💰 quantitative finance

Long-memory GARCH via a two-dimensional Markov chain

本文引入了一种新型 GARCH 类模型，该模型利用二维马尔可夫链来生成过去冲击的状态相关幂律衰减，从而在具备强理论稳定性保证的同时，实现了具有竞争力的经验预测性能。

原作者： Kyungsub Lee, Kennedy Titus Kayaki

发布于 2026-07-29

📖 1 分钟阅读☕ 轻松阅读

原作者： Kyungsub Lee, Kennedy Titus Kayaki

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下股票市场是一个巨大且混乱的海洋。有时波浪是温柔且可预测的；有时，一场突如其来的风暴袭来，海水会剧烈翻腾数日。在金融世界中，这种“翻腾”被称为波动性（volatility）。几十年来，科学家们一直试图建立数学地图来预测这些波浪。最著名的地图被称为 GARCH 模型，它们的作用就像一个简单的回声：如果今天有一波大浪袭来，海洋在明天仍会保持一些粗糙感，但那波浪的记忆会迅速消退，就像峡谷中的一声呐喊，在几秒钟后便消失殆尽。

然而，现实世界的数据表明，海洋拥有更长的记忆。今天的巨大风暴可能会让海浪在数周甚至数月内都感觉“粗糙”，这种现象被称为长记忆性（long-memory）。传统的地图在处理这个问题时显得力不从心，因为它们的构建初衷就是为了快速遗忘。为了解决这个问题，一些研究人员尝试构建具有无限层记忆的地图，但这些地图变得过于复杂，难以使用或难以证明其稳定性。本文带着一个新鲜的想法登场了：如果我们能使用一个简单、由两部分组成的系统来捕捉这种漫长且持久的记忆，而且这个系统既易于追踪又在数学上是稳健的，情况会怎样呢？

二维记忆机器

作者 Kyungsub Lee 和 Kennedy Titus Kayphy 提出了一种建模金融波动性的新方法。该模型不仅追踪现在的海水有多“粗糙”（即水平/level），还追踪这种粗糙度预期会以多快的速度消退（即斜率/slope）。

可以把它想象成一个神奇的、自动调节的橡皮筋。

水平（The Level）： 这是橡皮筋目前被拉伸的程度。一次巨大的冲击（如突然的市场崩盘）会拉伸它，使“波动性”变高。
斜率（The Slope）： 这是橡皮筋的“硬度”，或者说它想要恢复到正常状态的速度。

在旧模型中，橡皮筋总是以固定的速度弹回。但在这个新模型中，每当发生冲击时，它不仅会拉伸橡皮筋，还会改变橡皮筋的硬度。如果冲击足够大，它可能会让橡皮筋变得更“松弛”，这意味着需要更长的时间才能恢复正常。这创造了一个反馈循环：历史冲击改变了未来的恢复速度，使得模型能够在不需要无限个变量的情况下，实现对过去的长期记忆。

他们如何证明其有效性

这类复杂的自调节系统最大的担忧在于它们可能会失控。如果橡皮筋变得太松，模型可能会预测出无限大的波动性，这显然是不合理的。作者花费了大量时间来证明其系统的安全性。

他们使用了一个名为 Foster–Lyapunov 条件 的数学工具。想象一下这是一个安全网。他们证明了无论市场变得多么狂野，系统都有一种内置机制，最终会将橡皮筋拉回到一个稳定的状态。他们证明了该模型是**正哈里斯递归（positive Harris recurrent）**的，这是一种高级说法，意思是：“系统总会稳定进入一种可预测的模式，而不会奔向无穷大。”他们还证明了这种稳定的模式是唯一的，这意味着模型不会产生混乱并切换到不同的行为模式。

模拟实验：测试长记忆性

为了观察他们的想法是否真的能产生长记忆性，团队运行了数千次计算机模拟。他们向模型输入随机的市场冲击，并观察“波动性”随时间的变化行为。

他们发现，当模型的参数被调节到接近某个特定的“稳定性边界”（即安全网的边缘）时，模拟的市场表现出的行为与真实的长期记忆数据完全一致。冲击并没有迅速消退；相反，它们持续存在，产生了一种缓慢的幂律衰减（power-law decay）。这证实了他们这个简单的两部分系统确实可以模仿现实金融市场中那种顽固且持久的波动性。

