ARCH模型

自回归条件异方差(Autoregressive Conditional Heteroscedasticity Model, ARCH)
恩格尔和克拉格(Kraft, D., 1983)在分析宏观数据时，发现这样一些现象:时间序列模型中的扰动方差稳定性比通常假设的要差。恩格尔的结论说明在分析通货膨胀模型时，大的及小的预测误差会大量出现，表明存在一种异方差，其中预测误差的方差取决于后续扰动项的大小。
从事于股票价格、通货膨胀率、外汇汇率等金融时间序列预测的研究工作者，曾发现他们对这些变量的预测能力随时期的不同而有相当大的变化。预测的误差在某一时期里相对地小，而在某一时期里则相对地大，然后，在另一时期又是较小的。这种变异很可能由于金融市场的波动性易受谣言、政局变动、政府货币与财政政策变化等等的影响。从而说明预测误差的方差中有某种相关性。
为了刻画这种相关性，恩格尔提出ARCH模型。
ARCH的主要思想是时刻$t$的$u_t$的方差($={\sigma }_t^2$)依赖于$t-1$时刻残差平方的大小，即依赖于$u_{t-1}^2$。
ARCH自回归条件异方差模型条件:
在时间序列中，给出不同的时点的样本(对于不同时点的观测值)，得到残差的方差是不同的，故方差随时间给出的条件而变化，即异方差。

ARCH 模型的定义
$k-变量回归模型：$
$y_t={\gamma }_0+{\gamma }_1{x}_{1t}+\cdots +{\gamma }_k{x}_{kt}+u_t(1)$
并假设在时刻$t-1$所有信息已知的条件下，扰动项$u_t$的分布是：
$u_t\sim N(0,{\alpha }_0+{\alpha }_1{u}_{t-1}^2)(2)$
即$u_t$遵循以0为均值，${\alpha }_0+{\alpha }_1{u}_{t-1}^2$为方差的正态分布。
由于$u_t$的方差依赖于时刻$t-1$期的平方扰动项，
所以我们称其为$ARCH(1)$过程：$var(u_t)={\sigma }_t^2={\alpha }_0+{\alpha }_1{u}_{t-1}^2$
一个$ARCH(p)$过程可以写为：
${\sigma }_t^2={\alpha }_0+{\alpha }_1{u}_{t-1}^2+{\alpha }_2{u}_{t-2}^2$