歡迎來到不穩定數據的世界！

你好！如果你已經在 Exam SRM 的學習旅程中走到這裡，你應該已經見識過我們如何為數據的「中心點」（平均值）進行建模。但在現實世界中——尤其是在金融和保險領域——數據的「搖晃程度」或稱波動性 (volatility) 並非總是恆定的。有時候情況會平靜一段時間，然後突然間，一切都變得非常劇烈！

在本章中，我們將學習自回歸條件異方差 (Autoregressive Conditionally Heteroskedastic, ARCH) 模型。別被這個長長的名字嚇倒了！當你讀完這些筆記，你就會明白這其實只是一種時髦的說法，意思就是：「如果昨天情況很混亂，那麼今天也很可能很混亂。」

1. 到底什麼是異方差性 (Heteroskedasticity)？

在進入數學運算之前，我們先拆解這個大詞：異方差性 (Heteroskedasticity)。

在基礎迴歸分析中，我們通常假設「同方差性 (Homoskedasticity)」，這意味著誤差的變異數（數據的分散程度）始終保持不變。而異方差性則意味著變異數會隨時間改變。

條件異方差 (Conditional Heteroskedasticity) 意味著變異數的改變是基於過去的信息。如果昨天發生了股市崩盤，那麼今天「有條件」的變異數很可能比昨天是個平靜的日子要高得多。

核心概念：波動聚集 (Volatility Clustering)
你有沒有留意到在股市中，大幅度的價格波動往往伴隨著更多大幅波動，而平靜期之後通常又會接連出現平靜期？這被稱為波動聚集。ARCH 模型正是為了捕捉數據中的這種「情緒波動」而設計的。

重點總結

ARCH 模型適用於誤差項的變異數並非恆定，而是取決於過去誤差大小的情況。

2. ARCH(1) 模型：逐步拆解

讓我們看看最簡單的版本：ARCH(1) 模型。這裡的「1」表示我們只回顧一個時間單位（即昨天）。

在標準時間序列中，我們有一個誤差項，稱之為 \( \epsilon_t \)。在 ARCH 模型中，我們假設這個誤差看起來像這樣：

\( \epsilon_t = \sigma_t Z_t \)

其中：
1. \( Z_t \) 只是「白雜訊」(white noise)（通常指平均值為 0、變異數為 1 的標準常態分佈）。
2. \( \sigma_t \) 是條件標準差（即時間 \( t \) 的「搖晃程度」）。

變異數的 ARCH(1) 方程式為：

\( \sigma^2_t = \alpha_0 + \alpha_1 \epsilon^2_{t-1} \)

讓我們翻譯成白話文：
今天的變異數 (\( \sigma^2_t \)) 等於一個基準常數 (\( \alpha_0 \)) 加上昨天誤差平方的一部分 (\( \alpha_1 \epsilon^2_{t-1} \))。

等等，為什麼誤差要平方？
問得好！我們將誤差平方 (\( \epsilon^2_{t-1} \)) 是因為變異數必須永遠為正數。無論昨天市場是上漲了 10% 還是下跌了 10%，那都是一次「大的變動」，因此它應該增加我們對今天波動性的預測值。

記憶小幫手：「暴風雨」類比

將 \( \alpha_0 \) 想像成平常日子裡的典型風速。將 \( \alpha_1 \) 想像成昨天的暴風雨對今天天氣的影響程度。如果 \( \alpha_1 \) 很大，且昨天經歷了一場大型暴風雨 (\( \epsilon^2_{t-1} \))，那麼你可以肯定今天的天氣預報 (\( \sigma^2_t \)) 將會非常不穩定！

3. 規則與限制

為了讓 ARCH(1) 模型在數學上合理且保持穩定，我們的參數 \( \alpha_0 \) 和 \( \alpha_1 \) 必須遵守以下規則：

1. 正數限制： 我們必須有 \( \alpha_0 > 0 \) 且 \( \alpha_1 \geq 0 \)。為什麼呢？因為變異數不能為負！你不可能有「負的搖晃程度」。
2. 平穩性 (Stationarity)： 為了讓變異數在長期內保持穩定，我們需要 \( \alpha_1 < 1 \)。如果 \( \alpha_1 \geq 1 \)，變異數將會不斷增長，直到無限大！

快速回顧：長期變異數
如果模型是平穩的 (\( \alpha_1 < 1 \))，其「無條件」或長期平均變異數為：
\( Var(\epsilon_t) = \frac{\alpha_0}{1 - \alpha_1} \)

常見錯誤警示！

學生經常混淆過程的平均值與變異數。在基礎 ARCH 模型中，誤差 \( \epsilon_t \) 的平均值仍然是 0。改變的是變異數。該序列並不一定有上升或下降的趨勢；它只是變得「更吵雜」了。

4. 擴展：ARCH(p) 模型

如果今天的波動性取決於過去兩天呢？或者過去一週？我們只需在方程式中加入更多項！這就叫 ARCH(p) 模型，其中 \( p \) 是我們回顧過去的時間期數。

公式看起來像這樣：
\( \sigma^2_t = \alpha_0 + \alpha_1 \epsilon^2_{t-1} + \alpha_2 \epsilon^2_{t-2} + ... + \alpha_p \epsilon^2_{t-p} \)

不用擔心它看起來很長！ 這跟 ARCH(1) 的邏輯完全相同，只是回溯得更久遠。為了使其保持平穩，所有 alpha 的總和 (\( \alpha_1 + \alpha_2 + ... + \alpha_p \)) 必須小於 1。

5. 為什麼精算學會使用 ARCH 模型？

你知道嗎？
標準線性迴歸甚至許多 ARIMA 模型都假設「雜訊」是恆定的。然而，如果你是一名為依賴股市的保險產品（如變額年金）進行定價的精算師，假設雜訊恆定可能會導致災難！如果你低估了市場的「搖晃程度」，在市場崩盤時，你可能無法保留足夠的資金來支付索賠。

現實案例：
在 2008 年金融危機期間，波動性在幾個月內處於極高水平。ARCH 模型會識別出「昨天的波動性高 = 今天的波動性高」，並據此調整風險準備金。而標準模型可能只會將其視為「一次性」的極端值。

6. 總結與最終檢查清單

在進入下一章之前，請確保你已經掌握了以下幾點：

1. 「為什麼」： ARCH 模型用於波動聚集（變異數高/低交替的時期）。
2. 「是什麼」： 今天的變異數取決於過去的誤差平方。
3. 「公式」： 熟記 \( \sigma^2_t = \alpha_0 + \alpha_1 \epsilon^2_{t-1} \)。
4. 「限制」： 參數必須為正數以確保變異數為正；\( \alpha_1 \) 必須小於 1 以保持穩定。
5. 「邏輯」： 如果 \( \epsilon_{t-1} \) 很大（正或負），它會增加 \( \sigma^2_t \)，使得下一個誤差 \( \epsilon_t \) 也很可能很大。

考試小撇步：
如果考題問哪種模型最適合處理「隨時間變化的變異數」或「波動聚集」，你的大腦應該立即浮現出 ARCH！

繼續保持！你正在掌握一個讓 Robert Engle 獲得諾貝爾經濟學獎的概念。你一定可以的！