自从Engle(1982)提出ARCH模型分析时间序列的异方差性以后，波勒斯列夫T.Bollerslev(1986)又提出了GARCH模型，GARCH模型是一个专门针对金融数据所量体订做的回归模型，除去和普通回归模型相同的之处，GARCH对误差的方差进行了进一步的建模。特别适用于波动性的分析和预测，这样的分析对投资者的决策能起到非常重要的指导性作用，其意义很多时候超过了对数值本身的分析和预测。

为了衡量收益率波动的非对称性，Glosten、Jagannathan与Runkel（1989）提出了GJR模型，在条件方差方程（3）中加入负冲击的杠杆效应，但仍采用正态分布假设。Nelson(1991)提出了EGARCH模型。Engle等（1993）利用信息反应曲线分析比较了各种模型的杠杆效应，认为GJR模型最好地刻画了收益率的杠杆效应。Glosten、Jagannathan与Runkel（1993）分析比较了各种GARCH-M模型，指出不同的模型设定会导致条件方差对收益率产生正或负的不同影响，

由于GARCH (p,q)模型是ARCH模型的扩展,因此GARCH(p,q)同样具有ARCH(q)模型的特点。但GARCH模型的条件方差不仅是滞后残差平方的线性函数,而且是滞后条件方差的线性函数。

GARCH模型适合在计算量不大时,方便地描述了高阶的ARCH过程,因而具有更大的适用性。但GARCH(p,q)模型在应用于资产定价方面存在以下的不足:

①GARCH模型不能解释股票收益和收益变化波动之间出现的负相关现象。GARCH(p,q)模型假定条件方差是滞后残差平方的函数,因此,残差的符号不影响波动,即条件方差对正的价格变化和负的价格变化的反应是对称的。然而在经验研究中发现,当利空消息出现时,即预期股票收益会下降时,波动趋向于增大;当利好消息出现时,即预期股票收益会上升时,波动趋向于减小。GARCH(p,q)模型不能解释这种非对称现象。

②GARCH(p,q)模型为了保证非负,假定(2)式中所有系数均大于零。这些约束隐含着的任何滞后项增大都会增加因而排除了的随机波动行为,这使得在估计GARCH模型时可能出现震荡现象。