统计百科 ·
GARCH波动率模型APA报告格式 — ARCH/GARCH系数、持续性指标、波动聚集的论文写法全解
统计百科：专攻GARCH模型APA报告格式——ARCH效应检验、alpha/beta系数解读、持续性指标(alpha+beta)、条件异方差方法章节写法，给出可直接套用的APA 7th完整报告模板，盘点审稿人最常挑的GARCH报告错误。
用 GARCH 做完了金融时间序列分析，结果卡在论文写法上：alpha 和 beta 系数怎么报告、持续性（persistence）怎么说、波动聚集现象用什么句式描述、方法章节要写哪些内容……这篇文章专攻"GARCH 结果怎么规范写进论文"这一具体格式点，给出 APA 7th 所有 GARCH 报告场景的完整模板，并逐一盘点审稿人最常提的格式问题。
你的 GARCH 报告有这些问题吗？
审稿人或导师关于 GARCH 结果报告最常见的反馈：
- "ARCH 效应检验结果在哪里？没有 LM 检验就直接跑 GARCH 逻辑不充分"
- "alpha 和 beta 需要说明分别代表什么，不能只列系数值"
- "alpha + beta 的和是多少？持续性没有明确讨论"
- "条件方差方程要写出来，只报告系数不报告模型形式不规范"
- "GARCH(1,1) 是根据什么标准选定的？AIC/BIC 比较要呈现"
- "波动聚集现象的文字描述不够，只说显著性不说实质含义"
- "诊断检验（残差自相关、ARCH 效应残余）在哪里"
这些问题集中在计量经济学与 APA 格式的交叉地带，专门针对 GARCH 的 APA 报告指南并不多。本文只讲一件事：GARCH 波动率模型的结果到底怎么规范写进论文的每一个环节。
如果你还没看过姊妹篇 t 值的 APA 7th 报告写法 或 F 值的 APA 7th 报告写法，建议先读那两篇，本文默认你已了解 p 值不加前导零（.032 而非 0.032）等基础格式规则，不再重复。
一、GARCH 模型是什么，报告为什么难
GARCH 的直觉含义
GARCH（广义自回归条件异方差，Generalized Autoregressive Conditional Heteroskedasticity）模型由 Bollerslev（1986）在 Engle（1982）ARCH 模型基础上提出，用于刻画金融时间序列的波动聚集（volatility clustering）现象——大波动之后倾向于大波动，小波动之后倾向于小波动。
标准 GARCH(p,q) 模型由两个方程组成：
均值方程（Mean Equation）
$r_t = \mu + \varepsilon_t, \quad \varepsilon_t = \sigma_t z_t, \quad z_t \sim i.i.d.(0,1)$
条件方差方程（Conditional Variance Equation）
$\sigma_t^2 = \omega + \sum_{i=1}^{q} \alpha_i \varepsilon_{t-i}^2 + \sum_{j=1}^{p} \beta_j \sigma_{t-j}^2$
最常用的 GARCH(1,1) 简化为：
$\sigma_t^2 = \omega + \alpha \varepsilon_{t-1}^2 + \beta \sigma_{t-1}^2$
三个参数的含义：
| 参数 | 名称 | 直觉含义 |
|---|---|---|
| omega (omega) | 常数项（长期方差基准） | 无条件方差的基础水平，需 > 0 |
| alpha | ARCH 项系数 | 新冲击（上一期残差平方）对当前波动率的影响强度 |
| beta | GARCH 项系数 | 上一期条件方差对当前波动率的持续影响（"记忆"） |
持续性（Persistence）
$\text{Persistence} = \alpha + \beta$
- 当 alpha + beta < 1 时，模型平稳，波动率会均值回归
- 当 alpha + beta 接近 1 时，波动冲击的影响几乎永久持续（如许多股票市场实证结果）
- 当 alpha + beta = 1 时，退化为 IGARCH，无限制条件方差
为什么 GARCH 报告比 OLS 报告难
普通回归只需报告系数、标准误和显著性，GARCH 需要额外呈现：
