，坏消息对波动的冲击是等幅好消息的 1.5 倍以上。附完整实现与四张真实计算图。

经典 GARCH 把收益平方搬进方差方程，正负号被抹平，于是涨 3% 和跌 3% 对波动贡献一样——这跟市场常识对着干。本文 numpy 从零实现 GJR-GARCH(门限 GARCH)，MLE 还原真实参数(α=0.049, γ=0.098, β=0.835)，量化『同等 ±3% 冲击坏消息多推高 200% 条件方差』，并演示波动目标叠加把回撤从 −83% 压到 −48%。附完整 Python 与四张真实计算图。

经典 GARCH 假设「好消息和坏消息对称地推高波动」，但股灾里「跌比涨更恐慌」是铁律：同样 3% 的跌幅带来的波动跳升，往往大于 3% 涨幅。本文用一套合成的真实波动数据，从零实现 TGARCH(1,1) 与 EGARCH 的 MLE 拟合，量化「同等 ±3% 冲击，跌幅比涨幅多推高 9% 条件方差」，并给出把杠杆效应写进波动率预测、风险预算与期权对冲的完整 Python（中阶）。

Black 杠杆效应：坏消息比同幅度好消息更搅动波动。GJR/TGARCH 用阈值项把方向写进方程，MLE 精确还原真值 γ=0.090、对数似然比对称 GARCH 高 52.8，附完整 Python 与三类真实陷阱。