本文考虑一些ARCH(p)过程，例如ARCH(1)。
其中
有一个高斯白噪声 
.
> for(t in 3:n){ + sigma2\[t\]=w+a1\*epsilon\[t-1\]^2+a2\*epsilon\[t-2\]^2 + epsilon\[t\]=eta\[t\]*sqrt(sigma2\[t\]) + }
(红线是条件方差过程）。
> acf(epsilon,lag=50,lwd=2)
如果 
是一个ARCH()，那么 
就是一个AR(1)过程。所以第一个想法是考虑回归，就像我们对AR(1)所做的那样
> summary(lm(Y~X1,data=db))
这里有一些明显的自相关。但由于我们的向量不能被认为是高斯分布的，使用最小二乘法也许不是最好的策略。实际上，如果我们的序列不是高斯分布的，它仍然是有条件的高斯分布的，因为我们假设 
是高斯（强）白噪声。
然后，似然函数是
而对数似然函数为
而一个自然的想法是定义
代码简单地说就是
> OPT=optim(par= + coefficients(lm(Y~X1,data=db)),fn=loglik)
由于参数必须是正数，我们在此假定它们可以写成一些实数的指数。观察一下，这些值更接近于用来生成我们的时间序列的值。
点击标题查看相关文章
Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模拟进行股价预测
左右滑动查看更多
01
02
03
04
如果我们使用R函数来估计这些参数，我们会得到
> summary(garch(epsilon,c(0,1)))
...
所以 
的置信区间是
coef\[2,1\]+ + c(-1.96,1.96)*coef\[2,2\]
实际上，由于我们的主要兴趣是这个 
参数，所以有可能使用轮廓似然方法。
> OPT=optimize(function(x) -proflik(x), interval=c(0,2)) objective-qchisq(.95,df=1) > abline(h=t,col="red")
当然，所有这些技术都可以扩展到高阶ARCH过程。例如，如果我们假设有一个ARCH(2)时间序列
其中
有一个高斯（强）白噪声 
.对数似然性仍然是
而我们可以定义
上面的代码可以被修改，以考虑到这个额外的部分。
optim(par= + coefficients(lm(Y~X1+X2,data=db)),fn=loglik)
我们也可以考虑一些广义的ARCH过程，例如GARCH(1,1)。
其中
同样，可以使用最大似然技术。实际上，我们也可以用Fisher-Scoring算法编码，因为（在一个非常普遍的情况下
这里 
. 使用标准的梯度下降算法，我们可以得到以下对GARCH过程的估计。
> while(sum(G^2)>1e-12){ + s2=rep(theta\[1\],n) + for (i in 2:n){s2\[i\]=theta\[1\]+theta\[2\]\*X\[(i-1)\]^2+theta\[3\]\*s2\[(i-1)\]}
这里有趣的一点是，我们也得出了（渐进的）方差
>sqrt(diag(solve(H))
