GARCH 模型对标准化残差的分布特征有严格假设。若模型能较好地解释数据，标准化残差不应表现出数据聚类或自相关。
下面哪一项表述是不正确的？
本练习是课程的一部分
通过我们的互动练习之一，将理论转化为实践
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。
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。
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。
当前练习
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。
