GARCH 模型對標準化殘差的分配特性有嚴格假設。若模型能充分解釋資料，標準化殘差不應出現群聚或自我相關。
以下哪一個敘述是「不正確」的？
本練習屬於課程
將理論付諸實踐，立即體驗我們的互動練習
什麼是 GARCH 模型？它能用來做什麼？你又該如何在 Python 中實作？完成本章後，你將能自信地回答以上所有問題。
一般的 GARCH 模型無法充分代表真實的金融資料，因為這些資料的分配常呈現厚尾、偏態，以及非對稱衝擊。在本章中，你會學到如何以更貼近現實的假設，定義更完善的 GARCH 模型。你也會學會使用滾動視窗方法，進行更進階的波動度預測。
本章將介紹資料科學建模中的 KISS 原則。你會學到如何使用 p 值與 t 統計量來簡化模型設定，使用 ACF 圖與 Ljung-Box 檢定驗證模型假設，並利用概似與資訊準則進行模型選擇。
當前練習
在最後一章，你會把前面學到的 GARCH 模型應用到實際的金融情境。你將精進以下能力：風險管理中的 VaR、資產配置中的動態共變異數，以及投資組合管理中的動態 Beta。
