Abstract
<jats:p>В данной работе представлен подробный сравнительный анализ моделей ARCH (1) и GARCH (1,1) для моделирования и прогнозирования финансовой волатильности с использованием цен акций одной из крупнейших компаний российского фондового рынка. Исследование основано на десятилетнем наборе данных о ценах акций, что позволяет выявить долгосрочные закономерности в динамике волатильности. Исследование включает оценку параметров обеих моделей и их статистическую оценку с использованием критерия логарифмической правдоподобности (LL), а также информационных критериев Акаике (AIC) и Байеса (BIC). Особое внимание уделяется оценке адаптивности моделей и роли параметра β, отражающего эффект долгосрочной памяти. Результаты показывают, что, несмотря на структурные различия, обе модели адекватно отражают динамику волатильности; однако модель ARCH (1) демонстрирует более высокую эффективность в соответствии с принципом экономии, что делает ее предпочтительным инструментом для практического применения в контексте российского фондового рынка. Полученные результаты могут иметь практическое значение для разработки стратегий управления финансовыми рисками и прогнозирования колебаний цен на развивающихся рынках.</jats:p> <jats:p>This paper presents a detailed comparative analysis of the ARCH (1) and GARCH (1,1) models for modeling and forecasting financial volatility, using the stock prices of one of the largest companies in the Russian equity market. The research is based on a ten-year dataset of stock prices, allowing for the identification of longterm patterns in volatility dynamics. The study includes parameter estimation for both models and their statistical evaluation using the log-likelihood (LL) criterion, as well as the Akaike (AIC) and Bayesian (BIC) information criteria. Special attention is given to assessing the adaptability of the models and the role of the β parameter, which reflects the effect of long-term memory. The results demonstrate that, despite structural differences, both models adequately capture volatility dynamics; however, the ARCH (1) model exhibits higher efficiency in accordance with the principle of parsimony, making it the preferred tool for practical application in the context of the Russian equity market. The findings may be of practical value for developing financial risk management strategies and forecasting price fluctuations in emerging markets.</jats:p>