如何判断自制指数的GARCH(1,1)与EWMA波动率估计结果优劣？

刚好之前处理过类似的波动率估计对比问题，给你几个实用的判断维度，都是量化领域常用的方法：

一、样本内拟合优度对比 #

这是最直接的判断方式，核心是看模型估计的波动率和真实波动率的贴合程度：

• 用已实现波动率做基准：如果能拿到指数的高频数据（比如5分钟K线），计算每日的已实现波动率（把日内收益率平方求和），这是真实波动率的最优近似。然后分别计算GARCH(1,1)和EWMA估计值与已实现波动率的均方误差（MSE）或平均绝对误差（MAE），误差更小的模型拟合效果更好。

  如果没有高频数据，也可以用日收益率的平方作为真实波动率的替代（虽然噪声大，但也是无偏估计），或者用3-5天的滚动收益率平方平均来平滑噪声。

• 对数似然值对比：EWMA本质是GARCH(1,1)的特殊情况（约束条件为α+β=1）。你可以分别计算两个模型的对数似然值，数值越高的模型对当前500天样本数据的解释力越强——毕竟极大似然估计的目标就是最大化这个值。

二、统计检验验证 #

用统计方法验证模型是否充分捕捉了波动率特征：

• 残差ARCH效应检验：对两种模型输出的标准化残差（日收益率除以对应的估计波动率）做ARCH LM检验。如果某个模型的残差没有显著的ARCH效应（检验p值>0.05），说明它已经完全捕捉了波动率的聚类特性，没有遗漏的波动信息。

  实操里，Python可以用arch库的ARCHTest，R用tseries包的arch.test()函数来实现。

• 约束性检验：因为EWMA是GARCH(1,1)的约束版本，你可以用Hausman检验来验证“α+β=1”这个约束是否成立。如果检验拒绝原假设，说明GARCH(1,1)的非约束设定更符合数据特征；如果接受，那EWMA这种更简洁的模型就足够了。

三、结合实际应用场景判断 #

如果你的波动率估计是为了特定用途，比如风险度量或交易信号，可以从实际效果反推：

• VaR回测：如果用于计算VaR，回测两种模型的VaR覆盖度——比如95%置信度下，实际日损失超过VaR的次数应该接近5%。覆盖度越接近预期值的模型，在风险度量上表现越好。
• 简洁性 vs 拟合效果：EWMA只有一个参数（λ=0.94），GARCH(1,1)有三个参数（ω, α, β）。如果两者拟合优度差异不大，EWMA更不容易过拟合，维护成本也更低；但如果GARCH(1,1)的拟合误差显著更小，那牺牲一点简洁性换更好的估计精度是值得的。

内容的提问来源于stack exchange，提问作者ricksanchez