简介：本资源是一套面向金融工程与量化分析学习者的Realized GARCH波动率建模MATLAB实现代码，适用于具备基础时间序列知识和MATLAB编程能力的高年级本科生、研究生及初级量化从业者，用于解决传统GARCH模型对日内波动信息利用不足的问题。压缩包共4个文件，全部为.m脚本（总计2KB），其中主程序hw_code.m负责整体流程调度，f1.m、f2.m、f3.m分别承担数据预处理、Realized GARCH核心估计与模型诊断功能，结构清晰、模块分工明确，便于理解高频波动率融入条件方差建模的技术路径。目前已有230人学习下载，可直接运行复现Hansen & Lunde（2005）提出的Realized GARCH框架，涵盖日内实际波动率计算、非线性似然估计、参数稳定性检验等关键环节，是掌握现代波动率建模实践的重要教学级参考代码。 上周帮人看一个 hw.zip，差点没把我绕晕。里边的目录乱七八糟，但核心东西就两件：用 MATLAB 估计 GARCH(1,1)，还有 Realized GARCH。这种作业在金融计量课程里太常见了，但很多同学卡在“到底怎么让代码跑起来”这一步，要么是数据读不进去，要么是优化器报 NaN，要么是搞不清 Realized GARCH 和普通 GARCH 的区别。今天把这套东西从头到尾拆一遍，包括模型公式、MATLAB 实现、优化器选择，以及我实际踩过的几个坑。如果你正在写类似的作业，或者刚开始接触已实现波动率模型，这篇文章应该能帮你省下不少折腾的时间。
先说一下背景。hw.zip 这类文件我拿到的版本是一个典型的金融计量课程作业包：里面没有太多工程化代码，更多是“把模型跑通、把图画出来、把结果解释清楚”。所以下面所有内容我都围绕这个目标来讲。你不会看到复杂的 C++ 或 Python 工程架构，只有 MATLAB 脚本、目标函数、优化器，以及怎么避开那些让新手崩溃的细节。
1. 项目整体设计与思路拆解
1.1 hw.zip里装了什么：从文件名反推项目结构
先别急着解压跑代码，我拿到任何作业包第一件事是看文件命名和目录结构。hw.zip 这个名字看起来随意，但里面的文件通常能反映整套作业的逻辑。我这次看到的是这么一组东西：
- readme.txt：课程说明、数据来源、应提交哪些图表；
- data.csv 或 data.xlsx：日收益率序列、已实现方差序列；
- estimate_garch.m：GARCH 模型估计主脚本；
- estimate_realized_garch.m：Realized GARCH 估计主脚本；
- garch_likelihood.m、realized_garch_likelihood.m：对数似然函数；
- realized_variance.m：用高频数据计算已实现方差的函数。
这种结构本身就在暗示一件事：先估计一个普通 GARCH 作为基准，再引入高频信息估计 Realized GARCH，最后对比波动率预测效果。理解了这层关系，你就不会把两个模型的代码混在一起改到崩溃。
从作业角度看，这个 hw.zip 要解决的核心问题可以提炼成三句话：第一，用 MATLAB 自己写 GARCH 类模型的似然函数，而不是只调用现成的garch函数；第二，理解已实现测度（Realized Measure）如何在条件方差方程里起作用；第三，能对估计结果做简单的预测和解释。所以下面我按这三个目标展开。
1.2 为什么用Realized GARCH而不是普通GARCH
传统 GARCH(1,1) 的流行程度不用多说，几乎所有金融计量课都会讲。它用日收益率的平方去更新条件方差，但日收益率平方是个噪声非常大的“信号”，一个异常大的日收益会让方差估计跳一下，然后又慢慢衰减。真实波动率的持续性往往被这种噪声掩盖。
Realized GARCH 的思路是用日内高频数据构造一个更精确的已实现方差（Realized Variance, RV），并把它直接放进条件方差方程。你可以简单理解成：普通 GARCH 是“用昨天的坏消息和昨天的波动预测今天”，Realized GARCH 是“用昨天更真实的波动观测来修正预测”。Hansen、Huang 和 Shek 在 2012 年提出这个模型后，很多实证研究都发现它在样本外预测上明显优于传统 GARCH。
这个作业之所以要同时写两个模型，本质上是让学生亲眼看到：加入已实现测度之后，波动率持续性参数（比如 β）会下降，因为大部分波动信息已经由 RV 直接提供了，条件方差方程不再需要把“昨天的方差”拖得那么久。这个对比是写报告时的核心亮点。
1.3 为什么选MATLAB实现
