【时间序列】ARMA与Heteroskedasticity

一般来说，用AR与MA模型就够了，ARMA模型虽然更复杂，可能试用在更多的情境中，但是因为实际测试时容易过拟合，T值不够稳定，使用就是一门艺术了。

Heteroskedasticity(异方差)是导致我们之前的AR或者MA等模型失效的一个风险，异方差会导致AR或MA等模型中T值显著，但实际并不如此，因此在做完模型后，要检查假设是否成立，这是理论上必须要做的事情。实际情况中，就要结合主观判断，是否该时间序列是有异方差的。

把做完AR、MA、ARMA等模型的残差平方，并且去回归，看a1是否显著不等于0，之后就跟AR和MA等模型一样，去看残差Lag的阶数来判定使用ARCH(p)模型。

ARCH模型如果成立的话，也就是说明时间序列有异方差，以前的模型就不适用了，就要用到GLS回归等方法。ARCH起源于英国通货膨胀率的研究，因此在部分宏观经济指标中是可以借鉴使用的，在量化研究方面，用处不大。

越复杂的模型，例如GARCH、IGARCH、GARCH-M等模型其实会让模型在样本内过拟合，用最简单的是最好的。