什么是 GARCH 模型、它们用于什么场景、以及如何在 Python 中实现？完成本章后，您将能够自信地回答这些问题。


为什么需要 GARCH 模型

理解波动率

观察波动率聚集

计算波动率

什么是 ARCH 和 GARCH

回顾 GARCH 模型基础

模拟 ARCH 与 GARCH 序列

观察模型参数的影响

如何在 Python 中实现 GARCH 模型

查阅 "arch" 文档

实现一个基础 GARCH 模型

使用 GARCH 模型进行预测

GARCH 模型基础

标准的 GARCH 模型无法充分代表真实金融数据，因为真实分布常常呈现肥尾、偏度和不对称冲击。在本章中，您将学习如何在更贴近现实的假设下，定义更合理的 GARCH 模型。您还将学习使用滚动窗口方法，进行更复杂的波动率预测。

分布假设

肥尾与偏度

绘制标准化残差的分布

拟合带偏态 t 分布的 GARCH

均值模型设定

检查均值模型假设

均值模型对波动率预测的影响

处理非对称冲击的波动率模型

波动率非对称响应的建模

将 GARCH 模型应用于加密货币

对比 GJR-GARCH 与 EGARCH

GARCH 滚动窗口预测

为何使用滚动窗口预测

固定滚动窗口预测

比较预测结果

GARCH 模型配置

本章将向您介绍数据科学建模中的 KISS 原则。您将学习如何使用 p 值和 t 统计量来简化模型配置，使用 ACF 图和 Ljung-Box 检验来验证模型假设，并使用似然与信息准则进行模型选择。

模型参数的显著性检验

KISS 原则：保持简单

用 p 值简化模型

用 t 统计量简化模型

验证 GARCH 模型假设

检测自相关

ACF 图

Ljung-Box 检验

拟合优度度量

拟合优度基础

根据对数似然选出最佳模型

基于 AIC/BIC 选出更优模型

GARCH 模型回测

回测基础

使用 MAE、MSE 进行回测

模型性能评估

在最后一章中，您将把之前学到的 GARCH 模型应用到实际金融场景。随着对风险管理中的 VaR、资产配置中的动态协方差，以及投资组合管理中的动态 Beta 更加熟悉，您的技能将得到提升。

金融风险管理中的 VaR

VaR 概念

计算参数化 VaR

计算经验 VaR

投资组合优化中的动态协方差

协方差概念

计算 GARCH 协方差

计算动态组合方差

投资组合管理中的动态 Beta

Beta 概念

计算动态股票 Beta

恭喜您！

GARCH 实战

Bitcoin price

Foreign exchange data

SP500

Tesla stock price

波动率是金融中的核心概念。因此，在处理具有时间依赖性的时间序列数据时，使用 Python 的 GARCH 模型来预测方差变化十分常见。本课程将向您展示何时以及如何实现 GARCH 模型、如何设定模型假设、如何进行波动率预测并评估模型表现。通过使用真实世界数据（包括特斯拉的历史股价），您将亲身实践如何更好地量化投资组合风险，例如计算在险价值（Value-at-Risk）、协方差和股票 Beta。您还将把所学应用于更广泛的资产类别，包括股票、指数、加密货币和外汇，为今后运用 GARCH 模型做好准备。

Time Series Analysis in Python

了解GARCH模型，实施和校准金融数据，应用于股票和外汇资产。

Python 中的 GARCH 模型

了解 GARCH 模型，学习如何在股票到外汇的金融数据上实现并校准它们。

投资组合优化中的动态协方差

Create Your Free Account