对时间序列数据的分析，在engle的arch提出之前，大家关注的重点是如何把握时序数据的一阶矩的特征，具有代表意义的就是ARMA模型。但engle的ARCH类模型提出后，使得我们可以研究时序变量的二阶矩特征，或者说，我们可以刻画变量的条件方差了。正如很多教科书上所说的，ARCH模型可以刻画时序变量的波动集聚性。通俗的讲就是大的波动往往成群出现，这点在金融时间序列数据中经常出现。因此，arch模型的出现首先使得我们在评价金融资产的风险值方面更精确。
但ARCH模型真正革命性的意义在于对gauss－markov定理的突破。大家都知道，在经典的回归分析中，如果模型的扰动项满足零均值，等方差，和不相关的假定（这里不考虑解释变量的内生性问题），那么OLS估计的结果在所有的线性无偏估计量中有最小方差。但是如果随机扰动项是一个ARCH类过程，那么通过简单的推导，我们可以发现，此时随机扰动项仍然满足前面所说的三条假定，即无条件期望为零，无条件方差恒定，不同期扰动不相关。如果你这时以为OLS估计结果已经很优秀了，那么你就错了！在这种情况下，MLE的估计在大样本情形下有着比OLS估计量更小的方差。当然MLE是渐进无偏的，只是这时的MLE估计是一个非线性的估计量。
所以说了那么多，总结起来就是：ARCH类模型对金融数据刻画的更贴近现实，如果回归模型中的扰动项有ARCH效应，我们可以找到一个比OLS更好的估计量（也就是前面的有位同学说的估计更准确）。
建议你可以去看下这些参考书：
GREENE ,ANALYSIS OF ECONOMETRICS
HAMILTON, ANALYSIS OF TIMEN SERIES
蔡瑞胸，金融时间序列分析
扫码加好友，拉您进群
全部版块
我的主页
收藏