现实世界实测

随后，作者使用来自六个主要金融市场的真实数据对模型进行了实测：标普 500 指数（S&P 500）、富时 100 指数（FTSE 100）、德国 DAX 指数、日经 225 指数（Nikkei 225）、韩国综合指数（KOSPI）以及比特币（Bitcoin）。

好消息：
该模型在捕捉这些市场的“长记忆性”方面表现得异常出色。当他们将模型的预测与实际数据进行对比时，记忆估计值在多个市场（如日经 225 和标普 500）中都匹配得非常好。它成功地重现了旧有简单模型所缺失的波动性缓慢衰减过程。

对比分析：
他们将自己的模型与该领域的重量级选手进行了对决：

GARCH(1,1)： 标准的简单模型。
FIGARCH： 专门为长记忆性设计的复杂模型。
HAR-RV： 一个利用过去已实现方差（衡量过去波动性的直接指标）的模型。

结果：

拟合过去： 复杂的 FIGARCH 模型在“拟合”历史数据方面做得最好（其似然值最高）。新模型略逊于 FIGARCH，但非常接近标准的 GARCH(1,1)。
预测未来： 这正是有趣的地方。在预测未来波动性时，该模型在大多数市场中的表现与标准的 GARCH(1,1) 同样出色。它并没有全面超越 FIGARCH，但在大多数市场中在统计学上与 FIGARCH 同样优秀，唯独在 KOSPI 和比特币市场中，FIGARCH 略占优势。
真正的赢家： 有趣的是，HAR-RV 模型（它使用直接的过去方差数据）是表现最好的预测器。然而，作者指出 HAR-RV 是一个专门的工具，它使用了新模型所不具备的信息（它直接观察已实现方差，而非仅仅是收益率）。

总结

论文的结论是，你并不需要一台无限复杂的机器来捕捉长记忆性。通过仅增加一个维度——一个基于冲击而变化的“记忆尺度”——你可以构建出一个既：

数学上安全： 它不会崩溃。
简单： 它一次只追踪两个数字。
有效： 它几乎能像最复杂的模型一样，捕捉到市场波动中那种顽固且持久的特性。

这提醒我们，有时理解一个复杂且翻腾的海洋，并不在于绘制每一朵浪花的地图，而在于理解海水本身是如何记住那场风暴的。

技术摘要：基于二维马尔可夫链的长记忆 GARCH 模型

问题陈述
标准 GARCH 模型通过过去平方创新项与条件方差的简单递归反馈来捕捉波动率聚集现象。然而，经验证据表明，金融波动率具有“长记忆性”，其特征是波动率代理变量（如平方收益率）表现出缓慢衰减的依赖性，而传统的 GARCH 规格无法复制这种特性。现有的解决方案，如分数 GARCH (FIGARCH)、HYGARCH 或无限阶 ARCH 模型，通过分数滤波器、双曲衰减或无限滞后结构引入持久性。尽管这些方法有效，但它们通常缺乏有限维度的马尔可夫表示，从而增加了稳定性分析和计算复杂性。相反，具有潜在因子或粗糙波动率（rough volatility）的模型虽然解决了持久性问题，但在经验可区分性或缺乏直接的条件方差递归方面存在困难。

方法论
作者提出了一种新型 GARCH 类模型，该模型在生成长记忆行为的同时，保留了有限维（二维）的马尔可夫状态。其核心机制是改进了“水平与斜率匹配”（level-and-slope matching）构造（Lee, 2026b）并将其应用于条件波动率建模。

潜在幂律核（Latent Power-Law Kernel）： 不同于固定的自回归衰减，其条件方差由一个潜在幂律核 $h_n(t) = \mu + a_n(t+c_n)^{-p}$ 导出。
状态更新机制： 在观测到收益冲击 $\eta_n$ $η_{n}$ 后，通过在新的原点处同时匹配水平（level）和斜率（slope），将核函数更新至下一周期。
- 状态向量为 $(X_n, c_n)$ ，其中 $X_n$ 代表超额方差水平， $c_n$ 代表内生的记忆尺度。
- 更新规则（公式 6–7）确保新状态 $(X_n, c_n)$ 是前一状态与平方创新项 $\eta_n^2$ 的确定性函数。
马尔可夫表示： 所得过程是一个在状态空间 $S = [0, \infty) \times [\gamma, \infty)$ 上的时间齐次马尔可夫链。该模型可以表示为一个随机系数 ARCH( $\infty$ ) 模型，其衰减因子是内生的且依赖于状态，而非固定的确定性系数。