- 建模前提——ARCH 效应是否存在（LM 检验）
- 模型选择依据（AIC/BIC 比较不同 p/q 阶数）
- 系数的分布假设（正态 / Student-t / GED）
- 参数约束条件（omega > 0, alpha >= 0, beta >= 0）是否满足
- 持续性讨论（alpha + beta 的实质含义）
- 诊断检验（残差平方的 Ljung-Box 检验，确认 ARCH 效应已被充分捕捉）
二、建模前：ARCH 效应检验的 APA 写法
在跑 GARCH 之前，需要用 Engle 的 ARCH-LM 检验验证残差中存在条件异方差。否则 GARCH 建模缺乏逻辑前提。
ARCH-LM 检验结果报告模板
对 OLS 均值方程的标准化残差进行 Engle（1982）ARCH-LM 检验，
滞后阶数设为 [q]（参照样本量和信息准则）。
检验结果显示 ARCH 效应显著，LM([q]) = X.XX，p [值]，
表明残差序列存在显著的条件异方差，满足 GARCH 建模前提。
填入数值的示例：
对日收益率序列的 OLS 均值方程残差进行 Engle（1982）ARCH-LM 检验（滞后 10 阶），结果显示 ARCH 效应极为显著，LM(10) = 87.43，p < .001，表明残差序列存在显著的条件异方差，满足 GARCH 类模型的建模前提。
三、模型选择：AIC/BIC 比较的 APA 写法
GARCH(1,1) 在实证中表现优异，但需要用信息准则说明为什么选择这一阶数，而非 GARCH(2,1) 或 GARCH(1,2)。
模型选择报告模板
分别估计 GARCH(p,q) 模型（p, q = 1, 2），
依据 Akaike 信息准则（AIC）和 Bayesian 信息准则（BIC）进行比较（见表 X）。
GARCH([p],[q]) 具有最低 AIC 值（AIC = X.XXXX）和最低 BIC 值（BIC = X.XXXX），
因此选定 GARCH([p],[q]) 作为最终模型。
表格格式（三线表）示例：
| 模型 | 对数似然 | AIC | BIC |
|---|---|---|---|
| GARCH(1,1) | -3241.7 | 6.5143 | 6.5289 |
| GARCH(1,2) | -3240.2 | 6.5148 | 6.5330 |
| GARCH(2,1) | -3241.5 | 6.5151 | 6.5333 |
| GARCH(2,2) | -3239.9 | 6.5155 | 6.5373 |
注. 粗体表示最优值。AIC = Akaike 信息准则；BIC = Bayesian 信息准则。
四、APA 7th 格式规范：GARCH 系数报告必须包含的要素
必报要素清单
| 要素 | 格式 | 示例 |
|---|---|---|
| 模型形式 | 写出条件方差方程 | sigma^2_t = omega + alphaeps^2_{t-1} + betasigma^2_{t-1} |
| omega（常数项） | 系数估计值、标准误、z 值、p 值 | omega = 0.0000215, SE = 0.0000068, z = 3.16, p = .002 |
| alpha（ARCH 系数） | 系数估计值、标准误、z 值、p 值 | alpha = 0.0921, SE = 0.0184, z = 5.00, p < .001 |
| beta（GARCH 系数） | 系数估计值、标准误、z 值、p 值 | beta = 0.8836, SE = 0.0213, z = 41.49, p < .001 |
| 持续性 | alpha + beta 的值与讨论 | alpha + beta = 0.9757 |
| 分布假设 | 正态 / t / GED | Student-t 分布，nu = 6.42 |
| 对数似然 | LL 值 | LL = -3241.7 |
| 诊断检验 | 标准化残差的 Ljung-Box Q 和 Q^2 | Q(10) = 8.43, p = .587; Q^2(10) = 9.12, p = .521 |
z 统计量与 p 值的精度要求
GARCH 使用极大似然估计（MLE），系数显著性用 z 检验（渐近正态），不是 t 检验：