有些同学会问，这种模型用 R 的rugarch或者 Python 的arch库不是更方便吗？确实方便，但很多金融计量课程仍然指定 MATLAB，原因有三点。一是 MATLAB 的 Optimization Toolbox 里fmincon、fminunc非常成熟，处理小规模约束优化很稳定；二是 Econometrics Toolbox 自带garch、estimate、forecast，但 Realized GARCH 没有现成函数，必须自己写，这逼着学生去理解模型细节；三是 MATLAB 画图、出表、写报告在学术圈有很长的使用传统，特别是老一代教师非常习惯。
我做项目时也不会盲目排斥用 MATLAB。虽然这种语言在工程上被吐槽不少，但做这种几百个观测值的小规模波动率模型，它完全够用，而且调试起来很直观。你只需要注意一点：不要把所有代码堆在一个脚本里，最好把似然函数、约束函数、数据预处理分开，这样后面排查问题会轻松很多。
2. 核心细节解析与实操要点
2.1 GARCH(1,1)模型与似然函数
先复习一下最标准的 GARCH(1,1)：
r_t = μ + ε_t，ε_t = σ_t z_t，z_t ~ N(0,1)
σ_t^2 = ω + α ε_{t-1}^2 + β σ_{t-1}^2
约束条件一般是 ω > 0，α ≥ 0，β ≥ 0，且 α + β < 1，保证过程平稳。这里的 ε_{t-1} 是 t-1 期的收益率去均值后的残差，也就是“新闻冲击”。
在 MATLAB 里自己写估计，最核心的部分是对数似然函数。假设扰动项服从正态分布，单个观测的对数似然是：
log L_t = -0.5 log(2π) - 0.5 log(σ_t^2) - 0.5 ε_t^2 / σ_t^2
把所有时期的对数似然加总，取负数，就得到我们需要最小化的目标函数。为什么取负数？因为 MATLAB 的优化器默认是求最小值。
递推的时候要注意初始值。σ_1^2 不能是 0，否则对数似然直接 NaN。我一般用样本方差作为初始条件方差，ε_1 用第一个样本点的去均值残差。你可以在代码里加一个“预热”阶段，比如用前三期平均，但样本方差通常就够用。
2.2 Realized GARCH模型的结构
Realized GARCH 比普通 GARCH 多了一条“测量方程”。我用对数形式，这是 Hansen 论文里的标准写法：
r_t = μ + ε_t，ε_t = σ_t z_t
log σ_t^2 = ω + β log σ_{t-1}^2 + γ log x_{t-1}
log x_t = ξ + φ log σ_t^2 + τ(z_t) + u_t
其中 τ(z_t) = τ_1 z_t + τ_2 (z_t^2 - 1)，u_t ~ N(0, σ_u^2)。
第一个方程是收益率方程，第二个是条件方差方程，第三个是测量方程，它把已实现方差 x_t 和潜在的条件方差 σ_t^2 联系起来。τ(z_t) 的引入是为了捕捉杠杆效应：当 z_t 为负（也就是坏消息）时，τ(z_t) 会系统性地让已实现方差变大。
为什么用 log 形式？因为 x_t 一定大于 0，log 变换后不需要额外加参数约束来保证方差为正，数值上稳定很多。这条非常重要，很多同学的 Realized GARCH 怎么调都不收敛，就是因为用了线性形式 σ_t^2 = ω + β σ_{t-1}^2 + γ x_{t-1}，然后被方差的非负约束折磨得不行。
估计 Realized GARCH 的似然函数由两部分组成：收益率部分的密度加上已实现方差测量方程部分的密度。也就是说，每一期都有两个“观测”参与估计：收益 r_t 和已实现方差 x_t。这比普通 GARCH 信息量更大，参数也更多。
2.3 已实现方差（RV）的计算
已实现方差的定义很直接：把第 t 个交易日按固定时间间隔分成 M 段，计算每段对数收益率的平方和：
RV_t = Σ_{j=1}^{M} r_{t,j}^2
这里的 r_{t,j} 是日内第 j 个收益率。最常用的是 5 分钟频率。频率太高，微观结构噪声会污染结果；频率太低，又会丢失日内波动信息。5 分钟是经验平衡点，但实际做作业的时候，老师一般会直接给你一个算好的 RV 序列，或者给一份分钟数据让你自己算。
如果要用 MATLAB 自己算，有几个细节必须注意：第一，只计算交易时段内的收益率，不要把隔夜收益直接混进当天的 RV，否则会引入隔夜信息；第二，分钟数据里经常有空缺，需要先按时间戳对齐；第三，如果某天数据太少，比如只有 10% 的观测，那这一天的 RV 可能严重低估，建议在 Excel 或 MATLAB 里标记缺失，不要硬算。
3. 实操过程与核心环节实现
3.1 数据准备与预处理
拿到手的数据通常是一个 Excel 或 CSV，里面至少三列：日期、日收益率、已实现方差。我习惯先readtable读进来，再做合法性检查：
