GARCH模型是实证上用于研究金融市场波动率的模型，目前主要用于金融市场上的学术研究，发现并挖掘金融市场的实证规律，客观上可以指导金融市场上的投资，但是学术上发现的金融市场规律与技巧一般在相关的金融学论文发表、规律与技巧被投资者应用后将会逐渐变弱并最终消失。
     理论上讲，GARCH模型对于投资的指导属于主动积极的投资类型。微观金融数据的波动性特征在实证上被金融学者挖掘，特别是在股票市场，股票价格可能会发生突然性的波动，并且在一个大的波动后面常跟着另一个大的波动，而在一个小的波动后面又常跟着一个小的波动；这就是金融时间序列经常表现出的波动性集群现象。这种现象经常会导致股票收益率的分布出现尖峰、厚尾的现象，而不是有效市场假说所形容的对数正态分布。起初，GARCH模型就是用来分析这种波动性集群现象。
     在应用上，高频金融数据相关模型的残差，即GARCH模型所经常研究的数据，是金融学家和金融做市商们极为关注的焦点。高频数据与低频数据相比表现出极为不同的特征，这是金融计量学的一个重点研究方向，对高频数据波动性的研究与建模，可能有助于指导高频量化投资，然而，随着金融市场有效性程度的提高，金融计量学所发现的规律最终将消失。
     在量化投资的实际应用上，一般都是GARCH模型的扩展模型发挥作用，以进一步增强模型分析宏观经济基本面的能力。宏观经济与证券市场存在关联性，国外关于经济周期与证券市场收益率波动关系的研究主要有两个方面：一个是从整体上分析二者之间的长期关联性；二是从每个经济周期内部分析两者的阶段关联性；而对于中国金融市场，国内学者在金融计量模型构建与实证分析上存在较大的分歧，大致观点为：一是认为股票指数与宏观经济发展之间的短期波动模式上具有相关性，同长期水平值之间具有均衡关系；二是认为中国股市波动与经济运行相关性微弱，甚至呈现背离态势；2015年中国股票市场的大牛市与当时中国宏观经济的不景气—“牛市不止，经济不起”似乎就印证了这个观点。
     中国已有的实证检验方法除了GARCH模型，还有简单OLS线性回归、Granger因果检验、协整检验及VAR模型法等；这些模型与方法在量化投资上仅注重对样本区间内整体关联性的检验，而忽视了分析经济增长的不同阶段与证券市场波动的特定关联，这是上述量化投资方法的一个缺陷。
     例如，为了改变单纯依靠具体数据来分析宏观经济与证券市场相关性不足的现象，依据对经济状态和市场状态的划分，分析状态之间的相互影响。如海通证券研究员建立了动态的ARCH模型（向量SWARCH模型），重点衡量经济周期转换与证券市场趋势变迁之间的相关性。SWARCH模型能够比较有效地揭示中国证券市场指数变化与货币供应量之间的相关关系，对指数周涨跌趋势具有较好的预测效果，而且基于该预测模型构建的量化择时交易策略也具有明显的超额收益。
     综上，一般的GARCH模型及其变种（EGARCH、TGARCH等）在学术实证方面的应用较多，而业界中应用的金融计量学模型均是动态而且不断调整的。

学习了