- z 值精确到两位小数：z = 5.00
- p 值精确到三位小数，不加前导零：p = .002
- p = .000 改写为 p < .001
- 系数估计值按量级保留有效位数（omega 通常很小，保留到 4-6 位有效数字）
五、各场景完整 APA 报告模板
场景一：标准 GARCH(1,1) 模型
情形：日股票收益率，正态分布假设，N = 1000 个交易日。
完整方法章节模板：
采用 GARCH(1,1) 模型（Bollerslev，1986）对收益率序列的条件异方差进行建模。
模型均值方程为 r_t = mu + eps_t，条件方差方程为
sigma^2_t = omega + alpha * eps^2_{t-1} + beta * sigma^2_{t-1}，
其中 eps_t | I_{t-1} ~ N(0, sigma^2_t)。
参数估计采用极大似然估计（MLE）；参数约束条件 omega > 0、alpha >= 0、beta >= 0、
alpha + beta < 1（平稳性约束）在估计过程中强制执行。
模型选择依据 Akaike 信息准则（AIC）和 Bayesian 信息准则（BIC），
与 GARCH(1,2)、GARCH(2,1) 和 GARCH(2,2) 比较后确定 GARCH(1,1) 最优。
估计完成后，对标准化残差及其平方进行 Ljung-Box 检验以评估模型拟合充分性。
完整结果报告段落模板：
GARCH(1,1) 模型估计结果如表 X 所示。均值方程中截距 mu 为 X.XXXX
（SE = X.XXXX，z = X.XX，p [值]）。条件方差方程中，
ARCH 项系数 alpha = X.XXXX（SE = X.XXXX，z = X.XX，p [值]），
反映前一期冲击对当期波动率的即时影响；
GARCH 项系数 beta = X.XXXX（SE = X.XXXX，z = X.XX，p [值]），
反映波动率的惯性与持续性。两系数之和（持续性）为 X.XXXX，
表明波动率冲击具有[高度/中度]持续性，波动率向长期均值回归的速度[较慢/适中]。
模型拟合诊断显示，标准化残差的 Ljung-Box 检验未达显著
（Q(10) = X.XX，p = .XXX；Q^2(10) = X.XX，p = .XXX），
表明条件均值和条件方差已被充分捕捉，无显著残余 ARCH 效应。
填入数值的完整示例：
GARCH(1,1) 模型估计结果如表 2 所示。均值方程截距 mu = 0.0847（SE = 0.0231，z = 3.67，p < .001），表明样本期内存在显著的正均值日收益率。条件方差方程中，常数项 omega = 2.15 × 10^{-6}（SE = 6.8 × 10^{-7}，z = 3.16，p = .002）；ARCH 项系数 alpha = 0.0921（SE = 0.0184，z = 5.00，p < .001），表明前一期新息冲击（残差平方）对当期波动率有显著的正向影响；GARCH 项系数 beta = 0.8836（SE = 0.0213，z = 41.49，p < .001），反映出条件方差具有高度自回归惯性。持续性指标 alpha + beta = 0.9757，接近单位根但未超过 1，满足平稳性约束，表明波动率冲击具有高度持续性——一次显著的市场冲击平均需要 log(0.5)/log(0.9757) ≈ 28 个交易日才能衰减至原强度的一半。模型拟合诊断显示，标准化残差的 Ljung-Box 检验未达显著（Q(10) = 8.43，p = .587），标准化残差平方的检验同样不显著（Q^2(10) = 9.12，p = .521），表明 GARCH(1,1) 已充分捕捉序列中的条件异方差结构，无显著残余 ARCH 效应。
场景二：厚尾分布假设下的 GARCH（Student-t）
情形：金融收益率序列常表现出尖峰厚尾，正态假设可能低估极端风险。
方法章节补充模板：
考虑到金融收益率序列的尖峰厚尾特征，采用 Student-t 分布假设替代正态分布，
创新项分布为 eps_t | I_{t-1} ~ t(nu)，其中自由度参数 nu 由数据估计。
较小的 nu 值（通常 nu < 10）反映更重的尾部，拟合更极端的市场冲击。
结果报告补充句式：