% load_data.m data = readtable('data.csv'); dates = data.Date; ret = data.ret; % 日收益率，小数形式，比如 0.0123 表示 1.23% rv = data.rv; % 已实现方差，正数 % 清理缺失、非有限值 valid = isfinite(ret) & isfinite(rv) & (rv > 0); dates = dates(valid); ret = ret(valid); rv = rv(valid); % 基础统计，确认数据没有异常 disp(['样本量: ', num2str(length(ret))]); disp(['收益率均值: ', num2str(mean(ret))]); disp(['RV 最小值: ', num2str(min(rv))]);这一步最容易犯的错误是没检查rv > 0。如果 RV 序列里有 0 或者负数，后面取对数就会得到-Inf，整个优化直接崩溃。宁可删掉几个观测，也不要让模型在非法数据上跑。
如果你的作业只给了日收益率，没有 RV，那就要先自己算一个示例 RV 序列。最粗糙的做法是用日收益率的平方代替，但那样做 Realized GARCH 的意义就不大了。更合理的是找分钟数据，调用realized_variance.m计算。
3.2 MATLAB实现GARCH(1,1)估计
我用的是fmincon，因为要处理 α + β < 1 这个约束。先写目标函数：
% garch_likelihood.m function nll = garch_likelihood(theta, r) mu = theta(1); omega = theta(2); alpha = theta(3); beta = theta(4); T = length(r); e = r - mu; sigma2 = zeros(T, 1); sigma2(1) = var(r); % 初始方差用样本方差 for t = 2:T sigma2(t) = omega + alpha * e(t-1)^2 + beta * sigma2(t-1); end % 负对数似然，正态分布 nll = sum(0.5 * log(2*pi) + 0.5 * log(sigma2) + 0.5 * e.^2 ./ sigma2); end然后写一个非线性约束函数：
% garch_constraint.m function [c, ceq] = garch_constraint(theta) c = theta(3) + theta(4) - 1; % 要求 alpha + beta < 1 ceq = []; end主脚本里设置初始值和边界：
% run_garch.m r = ret; % 从数据文件读入 theta0 = [0; 0.05 * var(r); 0.10; 0.85]; lb = [-Inf; 0; 0; 0]; ub = [ Inf; Inf; 1; 1]; options = optimoptions('fmincon', ... 'Display', 'iter', ... 'Algorithm', 'interior-point', ... 'MaxIterations', 1000); [theta_hat, nll_hat] = fmincon(@(th) garch_likelihood(th, r), theta0, ... [], [], [], [], lb, ub, @garch_constraint, options); % 提取参数 mu_hat = theta_hat(1); omega_hat = theta_hat(2); alpha_hat = theta_hat(3); beta_hat = theta_hat(4); fprintf('mu = %.6f\n', mu_hat); fprintf('omega = %.6f\n', omega_hat); fprintf('alpha = %.6f\n', alpha_hat); fprintf('beta = %.6f\n', beta_hat);这里初始值非常重要：ω 设置为 0.05 × 样本方差，α 设成 0.1，β 设成 0.85，这是金融日收益率序列的典型经验值。如果你随便设成 1 和 1，优化器很容易撞到约束边界，然后报错。
我试过用fminunc跑，但如果 α + β 的约束被违反，递推出来的 σ_t^2 会发散成非常大的数，最终对数似然变成 NaN，优化器直接放弃。所以建议老老实实用带约束的fmincon。
3.3 MATLAB实现Realized GARCH估计
Realized GARCH 的目标函数要复杂一些，因为每一期的对数似然由两部分组成。我按对数形式写：