核心贡献

稳定性理论： 本文的主要数学贡献是对这一非标准马尔可夫链进行了严谨的稳定性分析。不同于标准 GARCH 模型中稳定性仅简化为一维对数矩条件，该模型需要一个联合 Foster–Lyapunov 条件。
- 作者构建了一个 Lyapunov 函数 $V(x, c) = \log(1+x) + \lambda c$ ，将方差水平与记忆尺度耦合在一起。
- 他们推导出了一个联合漂移条件（假设 1），要求存在一个 $\lambda > 0$ ，使得对数方差与记忆尺度的组合漂移的上确界为负。
- 在此条件下以及正则性假设下，论文证明了该链是正哈里斯递归（positive Harris recurrent）的，并存在唯一的不变概率测度。
诊断条件： 论文推导出了一个用于稳定性的必要诊断条件（公式 35），类似于标准的 GARCH 对数矩条件，但是在一个关键的内生尺度 $c^*$ 处进行评估。数值实验表明，该诊断边界与真实的联合稳定性边界极其接近。
正则性验证： 利用控制理论论证（Meyn 和 Tweedie 框架），作者通过证明确定性控制模型可以到达边界锚点 $(0, \gamma)$ 且局部满足雅可比秩条件，从而确立了 $\psi$ -不可约性（ $\psi$ -irreducibility）和紧集的微小性（petiteness）。

结果

模拟研究：
- 利用对数平方创新项的局部 Whittle 估计量，模拟结果表明该模型产生了显著的低频持久性（长记忆性）。
- 当参数使系统处于诊断稳定性边界附近时，持久性最强。随着记忆尺度 $c_n$ 变大，内生衰减因子保持接近于 1，从而产生缓慢衰减的依赖关系。
- 估计的记忆参数 $\hat{d}$ 随着系统接近稳定性边界而单调增加。
实证分析：
- 该模型被应用于五个国际股票指数（标普 500、富时 100、DAX、日经 225、KOSPI）和比特币的每日收益率数据。
- 样本内拟合： LM-GARCH 模型捕捉到了显著的长记忆行为，其模型隐含的记忆估计值与基于数据的估计值（针对日经 225、标普 500 和富时 100）高度吻合。然而，对于股票指数，其样本内对数似然值通常低于 FIGARCH 和非对称 GARCH（如 GJR、EGARCH）模型，但在比特币方面表现优于后者。
- 样本外预测： 使用基于实现方差的 QLIKE 损失函数，LM-GARCH 的表现与 GARCH(1,1) 相当。虽然 FIGARCH 在所有市场中的平均损失较低，但这种差异在 KOSPI 和比特币市场中才具有统计显著性。HAR-RV（直接使用实现方差）的表现优于所有基于收益率的模型，这符合预期。

意义与主张
本文声称提供了一个简洁的框架，能够将生成长记忆波动率与低维马尔可夫结构相统一。

机制： 文章证明了长记忆性可以从状态本身的动力学（特别是记忆尺度 $c_n$ 的演化）中产生，而不是通过分数积分或无限滞后强制引入。
易处理性： 通过维持二维状态，该模型允许进行标准的稳定性分析和高效的计算估计，这与无限阶或分数模型不同。
实证效用： 该模型成功重现了金融数据中观察到的持久性，并提供了与标准基准模型相当的预测准确性，这表明无需放弃马尔可夫框架即可有效地对“长记忆”现象进行建模。

作者对模型的领先地位保持谦逊，承认虽然该模型捕捉到了显著的持久性，但在所有市场中其样本内表现并未超越 FIGARCH，且其相对于标准 GARCH 的样本外优势仅限于特定市场。其主要贡献在于从理论上证明了有限维马尔可夫过程可以通过内生状态演化产生复杂的长记忆波动率动力学。

二维记忆机器

他们如何证明其有效性

模拟实验：测试长记忆性

现实世界实测

总结

技术摘要：基于二维马尔可夫链的长记忆 GARCH 模型

类似论文