创新项采用 Student-t 分布，估计自由度 nu = 6.42（SE = 0.87，z = 7.38，p < .001），显著小于正态分布的隐含自由度（nu → ∞），表明收益率分布具有显著的厚尾特征，极端收益事件的概率高于正态分布预测。与正态假设 GARCH(1,1) 相比（AIC = 6.5143），Student-t 假设 GARCH(1,1) 对数似然更高（AIC = 6.4987），拟合改善显著。
场景三：EGARCH 模型（捕捉杠杆效应）
情形：股票市场通常表现出杠杆效应（leverage effect）——负冲击引发的波动率增加大于同等规模的正冲击。
方法章节模板：
为检验市场波动率的非对称性（杠杆效应），采用 Nelson（1991）提出的
指数 GARCH 模型（EGARCH(1,1)）。条件方差的对数方程为
ln(sigma^2_t) = omega + alpha * (|z_{t-1}| - E|z_{t-1}|) + gamma * z_{t-1} + beta * ln(sigma^2_{t-1})
其中 gamma 为不对称系数，gamma < 0 表明负冲击引发更高波动率（杠杆效应）。
结果报告模板：
EGARCH(1,1) 估计结果显示，不对称系数 gamma = X.XXXX
（SE = X.XXXX，z = X.XX，p [值]）[显著为负/为正]，
[确认/否定]了股票市场的杠杆效应假设——负收益冲击导致的波动率增幅
[显著/未显著]大于同等规模的正收益冲击。
填入数值的示例：
EGARCH(1,1) 估计结果（Student-t 分布）显示，不对称系数 gamma = -0.1152（SE = 0.0218，z = -5.28，p < .001），显著为负，确认了显著的杠杆效应——当市场出现负向冲击时，条件波动率的上升幅度显著大于相同规模的正向冲击，与 Black（1976）的杠杆效应假说一致。ARCH 项系数 alpha = 0.1832（SE = 0.0276，z = 6.64，p < .001），GARCH 项系数 beta = 0.9714（SE = 0.0087，z = 111.66，p < .001），持续性指标 beta = 0.9714，接近 1，表明波动率冲击具有极高持续性。
场景四：多变量比较（不同资产 GARCH 参数对比）
情形：比较 A 股市场、港股市场和美股市场三个指数的波动率特征。
表格格式（三线表）模板：
| 参数 | A 股（上证综指） | 港股（恒生指数） | 美股（标普 500） |
|---|---|---|---|
| mu | 0.0312 (.0087)** | 0.0243 (.0112)* | 0.0471 (.0079)*** |
| omega | 3.21e-6 (.89e-6)*** | 2.87e-6 (.76e-6)*** | 1.04e-6 (.31e-6)*** |
| alpha | 0.1024 (.0231)*** | 0.0891 (.0198)*** | 0.0721 (.0143)*** |
| beta | 0.8654 (.0274)*** | 0.8873 (.0261)*** | 0.9112 (.0182)*** |
| alpha + beta | 0.9678 | 0.9764 | 0.9833 |
| nu（自由度） | 5.83 (.72)*** | 6.14 (.81)*** | 7.29 (.96)*** |
| 对数似然 | -4712.3 | -3981.6 | -2843.7 |
| AIC | 7.1243 | 6.8934 | 6.4127 |
注. 括号内为标准误； p < .05，** p < .01，*** p < .001。三个市场均采用 GARCH(1,1)-t 模型，样本区间为 [起止年份]，N = [样本量]。*
对比结果文字模板：
如表 X 所示，三个市场的 GARCH(1,1) 估计结果均显示所有参数在 alpha = .001 水平上显著。
就波动聚集强度（alpha 系数）而言，A 股市场（alpha = .1024）高于港股（.0891）和美股（.0721），
表明 A 股对新冲击的敏感性更强。持续性方面，美股（alpha + beta = .9833）>
港股（.9764）> A 股（.9678），表明美股波动率冲击的持续时间最长，
