参考文献

非对称分解分析器

GJR-GARCH 如何捕捉非对称性

：人类对损失的反应比对等值收益的反应更强烈，这是行为经济学中已充分确立的发现。在市场中，这意味着恐惧比乐观传播得更快。在下跌期间，恐慌引发羊群行为，投资者纷纷同时退出头寸。实证研究表明，这一行为渠道解释了观察到的非对称性的 40-60%，并在经济衰退期间（当恐惧占主导地位时）变得更加明显。

：急剧的市场下跌触发放大波动率的机械力量。保证金追缴迫使杠杆投资者不顾基本面而卖出。流动性恰恰在最需要时蒸发。这些摩擦造成波动率的突然、不连续跳跃，而且它们本质上是非对称的，因为它们在抛售期间而非上涨时激活。

什么真正驱动非对称波动率？

现象：坏消息冲击更大

为何这对风险管理很重要

这种效应有多大？

杠杆效应：非对称性为何重要

平稳性约束验证器

 对其滞后进行回归。拒绝 → ARCH 效应仍存在（考虑 p,q > 1 的 GJR-GARCH(p,q)）。

其中 H 是期望海森矩阵，Ω 是得分方差矩阵。三明治协方差估计量为：

渐近分布

始终使用稳健标准误差，除非您有强有力的证据（QQ 图、正态性检验）支持条件正态性。QMLE 估计在误设下仍保持一致，但推断需要三明治估计量。

✓ 最佳实践：

 位于参数空间边界，LR 检验统计量遵循

。或者，使用自举法临界值以获得有限样本精度。

💡 边界问题：

模型比较指南

收敛问题：

模型诊断检验

杠杆效应的假设检验

 AIC、BIC（越低越好，BIC 对复杂性的惩罚更大）

稳健推断与假设检验

。理由：GARCH 嵌套在 GJR-GARCH 中，提供了一致的起始点。

 在 (α, γ) 上定义 2D 网格，β 固定在典型值（0.85-0.92），在每个点评估 ℓ(θ)，使用最佳值作为初始化。

 之和。更高的峰度表明更大的 ARCH 效应。

初始化策略

 JB = (T/6)[偏度² + (峰度−3)²/4]。拒绝 → 使用稳健标准误；考虑 Student-t 创新项。

GJR-GARCH 应通过符号偏差检验（捕获非对称性）和自相关检验（捕获动态）。正态性检验失败很常见，应使用稳健标准误差并考虑 Student-t 创新项以更好地建模尾部。

进行 Q(m) 检验。拒绝 → 剩余波动率动态未被捕获。

数值优化

优化问题

拟极大似然估计（QMLE）

残差诊断

符号偏差检验（Engle-Ng 1993）

估计与诊断检验

 用于风险模型验证的 Kupiec、Christoffersen 检验

实践诊断工作流程

期权定价的复合波动率

GJR-GARCH在高波动率制度期间（2008年危机、COVID-19）显示最大收益，此时非对称性最明显。

3. Diebold-Mariano检验（统计比较）

实证预测表现

显式

步公式

肥尾与VaR：

预测评估指标

负向冲击产生24%更高的波动率预测和2.1倍更长的持续性

GJR-GARCH和GARCH预测几乎相同，两者都指数收敛到

随着预测收敛到无条件方差，差异缩小。非对称性的收益减少。

1. 均方误差（MSE）

多步超前预测（

多步超前波动率预测

一步超前预测（

2. 拟似然（QLIKE）

，特别是在市场下跌后。非对称性对最近的冲击最重要。

符号条件预测路径

非对称动态预测

在险价值（VaR）预测

本组件使用风格化模拟来说明预测性能模式。Diebold-Mariano检验实现为教学目的而简化。生产环境的预测评估需要HAC稳健标准误（Newey-West）来解释重叠预测窗口。详见Diebold & Mariano (1995)的技术细节。

关于本演示：

预测性能比较器

对称响应假设

GARCH在正向冲击后预测的波动率过高，在市场平静时产生过度保守的风险度量。

隐含波动率偏斜（看跌偏斜）反映了市场对非对称性的认识。GARCH无法解释为什么虚值看跌期权相对于看涨期权更昂贵。

符号偏差诊断测试（Engle-Ng 1993）通常拒绝GARCH的充分性，揭示了冲击符号中未被利用的预测信息。

忽略非对称性的后果

新闻影响曲线：一个对称抛物线

解决方案：基于阈值的非对称性

为什么GARCH不够用：对称性问题

超越高阶GJR-GARCH：替代方法

案例研究：标准普尔500指数规格搜索

实践者清单

成分GARCH

标准普尔500指数日收益率，2010-2020年（T = 2,516个观测值）

使用已实现波动率成分（日、周、月）而不是许多滞后

HAR-GARCH（异质自回归）

💡 关键要点：

日收益率 + 月度宏观变量（GDP、通货膨胀等）

GARCH-MIDAS

模型选择协议：

具有2-3个状态的马尔可夫转换GJR-GARCH(1,1)通常优于具有大p,q的GJR-GARCH(p,q)

制度转换GJR-GARCH

软件建议

第1步：估计GJR-GARCH(1,1)基准

第2步：估计后诊断

第3步：估计竞争模型

第4步：决策与建议

何时停止添加滞后：

高阶GJR-GARCH(p,q)

