ARCH LM 檢定：如何偵測金融模型殘差的波動率群聚

報酬正負方向可能變動，但波動幅度仍會隨時間聚集：大幅波動後常接著大幅波動，平靜期也可能延續。這種現象稱為波動率群聚。ARCH LM 是一種診斷，用來檢查去除平均動態後的殘差平方，是否依賴指定階數內的落後值。

檢定的問題有限：目前殘差平方與過去 q 期殘差平方之間是否有線性依賴，並與「不存在這種關係」的虛無假設比較。Engle 的 ARCH 論文提出檢驗及建模時變條件變異數的架構。可參閱 Engle（1982）論文。

這項檢定不會測試未來報酬方向能否預測，也不會找出依賴原因，更不會自動選出正確的變異數模型。

檢定前，先依資料與研究問題設定合理的平均方程。有些序列用常數平均即可，但若漏掉自相關、星期效應、已知解釋變數或日內型態，殘差可能仍有結構。這些結構可能呈現在殘差平方的落後關係中，進而影響變異數診斷。

估計後，以 e_t 表示 t 時點的殘差。殘差會受到樣本範圍、平均方程、資料頻率及異常值處理影響。改變平均方程會改變殘差，因此不能脫離模型設定解讀 ARCH LM 的結果。

檢查殘差自相關與平均方程是否合理，並記錄報酬定義、使用的價格、缺漏資料，以及日資料或日內資料頻率。在檢查條件變異數前，先確認平均部分已適當建模。

選定階數 q 後，估計輔助迴歸，以目前殘差平方為應變數，並以過去 q 期的殘差平方作為解釋變數。

e_t^2 = a_0 + a_1 e_{t-1}^2 + ... + a_q e_{t-q}^2 + v_t

虛無假設是所有落後期係數同時為零：H0: a_1 = ... = a_q = 0。對立假設則是至少一個係數不為零，也就是殘差平方與所選階數內的過去殘差平方存在線性依賴。

對齊落後期後，最前面的 q 筆觀測無法放入輔助迴歸。以 M 表示實際納入該迴歸的資料列數，以 R² 表示輔助迴歸的決定係數。M 是落後期對齊後可用的列數，不一定等於原始序列的總筆數。

在標準的大樣本條件下，LM = M × R² 近似服從自由度為 q 的卡方分配。自由度等於輔助迴歸納入的落後期數。小樣本、厚尾或結構轉變，都可能降低這項近似的可靠性。

完全假設的例子：q=5、M=300、R²=0.018，則 LM=300×0.018=5.4。自由度為 5 的卡方分配在 5% 顯著水準下，臨界值約為 11.07。由於 5.4 低於 11.07，這個例子在 5% 水準下不拒絕虛無假設。

這不代表變異數已被證明固定。樣本可能太短、檢定力不足、平均方程設定不適當，或結果對 q 的選擇敏感。應表述為「在目前設定下沒有足夠證據拒絕」，而不是保證波動率不變。

不要在看過結果後才隨意調整 q，以便取得顯著結果。選擇候選階數時，應考慮資料頻率、樣本長度、診斷目的，以及想檢查的依賴時間範圍。相同的落後期數用在日資料與週資料，代表不同的時間跨度。

若測試多個 q，記錄選擇理由並呈現結果敏感度。只報告最大的檢定統計量，可能誇大多次檢定中偶然拒絕的結果。若 q 稍微改變便使結論不同，這種不穩定性也值得報告。

q 越大，輔助迴歸要估計的係數越多；樣本短時，估計精確度與檢定力可能下降。報告樣本長度、q、落後期對齊後的 M、R²、LM、p 值，以及合理的替代設定。

ARCH LM 不會檢查報酬或價格上漲、下跌的方向。即使發現殘差平方有依賴，也無法判斷它來自新聞、流動性、市場參與者行為、交易制度或測量誤差。偵測到依賴不等於證明因果關係。

拒絕虛無假設也不代表某一個 ARCH 或 GARCH 模型設定正確。模型階數、分配假設、不對稱性與結構變化都需要另外評估。檢定統計量不會給出買賣方向、進場時點或交易訊號。

相反地，沒有拒絕虛無假設也不能證明波動率隨時間固定。樣本太短、異常值或厚尾，都可能使檢定難以發現實際存在的依賴。

McLeod–Li 檢定用 portmanteau 類診斷檢查殘差平方的自相關。它關心的問題與 ARCH LM 相近，但彙整資訊的方式不同。McLeod 與 Li（1983）的論文同樣無法證明依賴原因或獲利預測能力。

這項診斷補充而不取代 OLS 迴歸係數與假設指南，也不同於強健標準誤。ARCH LM 檢查殘差平方的落後期依賴；強健標準誤則在異方差下調整統計推論的不確定性。

ARCH LM 的結果可以成為考慮 ARCH 或 GARCH 的理由，但不是必須採用特定模型的指示。估計平均及變異數模型後，重新檢查標準化殘差、殘差及其平方中剩餘的依賴、分配假設與參數穩定性。

延伸閱讀：波動率群聚與 GARCH 指南說明模型背景；強健標準誤與 HAC 指南說明異方差如何影響推論。Engle 的諾貝爾講座回顧 ARCH 的發展及其金融時間序列應用。候選模型還要用樣本外條件變異數預測來評估。

報告應包含報酬頻率與定義、平均方程、殘差生成方式、選擇 q 的理由、輔助迴歸可用筆數 M、R²、LM、自由度、p 值及測試過的設定。若未拒絕虛無假設，不要將結果寫成變異數固定的證明。

也要記錄異常值、厚尾、結構轉變、遺漏的平均動態及樣本長度可能帶來的影響。若嘗試多個 q 或多項檢定，說明搜尋範圍以及如何處理多重比較。搭配閱讀 Engle 的ARCH 諾貝爾講座與原始論文，有助將檢定定位為模型診斷的一環，而不是最後判決。