本科金融学专业：GARCH模型与金融市场波动率预测教案

本科金融学专业：GARCH模型与金融市场波动率预测教案

一、教学背景与课程定位

在本科金融学专业培养方案中，《金融时间序列分析》是金融工程与金融科技方向的核心必修课程，通常开设于大学三年级春季学期。本单元“金融市场波动预测”聚焦于条件异方差建模理论，以GARCH类模型为技术主线，衔接前期概率论、数理统计与计量经济学基础，并为后续《金融风险管理》《衍生品定价》《量化交易策略》等课程提供方法论支撑。当前金融科技迅速发展，波动率预测不仅是学术界高频研究热点，更是商业银行风险对冲、证券公司衍生品做市、基金公司智能投顾等实务领域的核心技术工具。本教学设计立足新文科建设背景，以“数据驱动、问题导向、产学协同”为理念，将前沿模型与Python实证操作深度融合，旨在培养本科生“从数据到决策”的量化分析能力。

二、教学目标设计

依据布鲁姆认知目标分类与金融学专业教学质量国家标准，本单元教学目标分为四个维度。

（一）知识目标

精准复述波动率聚类、杠杆效应等金融时间序列典型事实，阐释ARCH模型与GARCH模型的数理推导逻辑。【基础】

区分GARCH、EGARCH、TGARCH等扩展模型的适用场景，解析各模型在捕捉非对称波动、长记忆性等方面的优劣。【重要】

概括波动率预测模型的估计流程，即模型识别、参数估计、诊断检验及评价指标，包括AIC、BIC、MSE、QLIKE等。【基础】

（二）能力目标

能够使用Python的arch包独立完成金融资产日度收益率数据的GARCH族模型建模，输出波动率预测序列。【非常重要】

能够基于预测结果设计简单的波动率交易策略，如跨式期权套利，并回测评价策略绩效。【热点】

能够批判性解读实证结果，针对模型设定偏误提出改进思路，形成小型研究报告。【难点】

（三）素养目标

养成严谨的计量伦理意识，避免数据窥察与过度拟合，恪守学术诚信。【重要】

树立科技向善的价值观，理解波动率模型在系统性风险监测中的社会意义。

（四）思政目标

通过剖析1997年亚洲金融危机、2008年全球金融危机中波动率失控的教训，引导学生认识金融监管与风险防范的国家战略意义。【非常重要】

结合我国科创板平稳运行、创业板注册制改革等案例，增强学生对中国特色资本市场的制度自信。

三、教学内容体系与重难点

（一）教学内容模块化整合

本单元共4学时，分为四大模块。模块一为金融波动典型事实与ARCH效应检验，共1学时。模块二为GARCH模型参数估计与实证解读，共1.5学时。模块三为非对称GARCH模型与杠杆效应捕捉，共1学时。模块四为波动率预测应用，即VaR计算与期权交易，共0.5学时。

（二）教学重点

GARCH1，1模型的方差方程设定、极大似然估计原理及Python实现。【非常重要】【高频考点】

利用滚动时间窗进行向前一步波动率预测，并转化为年化波动率。【重要】

（三）教学难点

条件方差与无条件方差的辨析，以及模型平稳性条件对金融资产对数收益率序列的适用性。【难点】

EGARCH模型中对数条件方差的杠杆效应解释。【难点】

多步预测误差累积与模型不确定性对交易策略的冲击。【难点】【热点】

四、教学资源与环境准备

（一）硬件与软件环境

授课教室为智慧金融实验室，配备教师机、学生终端及双屏显示系统。预装Anaconda、Python3.9、JupyterNotebook及arch库5.0以上版本，同时配置pandas、numpy、matplotlib、yfinance等数据接口。每位学生独立操作，教师可通过局域网实时调取学生代码界面。

（二）教学资源库

自建数据集包含上证综指000001、SH，标普500ETF、SPY，比特币美元价格BTC-USD近五年日度数据，均已清洗并存储为CSV格式。微课视频共5段关键知识点讲解，涵盖GARCH模型推导、arch包使用方法、模型诊断图解读等，总时长20分钟。研报文献精选3篇券商金融工程研报及1篇《管理世界》实证范文，供学有余力者拓展。预习任务包要求学生课前观看“波动率微笑”科普短片，阅读教材对应章节，即高铁梅《计量经济分析方法与建模》第12章，并完成Python环境自检。

