如果每天判断市场风险都要翻完一整本历史账，模型很快就会变得笨重。可若只看昨天，又会漏掉一个常见现象：很久以前的一次剧烈波动，影响可能至今仍未完全消退。这篇论文尝试折中：不保存全部历史，而是用两个不断更新的数字，概括当前波动水平和市场“忘记冲击的速度”。
作者 Kyungsub Lee 和 Kennedy Titus Kayaki 把它称为一种长记忆 GARCH 型模型。GARCH——一类预测波动率的统计模型——抓住的基本事实是，大波动往往扎堆出现，今天的冲击会影响未来一段时间的风险。新模型进一步让这种影响按幂律缓慢衰减，并把所需信息装进二维 Markov state（马尔可夫状态）：只看当前两个状态，就能继续推演下一步，不必重新读取完整历史。
需要先说明，以下理论、模拟和实证结果均来自这篇 arXiv 论文，尚无独立信源交叉验证。“压缩成两维”也是传播性概括，并不表示任意长记忆 GARCH 都能无损缩成两个数字。
两个数字，怎么记住漫长历史？
模型的第一个状态表示超出长期基准的方差水平，可以理解为市场现在有多躁动。第二个状态表示内生的记忆尺度，也就是旧冲击消退得有多慢。
关键在于，作者没有为每一期历史冲击单独留一个格子，而是维护一条潜在幂律核——一条描述冲击如何随时间衰减的曲线。每当新收益出现，模型同时匹配这条曲线的“高度”和“斜率”：高度决定下一期方差，斜率决定此后忘得多快。像是每来一笔新信息，就重新调整风险曲线的当前位置和倾斜程度，而不是保存此前每一次调整。
这一步带来状态依赖。传统递归常用固定系数让旧冲击逐期衰减；这里的有效衰减系数会随记忆尺度变化。当尺度较大时，系数会长期接近 1，旧冲击便消退得很慢。于是，扩展后的状态仍是二维 Markov chain（马尔可夫链），可观察的波动却可能表现出 long memory（长记忆）——久远冲击仍缓慢影响今天。
换句话说，模型不是把长历史真正删除了，而是把它折叠进两个会随冲击改变的状态变量。论文称，这相当于一个带随机、内生权重的无限阶 ARCH 表示；但实际递推只需维护两个状态。
“记得久”不等于“永远不稳”
记忆越长，模型越容易靠近不稳定边界。作者因此没有只展示预测结果，还推导了联合 Foster–Lyapunov 条件。这个术语可以理解为一套检查规则：寻找一个衡量系统是否跑远的函数，并验证状态跑得很大时，模型平均会把它拉回来。
在该条件及创新分布的正则假设成立时，作者证明二维状态过程具有 positive Harris recurrence（正 Harris 常返性），并且存在唯一的不变分布。直白地说，模型长期运行后不会任意漂走，而且会收敛到唯一的稳定统计状态。
这里的“联合”很重要。记忆尺度本身会被冲击推动，所以不能像标准 GARCH 那样，只检查一个一维对数矩条件。论文把方差水平与记忆尺度放进同一个 Lyapunov 函数，并给出可通过漂移函数数值检查的稳定条件。作者还构造了一个较方便的 diagnostic stability boundary（诊断稳定边界）。它是必要诊断，不是充分条件；论文明确没有把它等同于完整稳定证明。
靠近边界，记忆确实更长
模拟使用 log-squared innovations（创新项平方的对数）作为波动率代理，并用 local Whittle estimator 估计低频持续性。这个估计量关注序列中变化很慢的部分，用来判断过去影响是否以很低的速度衰减。
论文报告，在所有参数网格中，模型越接近诊断稳定边界，估计出的记忆越强，而且这一关系单调成立。换用其他带宽后，模式仍然保留。部分估计值超过通常协方差平稳长记忆区间的上限，作者只把它们解释为“很强的低频持续性”指标，而没有声称它们仍受标准极限理论支持。
这与模型机制一致：记忆尺度变大时，旧冲击的衰减系数接近 1，多个随机衰减系数相乘后仍能在较长时间里保留影响。不过，这些结果首先说明模型能够生成长记忆式表现，并不等于证明真实市场一定按同一机制运行。
六个市场给出了更克制的答案
实证覆盖五个股票指数——S&P 500、FTSE 100、DAX、Nikkei 225、KOSPI——以及 Bitcoin。股票数据为 2000 年 1 月至 2018 年 6 月的日内开盘至收盘收益和五分钟已实现方差；Bitcoin 数据来自 2012 年 1 月至 2025 年 1 月的 Bitstamp 一分钟数据。
模型对 Nikkei 225 的记忆估计几乎复现了数据结果；S&P 500 和 FTSE 100 的差距接近一个 Monte Carlo 标准误。对 DAX、KOSPI 和 Bitcoin，模型给出的记忆参数则比数据低约 0.05。它能解释相当一部分持续性，但不能覆盖每个市场的全部记忆。
样本外预测——用没有参与拟合的新数据检验模型——采用 QLIKE 损失评价，数值越低越好。LM-GARCH 与普通 GARCH 在多数市场非常接近，仅在 KOSPI 上显著更好。FIGARCH 在六个市场的平均损失都更低，但差异只在 KOSPI 和 Bitcoin 上达到统计显著。直接使用滞后已实现方差的 HAR-RV 在六个市场全部最好，且相对 LM-GARCH 的差异均显著；不过，HAR-RV 使用了更直接的已实现方差信息，而 LM-GARCH 只从收益率估计，两者并非完全对等。
因此，这篇论文最值得关注的不是“二维模型赢了预测比赛”。它真正展示的是：状态依赖的幂律衰减可以在极小的 Markov 状态中制造明显的长期持续性，同时保持递推计算简洁。对交易和风控而言，这提供了一条可能的工程折中——用很少的状态变量承载较长的风险记忆。但现有证据尚未显示它普遍优于成熟的收益率模型，更没有超过直接利用已实现方差的专门预测方法。
局限与未知
- 全部结论来自同一篇 arXiv 论文，尚缺独立复现；稳定性也依赖作者列出的联合条件和创新分布假设，并非无条件成立。
- 模型目前是对称设定，没有纳入股票模型常见的杠杆效应。论文中 GJR-GARCH 和 EGARCH 在五个股票指数上的样本内似然明显更高。
- 实证只覆盖六个市场；二维状态带来的实际估计速度、部署成本和大规模组合应用收益，论文材料没有给出量化结果。