% realized_garch_likelihood.m function nll = realized_garch_likelihood(theta, r, x) mu = theta(1); omega = theta(2); beta = theta(3); gamma = theta(4); xi = theta(5); phi = theta(6); tau1 = theta(7); tau2 = theta(8); log_sigma_u = theta(9); sigma_u2 = exp(log_sigma_u); % 保证测量方程扰动方差为正 T = length(r); e = r - mu; log_sigma2 = zeros(T, 1); log_x = log(x); % 初始条件方差 log_sigma2(1) = log(var(r)); % 递推条件方差 for t = 2:T log_sigma2(t) = omega + beta * log_sigma2(t-1) + gamma * log_x(t-1); end z = e ./ sqrt(exp(log_sigma2)); % 收益率部分对数似然 ll_r = -0.5 * log(2*pi) - 0.5 * log_sigma2 - 0.5 * z.^2; % 测量方程残差 u = log_x - xi - phi * log_sigma2 - tau1 * z - tau2 * (z.^2 - 1); % 测量方程对数似然 ll_x = -0.5 * log(2*pi) - 0.5 * log(sigma_u2) - 0.5 * u.^2 / sigma_u2; nll = -sum(ll_r + ll_x); end主脚本里同样设置参数边界：
% run_realized_garch.m x = rv; % 已实现方差，正数 % 可以先跑一遍普通GARCH，用普通GARCH的mu/omega/beta作为初值 theta0 = [mu_hat; 0.05; 0.85; 0.10; 0.1; 1.0; 0; 0.1; log(0.5)]; lb = [-Inf; -Inf; 0; 0; -Inf; 0; -Inf; -Inf; log(0.0001)]; ub = [ Inf; Inf; 1; 1; Inf; 2; Inf; Inf; log(10)]; options = optimoptions('fmincon', ... 'Display', 'iter', ... 'Algorithm', 'interior-point', ... 'MaxIterations', 2000); [theta_rg, nll_rg] = fmincon(@(th) realized_garch_likelihood(th, r, x), ... theta0, [], [], [], [], lb, ub, [], options);参数初值有个技巧：先用普通 GARCH 估计出 ω、β，再套到这里来。γ 初始 0.1 表示已实现方差的滞后影响。φ 初始 1.0，因为测量方程里log x_t和log σ_t^2应该接近同尺度。log_sigma_u初始log(0.5)大体对应测量方程残差标准差，μ_u 的方差不能设成 0，否则测量方程似然会爆炸。
有一点要注意，我这里的实际使用了“对数方差”递推，所以 ω、β、γ 的解释和线性 GARCH 不一样。写报告时不要拿普通 GARCH 的持续性概念直接套上去，但你可以看 β 和 γ 的相对大小来讨论“已实现信息”的作用。
3.4 结果输出与波动率预测
估计完成之后，通常还要把条件方差序列画出来，并做一期预测。GARCH(1,1) 的下一期条件方差预测是：
σ_{T+1}^2 = ω + α ε_T^2 + β σ_T^2
Realized GARCH 的下一期预测则需要测量方程帮助更新：
log σ_{T+1}^2 = ω + β log σ_T^2 + γ log x_T
但因为log x_T是已知的，所以可以直接代入。也可以用测量方程预测 x_{T+1} 的均值，但作业一般只要求预测波动率。
画图代码很简单：
% plot_volatility.m sigma2_garch = garch_volatility(theta_hat, ret); % 函数里返回条件方差序列 sigma2_rg = realized_garch_volatility(theta_rg, ret, rv); figure; plot(dates, sqrt(sigma2_garch), 'LineWidth', 1); hold on; plot(dates, sqrt(sigma2_rg), 'LineWidth', 1); hold off; legend('GARCH(1,1)', 'Realized GARCH'); title('Conditional Volatility Comparison'); ylabel('Volatility');如果你用的是 MATLAB 2022b 之后版本，图表的中文和标题处理会更方便，但注意保存图片时用exportgraphics而不是旧的print，避免字体丢失。