五、教学实施过程

本过程采用“四阶递进、虚实结合”的教学策略，将2学时拆分为8个紧密衔接的教学步骤，共计90分钟。每一步骤均标注时间分配、师生互动形式及关键知识点的重要等级与频率等级。

（一）情境导入与问题锚定，共8分钟

教师通过双屏系统左屏展示2020年3月全球股市史诗级熔断的K线瀑布，右屏同步显示CBOE波动率指数VIX飙升突破80的历史瞬间。提问内容为当黑天鹅降临，如何提前量化市场的恐惧情绪，期权定价中隐含的波动率能否被模型预测，以此迅速切入主题。随后展示本课任务，即基于GARCH模型对贵州茅台日度收益率进行波动率预测，并与真实实现波动率对比。【非常重要】学生以小组为单位，每组3人，在终端打开预处理好的600519、csv数据，初步观察收益率时序图。教师邀请一名学生描述波动率聚集现象，并板书ARCH效应检验的必要性。【基础】

（二）知识回溯与ARCH检验实操，共12分钟

教师以思维导图形式快速回顾方差齐性假定与现实异方差性，引出恩格尔1982年开创性工作，强调ARCH模型是GARCH模型的母体，二者均属于条件异方差建模谱系。【重要】学生在Jupyter中输入代码，对茅台对数收益率进行Ljung-BoxQ检验和LM检验。教师巡回指导，纠正常见错误，即许多学生误将收益率平方序列的白噪声检验等同于ARCH效应检验。【难点】此时教师在主控台展示错误代码并集体纠正，明确ARCH-LM检验应基于残差平方对滞后残差平方的辅助回归。检验结果p值小于0.01，【非常重要】确认存在高阶ARCH效应，为引入GARCH模型奠定实证基础。

（三）模型构建：GARCH1，1的数学与代码双重建模，共20分钟

数学表达呈现部分占8分钟。教师在大屏板书方差方程σ_t²=ω+αε_{t-1}²+βσ_{t-1}²，并逐一拆解参数含义，重点强调α反映新息冲击系数，β反映衰减记忆性，二者之和度量波动的持续性。【非常重要】【高频考点】以类比方式讲解，股价波动如同被扰动的水面，α是投入石子的力度，β是水面恢复平静的阻尼系数。学生在本环节需手写推导无条件方差公式，教师选取两名学生的推导过程投屏点评。Python模型估计部分占12分钟。教师演示arch包中arch_model

函数的完整调用流程，学生跟随操作，输出模型摘要。教师引导学生聚焦三个关键输出，第一是系数ω、α、β的估计值与p值，第二是模型收敛信息，第三是AIC与BIC准则值。此时插入【热点】提示，在实际研报中，α+β>0.99通常表明波动高度持续，甚至可能暗示单位根问题，需警惕模型风险。学生观察茅台数据结果，α等于0.062，β等于0.936，和等于0.998，引发对模型平稳边界的讨论。教师顺势布置微型探究，尝试将模型阶数改为GARCH2，1并对比AIC变化。

（四）模型诊断与残差检验，共15分钟

合格的GARCH模型应消除残差中的ARCH效应。教师提出诊断标准，即标准化残差序列不应存在自相关与异方差性。【重要】学生计算标准化残差，再次进行Ljung-Box检验，若p值大于0.05，则模型通过诊断。教师提醒警惕数据窥察偏差，不宜为追求p值大于0.05而过度调整模型阶数，这属于计量伦理范畴。【非常重要】同时，教师展示QQ图与概率图，指导学生识别残差分布是否近似正态。针对茅台数据常呈现厚尾特征，教师引出后续拓展，可引入广义误差分布或学生t分布假设。此环节设置即时抢答，请解释为什么即使残差不服从正态分布，QMLE估计量仍可能一致。【难点】答对小组获得研报资源优先使用权。

