做金融收益的波动率建模，Python 里绕不开 Kevin Sheppard（牛津大学经济学）维护的 arch 库——当前文档版本 8.0.0，仓库 1653 个 star、最近一次推送就在本周。它的文档首页把工具箱分成了六大功能块：单变量波动率模型、自助法（Bootstrapping）、多重比较程序、单位根检验、协整检验与估计、长期协方差估计。

对做 GARCH 一族建模的人来说，前两块是最常用的；对做宏观或面板的人，单位根与协整模块也能顶半个 statsmodels.tsa。

波动率建模的入口是 arch_model() 这个高层函数——一行代码把均值方程、波动率过程、误差分布三者拼起来，自动返回可直接 fit 的模型对象；想精细控制的话，文档的 Mean Models 与 Volatility Processes 两节给出低层接口，均值部分与方差部分可以分开指定。文档首页明确说明：所有模型都能产生预测，能解析求解的用解析式，解析不可行的用模拟方法——蒙特卡洛或残差自助法。

这句区分正是回答「样本内拟合与样本外预测怎么分开」的关键：fit 给出样本内参数估计，forecasting 模块负责往后的推演，两条路径在文档里是分开成节的。

单变量波动率部分的 Forecasting 一节细分成四块：波动率预测、Value-at-Risk 预测、预测情景（Forecasting Scenarios）与带外生变量的预测。VaR 预测一块对风控场景最实用——拟合好的波动率模型直接产出分位数式的风险度量；情景预测则允许在给定假设路径下推演波动率。配合 Examples 小节的可运行示例，从拟合到预测的代码可以逐段对照。

把文档各节串起来，单只资产的风险度量路径是清晰的：先在 Examples 小节对照示例把收益率序列读进来；用 arch_model() 选定均值方程（常数均值或自回归）与波动率过程，fit 得到样本内参数；然后切到 Forecasting 小节，选解析或模拟路线往前推演波动率；风控场景直接调 Value-at-Risk 预测拿分位数结果。

若关心极端市场下的稳健性，Forecasting Scenarios 允许你自定义假设路径做情景推演，而残差自助法给出的预测分布不依赖正态假设——这一点对肥尾特征明显的金融收益尤其重要。

自助法模块独立于波动率部分，提供对均值、统计量的 bootstrap 推断，与波动率预测里的残差自助法是两套入口。多重比较程序（Multiple Comparison Procedures）处理「同时检验一堆假设」的显著性校正，单位根检验模块覆盖常见的单位根与平稳性检验并延伸出协整检验与估计、长期协方差估计三块。整个文档的章节结构与代码 API 一一对应，查哪个功能就直接翻对应小节。

文档要求引用用 Zenodo 的版本化 DOI（10.5281/zenodo.593254，按实际使用版本填版本号，链接见回复区）。仓库 LICENSE.md 原句「Copyright (c) 2017 Kevin Sheppard. All rights reserved.」，许可为 MIT 式条款：获取副本者可免费使用、复制、修改、合并、发布、分发、再许可及销售软件副本。

引用代码与文档时注明作者与版本号即可满足要求。相关入口整理在回复区。

回复后可见：arch 文档首页、单变量波动率文档、GitHub 仓库与 Zenodo 引用页地址。