解决方案:

症状:

陷阱1:对样本噪声过度拟合

高阶模型具有更多的自由度来拟合样本特定模式。如果没有适当的正则化或验证,AIC可能偏好捕捉瞬态特征的复杂规格。根本问题是波动率聚类包含持久成分(可推广)和瞬态噪声(不可推广)。

为何发生:

陷阱2:虚假滞后选择

信息准则可能在以下情况下选择虚假滞后:(1)样本包含创建人工自相关的异常值,(2)AIC的有限样本偏差偏好过度参数化,或(3)非对称效应在滞后1之后确实为零,但噪声创造了小的似然增益。对于弱识别参数,单个

陷阱3:忽略结构性断裂

GJR-GARCH假设参数在整个样本中恒定。当发生结构性断裂(政策制度变化、危机、技术转变)时,模型在制度之间平均,导致参数估计有偏和预测不佳。高持续性估计通常反映制度转换而非真正的长记忆。「杠杆效应」幅度在不同制度之间可能有很大差异。

陷阱4:混淆持续性与长记忆

短记忆GARCH模型（包括GJR-GARCH）具有指数衰减的ACF,由持续性参数控制。相比之下,长记忆表现出双曲线衰减，冲击以缓慢下降的权重无限期地影响波动率。强制短记忆模型拟合长记忆数据需要过多的滞后阶数,导致过度参数化和糟糕的样本外表现。根本问题是模型误设:试图用有限多项式逼近

陷阱5:参数估计在边界

边界估计出现在以下情况:(1)真实参数值为零（例如,滞后2处无非对称性）,(2)约束是活跃的（例如,平稳性边界）,或(3)识别失败导致似然沿一个方向平坦。标准渐近推断（正态近似）在边界处失效，渐近分布变成点质量和连续分布的混合。简单地报告

⚠️ 高阶模型的危险信号:

常见陷阱与解决方案

维度诅咒

高阶GJR-GARCH中条件不良的常见原因：

条件数作为诊断：

3. 用于识别的Hessian诊断

解释指南：

补救措施：

Hessian和信息矩阵：

高阶模型的初始化策略

L-BFGS-B算法：

关键约束：

实际实现：

2. 使用L-BFGS-B的约束优化

优势：

实现说明：

1. 对数波动率变换

变换：

实现优势：

数学基础：

长期目标

何时使用：

数值稳定性技术

参数激增

实际挑战：

惩罚类型：

实际考虑：

正则化（高级）

调整参数选择：

逐步程序：

序贯拟合（推荐）

广义平稳性约束

规格与估计挑战

为什么有效：

系统的诊断驱动模型选择

每个滞后的经济学解释：

经验规律：

需要高阶项的经验模式：

实用诊断示例表

比较波动率预测的RMSE、MAE：

带VaR回测的滚动窗口预测：

Hansen的SPA检验用于预测优越性：

第1步：对GJR-GARCH(1,1)的残差诊断检验

第2步：信息准则网格搜索

第3步：样本外验证

何时以及为何需要高阶扩展？

权衡框架：

一个参数改变一切

使 GJR-GARCH 强大的关键特性

GJR-GARCH 创新：最小扩展，最大影响

与观察到的隐含波动率偏斜一致

负向冲击衰减更慢（半衰期更长）

Gamma 实际上做什么？

APARCH泛化了两者，即灵活的幂次变换和非对称性。GJR-GARCH是幂次= 2的特例。

预测公式（多步向前）

峰度与厚尾

新闻影响曲线（理论）

与其他非对称模型的关系

完整模型规范

平稳性条件

数学框架与平稳性

无条件方差

实践中的约束违反

关键特征：

3. APARCH（非对称幂次ARCH）— Ding et al. (1993)

比较总结

2. EGARCH（指数GARCH）— Nelson (1991)

✓ 使用APARCH的情况：

✓ 使用EGARCH的情况：

✓ 使用GJR-GARCH的情况：

✓ 使用TGARCH的情况：

何时使用每个模型

1. TGARCH（阈值GARCH）— Zakoian (1994)

模型扩展与非对称GARCH族

定义非对称行为的四个参数

GJR-GARCH规范

从对称到非对称波动率

什么是GJR-GARCH？

：杠杆效应在股票指数和个股中非常稳健

：下行冲击需要不同的波动率响应

：VaR和ES计算受益于非对称动态

：隐含波动率偏斜反映杠杆效应

何时应使用GJR-GARCH？

模型选择指南

新闻影响曲线比较

扩展了标准GARCH，捕捉负向回报比相同幅度的正向回报更能增加波动率的实证模式。这种非对称性是股票市场和危机动态的基本特征。

⚡ GJR-GARCH: 捕捉非对称波动率

具有杠杆效应的非对称波动率建模

GJR-GARCH模型文档

伽马陷阱：为何起始值至关重要

非对称持续性浏览器

非对称幂ARCH模型，允许灵活的幂变换和杠杆效应。

股票市场收益的长记忆性质和一个新模型

比较不同非对称GARCH规范（包括GJR-GARCH、EGARCH等）的统一框架。

V-Lab

GJR-GARCH模型文档

⚡ GJR-GARCH: 捕捉非对称波动率