本篇基本思想，是从异方差模型 ARCH 和 GARCH 模型中，找到方差与方差之间的时间序列关系，注意，这里的方差都是带有时间戳的。

因此，模型都会存在 残差 = 真实值 - 预测值，大多数情况会假设残差服从标准正态分布 N(0,1)。

然而，对于时间序列而言，其实很多时候，残差是不独立的，更不用说 独立同分布于标准正态分布了。那么，我们能做什么呢？

许多金融建模者，就想出各种各项的方式来描述方差与某些因素有关，对于时间序列模型，通常都用过去的方差，描述今天的方差。

于是，我们的 GARCH 以及 ARCH 就应允而生了。

本篇中的 方差(t) = 系数 * 方差(t-1) 的关系，是基于 GARCH 和 ARCH 模型推导出来的，形成了一个对于每个时间段方差的估计。

文章中，比较了单纯使用样本方差来估算预测区间，以及用本篇推导的方差估算公式计算预测区间，结果发现，可使得预测区间宽度骤减，比起不使用异方差校准的模型而言，本篇推导的区间宽度减少了一半以上，覆盖度保证在80%以上。