 Là loại mô hình phi tuyến tính:

 ARCH: Autoregressive Conditional Heteroskedasticity: Mô hình phương sai có điều kiện

thay đổi tự hồi quy
 GARCH: Generalized Autoregressive Conditional Heteroskedasticity: Mô hình phương
sai có điều kiện thay đổi tự hồi quy tổng quát. Mô hình GARCH kết hợp các thành phần
autoregressive (AR)-tự tương quan và moving average (MA)-trung bình trượt để mô hình
hóa sự phụ thuộc của phương sai có điều kiện vào các giá trị đã qua xử lý cũng như các
giá trị độ biến động trước đó. GARCH(p,q), nếu p,q=0 thì mô hình GARCH trở thành mô
hình ARCH
Phương sai có điều kiện là độ biến thiên tại thời điểm t dựa trên độ biến thiên trong quá khứ của
chuỗi thời gian. Nghĩa là, phương sai có điều kiện của chuỗi thời gian hôm nay sẽ là phương sai
của chuỗi thời gian với các giá trị trong quá khứ của ngày hôm qua và những ngày trước đó. Mặt
khác, phương sai vô điều kiện là độ biến thiên tại thời điểm t, không phụ thuộc vào dữ liệu trong
quá khứ. Nghĩa là, bất kể chuyện gì đã xảy ra trong quá khứ
ARCH
Xt có thể có ngoại sinh, quá trình AR, MA
ut: psai phụ thuộc vào dạng bậc 2  psai thay đổi
 Ước lượng pt psai
Xích ma t bình: psai có điều kiện
et bình: psai kh điều kiện
Uowsc lượng:
B1: tìm quá trình ARMA mà có psai của sai số thay đổi, tự tương quan=0
B2: khi psai thay đổi  xác định q bằng cách vẽ biểu đồ tự tương quan riêng của et bình

nếu có sự ảnh hưởng ARCH, chúng ta sử dụng phương pháp ước lượng ARCH thay vì phương pháp OLS.

Thực hành R:
B1: yt: phải là chuỗi dừng  kiểm điinh ADF để coi dừng ch hoặc vẽ plot
B2: xác định công thwusc trung bình  vẽ Pacf để xác điịnh bậc của AR. Acf  MA
GARCH(p,q)

p: độ trễ của xích ma t bình  xác định thông qua biểu đồ tự tương quan của et bình
p: lags của AR
q: lags của MA