反映其更成熟的市场结构与机构投资者主导的特征。厚尾程度（Student-t 自由度 nu）
方面，A 股自由度最小（nu = 5.83），极端收益事件频率高于美股（nu = 7.29）。
六、在 ChatSRS 一句话获得规范 GARCH 报告
打开 chatsrs.com，上传数据后输入：
"对上证综指日对数收益率序列建立 GARCH(1,1) 模型，创新项采用 Student-t 分布；先做 ARCH-LM 检验（滞后10阶）确认建模前提；输出 omega、alpha、beta 的系数估计值、标准误、z 统计量和 p 值；计算并讨论持续性指标 alpha+beta；做标准化残差和残差平方的 Ljung-Box 检验（滞后10和20阶）；最后给出符合 APA 7th 格式的完整方法章节描述和结果报告段落，可直接复制进论文。"
ChatSRS 的输出即为上文示例格式：ARCH-LM 前提检验、模型方程呈现、参数表格（三线表）、持续性讨论、诊断检验，数值自动填入，可直接复制进论文。
如需 EGARCH（杠杆效应）、GJR-GARCH、Student-t 或 GED 分布，在指令中说明，ChatSRS 自动切换模型和报告模板。
七、方法章节完整示例（可直接修改套用）
3.3 波动率模型
本研究采用 GARCH(1,1) 模型（Bollerslev，1986）刻画[资产名称]日收益率序列的
条件异方差特征。建模前，对 OLS 均值回归残差进行 Engle（1982）ARCH-LM 检验
（滞后 [q] 阶）以验证条件异方差的存在性。
均值方程设定为 r_t = mu + eps_t，条件方差方程为：
sigma^2_t = omega + alpha * eps^2_{t-1} + beta * sigma^2_{t-1}
其中 r_t 为第 t 期对数收益率，sigma^2_t 为条件方差，eps_t 为残差项。
考虑到金融收益率的尖峰厚尾特征，创新项分布采用 Student-t 假设。
参数估计采用拟极大似然法（QMLE），使用 Bollerslev–Wooldridge 稳健标准误。
约束条件 omega > 0，alpha >= 0，beta >= 0，alpha + beta < 1
（二阶矩平稳性条件）在估计过程中强制执行。
模型比较采用 Akaike 信息准则（AIC）和 Bayesian 信息准则（BIC），
在 GARCH(p,q)（p,q in {1,2}）中选择最优阶数。估计完成后，
对标准化残差 z_t = eps_t/sigma_t 及其平方进行 Ljung-Box Q 统计量检验
（滞后 10 和 20 阶），以评估模型对条件均值和条件方差的捕捉充分性。
统计分析使用 ChatSRS（R 引擎，rugarch 1.4.9 包），显著性水平设为 alpha = .05，
所有参数检验基于双侧 z 检验。
八、GARCH 报告常见错误对照表
| 常见错误 | 正确写法 | 违反的规则 |
|---|---|---|
| 只报告 alpha 和 beta，不写模型方程 | 先呈现条件方差方程形式 | 方法可重现性要求 |
| 不报告 ARCH-LM 检验 | 建模前先做 LM 检验并报告 | 建模前提验证 |
| 不说明模型选择依据 | 呈现 AIC/BIC 比较表格 | 模型选择透明性 |
| 不讨论持续性（alpha+beta） | 明确报告 alpha+beta 并解读经济含义 | GARCH 核心指标缺失 |
| 不说明分布假设 | 明确写"正态/Student-t/GED"假设 | 参数估计可重现性 |
| 标准误来源不明 | 注明"Bollerslev-Wooldridge 稳健标准误" | 推断统计可信度 |
| 不做诊断检验 | 做残差及残差平方的 Ljung-Box 检验 | 模型拟合充分性验证 |
| 用 t 检验而非 z 检验 | MLE 估计用渐近 z 统计量 | 统计检验方法错误 |
| omega 精度不足写 0 | 写 2.15e-6 或 0.00000215 | 重要参数被截断 |
| p = .000 | p < .001 | APA 格式规范 |
常见 FAQ
Q：GARCH 的 alpha 和 beta 参数应该报告到几位小数？