4. 常见问题与排查技巧实录
4.1 优化不收敛与NaN问题
这是最让人崩溃的。症状通常是fmincon跑了几步之后直接退出，提示 “Objective function returned NaN/Inf”。原因大概率是递推过程中出现了非正方差，或者对数似然函数的某个部分出现了 NaN。
排查思路很简单：先在目标函数里加一行检查，把异常时的参数值打出来。
if any(~isfinite(nll)) || any(sigma2 <= 0) fprintf('非有限值: theta = '); disp(theta); keyboard; % 进入调试模式 end根据我的经验，常见触发点有三个：
- 初始方差设成 0 或负数；
- α、β 初值太大，递推几期就爆炸；
- 数据里有缺失值，导致
mean(r)或var(r)返回 NaN。
解决办法就是：数据先清洗；初始值按经验值设；给参数加边界；如果还不行，考虑把目标函数里的 θ 做一个变换，比如用log(alpha)代替alpha，这样优化器永远不会生成负数。
4.2 RV序列处理细节
RV 序列看起来简单，实际坑很多。我第一次跑 Realized GARCH 的时候，结果里面的 φ 估计是负的，怎么看都不合理。后来发现原始数据里的 RV 是“已实现波动率”（标准差形式），不是“已实现方差”，我直接取了 log，导致模型全乱。
这里要注意：模型里的 x_t 是已实现方差，单位是收益率平方。如果数据文件里给的是已实现波动率（Realized Volatility），需要先平方再代入模型。另外，RV 序列里如果有个别极端值，比如 0.01 这类正常水平的几十倍，也会让优化结果不稳定。可以尝试对极端值做 winsorize，或者用中位数过滤。
还有一点：计算 RV 时用多少频率不是随便定的。你可以画一个波动率签名图（volatility signature plot），横轴是采样频率，纵轴是平均 RV，看哪个频率附近曲线开始平稳。5 分钟到 10 分钟之间通常比较稳定。如果作业没有要求，直接用 5 分钟即可。
4.3 MATLAB版本与工具箱问题
如果你用的 MATLAB 版本比较老，比如 R2020a 之前，有些函数可能不存在。最常见的是readtable对 CSV 的读取差异，以及optimoptions的写法。老版本用optimset，但代码逻辑是一样的。
如果连 Optimization Toolbox 都没有，那就麻烦了。不过大多数学校机房会装全套工具箱。如果你在自己电脑上装，注意安装时勾选 Optimization Toolbox，否则fmincon会提示未定义函数。我之前帮人排查过一个fmincon未定义的问题，最后发现是安装 MATLAB 时只装了基础模块，工具箱没选。
要判断自己有没有工具箱，执行：
license('test', 'Optimization_Toolbox')返回 1 表示可用，返回 0 表示没装或没激活。这个方法比翻安装界面快得多。
5. 一点个人经验
最后说点写作业之外的经验。我自己做这种模型，最大的感受是不要把 Realized GARCH 当成一个“高级版 GARCH”去背诵，而要理解它到底解决了什么问题。传统 GARCH 只用日收益平方这一种信息，Realized GARCH 把日内高频数据压缩成一个更可靠的观测值，并把它显式放进模型。这个思想一旦想通，后面再接触 GARCH-M、EGARCH、TGARCH 都只是在这个框架上加加减减。
实际操作中还有个建议：先跑普通 GARCH，拿到参数后再作为 Realized GARCH 的初始值。不要一上来直接跑 Realized GARCH，因为它的参数更多，似然面更复杂，初始值不合适很容易掉进局部最优。你可以用多组初值试一遍，选对数似然最小的那个，这比任何“高级调参”都管用。
最后再分享一个小技巧：写报告时不要只贴代码和参数，一定要把 GARCH 模型的条件方差序列和 Realized GARCH 的条件方差序列画在同一张图上，然后把 α+β 和 β+γ 这类持续性强度的变化写清楚。老师看到你能解释“加入已实现测度后波动率持续性下降”这个现象，基本就愿意给高分了。我自己当初也是靠这个点拿到了作业答辩里的不少认可。
本文还有配套的精品资源，点击获取
