标签： #波动率建模

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）。

标准 GARCH(1,1) 把收益方差当成一条连续的、同质的过程, 可真实市场的波动是『连续扩散 + 偶发跳跃』两层叠起来的。跳跃一发生, 方差里就多出 p·σ_j² 一项, 普通 GARCH 会把这部分错算进连续波动, 在跳跃日把条件波动高估 21.1%。本文用 ARMA(1,1)-GARCH(1,1)+高斯跳跃(jump-GARCH)把两层拆开: 过滤得到『连续波动』、用 ±2.5σ 残差阈值检测跳跃(召回 40.3%、精确 65.8%)、并量化跳跃方差占日度总方差的 20.7%。3000 日合成样本实证, 附完整 Python 与六类真实陷阱(中阶)。

标准 ARIMA 用整数差分 d=1 把序列强行去趋势, 可金融序列(平方收益、已实现波动)的 ACF 不是指数衰减, 而是按幂律 c·k^(2d-1) 慢慢衰减——这种『长记忆』被整数差分一差就过差分、把慢衰减也差没了。ARFIMA 用分数差分 (1-L)^d (0<d<0.5 长记忆, d<0 反持续) 把这段长尾记忆窗口保留进模型。本文用 2 万点合成长记忆序列演示: 分数积分滤波器权重呈长尾、双对数 ACF 斜率反推出 d̂≈0.243(真值 0.30)、长期累积方差按 H^{2d} 幂律增长, 而短记忆 AR(1) 误判为线性, 在 H=250 时把长期风险低估到真实值的约 5%。附完整 Python 与五类真实陷阱(高阶)。

普通 GARCH(1,1) 把波动率当成一条「连续、同质」的过程，可真实市场的波动是分层的——平静期波动低、危机期波动高，而且会突然跳变。本文用马尔可夫切换 GARCH（MS-GARCH）把波动率拆成两个区制（低波动 / 高波动），用 Hamilton 滤波递归估计「此刻处在哪个区制、概率多大」。合成数据实跑：两区制波动率差 2.7 倍、区制分类准确率 83.2%；MSGARCH 条件波动 RMSE 0.224，远胜单一区制 GARCH 的 0.542；95% 单日 VaR 击穿率 0.045，精准贴住目标 0.05，而单区制 GARCH 只有 0.031（长期低估尾部风险）。附完整 Python 与六类真实陷阱(中阶)。

GARCH 的方差冲击只指数衰减，可真实市场的波动聚集能持续好几个月。FIGARCH 用分数阶差分 (1-L)^d 把这种『慢衰减』写成可估的长记忆模型，本文从直觉、数学到 Python 全流程讲透。

波动率不是常数，而是「牛相低波动/熊相高波动」两副面孔轮流登场。本文从零实现 2 状态马尔可夫区制(MS)模型，把日收益切成隐藏波动区制，并演示 regime 波动率目标如何把回撤从−60%压到−31%，附完整 Python 与五类真实陷阱。

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。

市场不是一条平稳的随机游走，而是牛、熊、高波动三段「性格」轮流登场。本文从零实现高斯 HMM（Baum-Welch EM + Viterbi 解码），把日收益切成可解释的隐藏状态，给出每个状态的均值/波动/转移矩阵，并诚实列出标签切换、只能描述不能预测等真实陷阱。