A：通常报告到 4 位小数（如 alpha = 0.0921，beta = 0.8836）。omega 通常非常小（量级 10^{-6} 到 10^{-4}），建议用科学计数法（如 omega = 2.15 × 10^{-6}，SE = 6.8 × 10^{-7}）或保留 4 位有效数字，不能直接写 omega = 0（这等于丢失了信息）。持续性 alpha + beta 保留 4 位小数（如 0.9757）。论文正文引用系数时可以适当简化为 4 位，但原始估计表格中应保留 4 位有效数字。
Q：持续性（alpha + beta）等于 0.98 时怎么说明它的经济含义？
A：推荐用"半衰期"（half-life）概念来量化：一次波动率冲击衰减到原强度一半所需的时间 = log(0.5) / log(alpha + beta)。以 alpha + beta = 0.9757 为例，半衰期 = log(0.5) / log(0.9757) ≈ 28.2 个交易日（约 1.4 个月）。这一数字比直接说"持续性很高"更直观，也更容易让非计量背景的读者理解冲击的实际影响时长。论文中可写："一次显著的市场冲击平均需要约 28 个交易日才能衰减至原强度的一半（半衰期 = log(0.5)/log(0.9757) = 28.2 个交易日）。"
Q：GARCH 模型报告用 APA 还是有其他格式？
A：经济学、计量经济学期刊（如 Journal of Finance、Review of Financial Studies）通常遵循各自的报告惯例，侧重系数表格和经济解释，对 APA 格式要求不严格。但心理学、管理学、社会科学类期刊（如 Journal of Applied Psychology、Strategic Management Journal）若涉及 GARCH 建模，则要求 APA 7th 格式报告统计结果（p 值不加前导零、效应量、置信区间等）。ChatSRS 的 GARCH 输出同时覆盖两种风格——默认 APA 7th 学术格式，也可通过指令切换到期刊计量格式。
Q：GARCH 需要报告"效应量"吗？
A：严格的 APA 7th 格式要求所有显著性检验附带效应量，但 GARCH 系数本身即有明确的经济含义（alpha 表示新冲击对波动率的即时影响强度，alpha + beta 表示持续性），不需要像 ANOVA 那样额外计算 eta 平方。实践中，GARCH 报告的"效应量"替代指标通常是：(1) 持续性 alpha + beta；(2) 半衰期；(3) 无条件方差 = omega / (1 - alpha - beta)（代表长期平均波动率水平）。在论文方法章节明确报告这三个量，可以满足"实质意义"报告的精神，不会被审稿人认为缺少效应量讨论。
快速参考：GARCH 报告格式速查卡
[ARCH 效应前提检验]
LM([q]) = X.XX，p [= .XXX / < .001]
结论：[存在/不存在]显著 ARCH 效应，[满足/不满足] GARCH 建模前提
[模型选择]
依据 AIC/BIC 选定 GARCH(p,q)（p = X，q = X）
AIC = X.XXXX，BIC = X.XXXX（为所比较模型中最优）
[GARCH(1,1) 参数报告]
omega = X.XXXXe-X，SE = X.XXXXe-X，z = X.XX，p [值]
alpha = X.XXXX，SE = X.XXXX，z = X.XX，p [值]
beta = X.XXXX，SE = X.XXXX，z = X.XX，p [值]
持续性：alpha + beta = X.XXXX
分布假设：[正态 N(0,1) / Student-t，nu = X.XX / GED]
对数似然：LL = -XXXX.X，AIC = X.XXXX
[诊断检验]
标准化残差：Ljung-Box Q(10) = X.XX，p = .XXX（无残余自相关）
标准化残差平方：Q^2(10) = X.XX，p = .XXX（无残余 ARCH 效应）
[持续性经济含义]
半衰期 = log(0.5) / log(alpha + beta) = XX.X 期
注：alpha + beta < 1 则模型平稳；越接近 1 持续性越强
相关阅读
本文首发于 ChatSRS 官方博客。如有问题或反馈，欢迎在 ChatSRS 站内 [用户中心 -> 帮助与反馈] 联系我们。