Модель GARCH має обмеження щодо прогнозування фінансової волатильності. Є одне обмеження стійкість волатильності, що робить громіздким для моделей GARCH аналіз цін на акції [1]. Іншим обмеженням є наявність шуму в доходності фондового ринку, який може вплинути на ефективність прогнозування моделей GARCH [2].23 березня 2024 р.

Власне, моделі ARCH можуть виникнути проблеми, коли дані мають сильну стійкість мінливості, тобто коли мінливість залишається високою або низькою протягом тривалого часу. У цьому випадку моделі ARCH можуть потребувати багато минулих помилок, щоб пояснити наявну мінливість, що робить модель складною та важкою для оцінки.

Таким чином GARCH є більш ощадливим, оскільки він використовує лише пару (або декілька) параметрів для досягнення того, для чого моделі ARCH потрібна нескінченна кількість параметрів. Аргумент також дуже схожий (по суті той самий) на те, що модель ARMA є більш економною, ніж модель AR або MA.

Моделі ARCH і GARCH стали важливими інструментами для аналізу даних часових рядів, особливо у фінансових програмах. Ці моделі особливо корисні коли метою дослідження є аналіз і прогноз волатильності.

Моделі ARIMA найкраще підходять для стаціонарних даних часових рядів, хоча Моделі GARCH найкраще підходять для даних фінансових часових рядів, які демонструють кластеризацію волатильності. Крім того, обидві моделі вимагають значної кількості даних, щоб бути точними, і дані не повинні містити викидів та інших проблем із якістю даних.

Модель GARCH має обмеження щодо прогнозування фінансової волатильності. Є одне обмеження стійкість волатильності, що робить громіздким для моделей GARCH аналіз цін на акції [1]. Іншим обмеженням є наявність шуму в доходності фондового ринку, який може вплинути на ефективність прогнозування моделей GARCH [2].