GARCH类模型是用于金融时间序列分析的一类统计模型，主要用于描述波动性的集群现象，即波动性随时间变化的特性。以下是主要的GARCH类模型：

GARCH模型

GARCH（Generalized Autoregressive Conditional Heteroskedasticity）模型是ARCH模型的推广，由Bollerslev（1986）提出。

它使用条件方差作为因变量，并允许方差依赖于自身过去的值，从而捕捉波动性的长期记忆性。

GARCH模型的标准形式是GARCH（p,q），其中p是回归项的阶数，q是移动平均项的阶数。

TGARCH模型

TGARCH（Threshold Generalized Autoregressive Conditional Heteroskedasticity）模型是GARCH模型的一个扩展，用于捕捉杠杆效应。

在TGARCH模型中，条件方差被设定为对正负残差有不同的影响，即存在一个门限值，使得正残差和负残差对条件方差的影响不同。

EGARCH模型

EGARCH（Exponential Generalized Autoregressive Conditional Heteroskedasticity）模型由Nelson（1991）提出。

EGARCH模型使用指数函数来估计条件方差，允许模型对不同方向的残差（正或负）有不同的敏感度。

IGARCH模型

IGARCH（Integrated Generalized Autoregressive Conditional Heteroskedasticity）模型对GARCH模型的参数做了限制，通常表示为IGARCH（p,q）。

IGARCH模型要求条件方差的对数差分是白噪声序列，即无条件方差是恒定的。

这些模型在金融市场预测和风险管理中得到了广泛应用，因为它们能够有效地捕捉金融时间序列的波动性特征