（五）波动率预测与可视化，共18分钟

单步预测与滚动预测部分占10分钟。教师演示.forecast

方法，生成未来5个交易日的条件方差预测，并转换为年化波动率。学生对比真实已实现波动率，可通过高频数据RV计算，本课提供计算好的列。教师强调预测是条件期望，而非点对点的精确匹配。【重要】进阶操作使用滚动窗口，长度为1000天，每次向前预测1步，得到日度波动率预测序列。学生用matplotlib绘制真实波动率与预测波动率的重叠图，直观评价拟合效果。教师走下讲台，对无法收敛模型的小组指导调整优化算法，如method='slsqp'

或初始值。预测误差评价部分占8分钟。引入对称损失函数MSE、MAE以及非对称损失函数QLIKE，教师展示公式并解释为何QLIKE在波动率评价中更稳健。学生计算两种损失函数值，小组内互换数据，用SPY数据再次建模，比较模型稳定性。【热点】教师总结，没有任何单一模型永远最优，模型不确定性本身就是量化风险管理的重要议题。

（六）非对称效应：EGARCH与TGARCH，共10分钟

金融时间序列常表现出杠杆效应，即负收益对后续波动的冲击大于正收益。教师以美股2022年加息周期为例，阐明非对称建模的必要性。【重要】教师通过对比教学，同时在两台学生机上演示GARCH、EGARCH、TGARCH建模结果，重点观察EGARCH模型中的杠杆系数γ，若γ显著为负且为负冲击，则杠杆效应成立。学生使用比特币数据进行同样操作，发现数字货币市场常呈现反杠杆效应，即正收益引发更高波动，教师引导探讨市场微观结构差异，渗透跨市场比较思维。【难点】

（七）应用延伸：波动率预测的实务场景，共7分钟

教师展示两项应用。第一是风险价值VaR测算，将GARCH预测的σ_t代入参数法VaR公式，计算茅台多头头寸的日度VaR序列，并检验失败率是否与置信水平匹配。【高频考点】第二是波动率交易信号，当预测波动率高于历史80%分位数时，买入跨式期权，当低于20%分位数时，卖出跨式期权。教师展示回测资金曲线，强调交易成本的影响。【热点】学生对此表现出浓厚兴趣，教师鼓励在课后大作业中构建完整策略，并提示这属于衍生品投资高阶内容。

（八）总结提炼与伦理升华，共5分钟

教师以“预测皆模型，模型皆谬误，但部分模型有用”收尾，呼应乔治·博克斯名言。组织学生速记本课核心逻辑链，即金融时间序列、波动聚集、ARCH效应、GARCH建模、预测、决策。【非常重要】最后，播放30秒微视频，呈现2008年次贷危机中忽视波动率模型预警的教训。教师点题，精准预测是能力，正视模型局限性是智慧，守住风险底线是责任。

六、教学评价与反馈机制

（一）过程性评价，占比60%

随堂代码完成度占比20%，教师通过局域网随机抽取5位学生的Jupyter笔记本，检查代码是否无报错、输出是否完整，评价标准包括数据导入、模型估计、残差检验、预测可视化四个检查点。【重要】小组研讨贡献度占比20%，基于各小组在非对称效应探究环节的结论汇报，评价跨市场比较分析的逻辑严密性。即时测验占比20%，学习通发布5道选择题，涵盖GARCH模型平稳条件、杠杆系数符号含义、模型选择准则等，即时生成答题统计，正确率低于60%的题目教师立刻进行变式讲解。

（二）终结性评价，占比40%

个人拓展作业为自选一种中国A股行业指数，如半导体、白酒、券商，近三年日线数据，建立GARCH类模型预测波动率，并提交800字分析报告。评分聚焦于模型诊断的规范性、预测结果的批判性解读，严防照搬代码输出。

七、教学反思与优化策略

本设计实现了从知识授受向素养生成的转型，但在实施后仍有改进空间。

（一）成功经验

数据素材的时效性极大激发了学生参与感，选用比特币、茅台等热点资产，贴近Z世代