ARMA拟合收益序列残差未通过Ljung检验，ARCH建模是否合理？

先澄清一个可能的表述混淆：你提到“残差未通过Ljung检验，即残差平方未呈现异方差性”——这里需要明确：Ljung检验主要用于检验残差的自相关性，而判断是否存在ARCH效应（异方差性）通常用Engle ARCH检验或观察残差平方的自相关图。如果你的ARMA(1,1)残差未通过Ljung检验，说明模型没有完全捕捉收益序列的线性自相关；但你后续拟合ARCH(1)时系数显著，这意味着残差实际上存在条件异方差，可能是之前的异方差检验步骤有偏差，不过这不影响ARCH模型引入的合理性。

下面具体拆解这种做法的合理性：

• ARMA + ARCH的组合是金融时间序列的标准建模方式
  对数收益序列的典型特征是：线性自相关较弱（甚至无自相关），但条件异方差显著（即波动聚类）。如果ARMA(1,1)未能完全消除残差自相关，同时残差存在ARCH效应，那么引入ARCH(1)模型来刻画方差的时变性是完全合理的。这种“均值方程用ARMA，方差方程用ARCH/GARCH”的框架是金融计量中处理收益序列的常规操作。

• 设定t分布误差项的必要性
  金融收益通常具有厚尾特征（极端收益出现的概率远高于正态分布假设），而ARCH模型默认的正态分布误差无法很好地捕捉这一点。允许误差项服从t分布是非常常见且合理的选择，它能更准确地拟合收益序列的厚尾性，这也是多数计量软件（如R的rugarch包、EViews）中支持的标准设定。

• 后续需要完成的验证步骤
  拟合完ARMA(1,1)-ARCH(1)模型后，务必做以下检验来确保模型的有效性：

  1. 对标准化残差做Ljung检验，确认不存在剩余的自相关性；
  2. 对标准化残差的平方做Ljung检验或Engle ARCH检验，确认条件异方差已被充分捕捉；
  3. 对比ARMA(1,1)和ARMA(1,1)-ARCH(1)的信息准则（AIC、BIC），选择更优的模型。

另外，如果ARMA(1,1)的残差自相关性较为明显，也可以先尝试调整ARMA的阶数（比如ARMA(2,1)或ARMA(1,2)），再检验ARCH效应，看看是否能得到更简洁的模型。但从你描述的ARCH(1)系数显著的结果来看，引入ARCH模型的做法是完全站得住脚的。

内容的提问来源于stack exchange，提问作者Arshdeep