嘿，你已经搞定了残差和平方残差无序列相关这关键一步，说明模型已经捕捉到了大部分自相关和异方差特性，但拟合优度始终很低确实闹心——毕竟相对价差这类流动性指标，本身就有不少普通GARCH模型搞不定的特性，我给你几个针对性的方向试试：

1. 先换掉不合理的分布假设 #

你现在用的是正态分布的sGARCH，但金融序列（尤其是价差这种流动性指标）普遍是尖峰厚尾、甚至偏态的，正态分布完全跟不上节奏，这大概率是拟合优度低的核心原因：

• 先试试t分布/广义误差分布(GED)版本的sGARCH：不用改模型结构，只换分布，很多时候拟合优度会直接上来。比如用R的rugarch包，把distribution.model设为"std"（t分布）或者"ged"就行；Python的arch包也支持直接指定分布。
• 如果价差有明显的不对称性（比如市场紧张时价差涨得比跌得猛），再试试偏态t分布的sGARCH，能更好适配这种偏态特征。

2. 引入非对称效应的模型 #

相对价差对利空消息（比如突发风险、流动性枯竭）的反应往往比利好消息更剧烈，但普通sGARCH是对称的，完全捕捉不到这种杠杆效应，试试这些：

• EGARCH模型：它直接建模对数波动率，天然支持正负冲击的非对称影响，还不用像其他非对称模型那样加非负约束，对价差这类序列适配性很强。
• TGARCH/GJR-GARCH模型：通过引入虚拟变量区分正负残差，专门捕捉“坏消息带来更大波动”的杠杆效应，操作起来也简单，很适合入门尝试。

3. 试试针对流动性序列的特殊GARCH变体 #

有些模型就是专门为流动性或高频金融序列设计的，比普通GARCH更贴合：

• APARCH模型：它不仅能捕捉非对称效应，还允许你调整残差的幂次（不一定是平方），灵活性拉满，能适配价差这种异方差结构更复杂的序列。
• FIGARCH模型：如果你的价差序列波动持续性极强（比如某段时间流动性一直很差，价差波动迟迟降不下来），FIGARCH能捕捉这种长记忆性——普通GARCH的波动持续性是指数衰减，而FIGARCH是双曲线衰减，更贴合真实的流动性波动特征。

4. 重新审视均值方程 #

你现在用的是ARMA(1,1)，但相对价差的均值结构可能没这么复杂，或者需要调整：

• 试试常数均值：很多时候价差的均值并没有明显的自相关，硬套ARMA反而会引入冗余参数，拖垮拟合效果。
• 用信息准则选最优ARMA阶数：别局限在(1,1)，跑一下AIC/BIC，看看ARMA(2,1)或者(1,2)会不会更好，甚至有些时候AR(1)或者MA(1)就足够了。

最后提个小细节：拟合优度低也可能和数据预处理有关——比如有没有处理异常值？有没有考虑交易日效应（比如周一价差普遍比周五高）？这些细节都可能影响模型表现，可以先排查一下。

内容的提问来源于stack exchange，提问作者ameliedc