La mejor respuesta a su pregunta es, probablemente, dada por el comité del premio Nobel de sí mismo en "El Premio en Ciencias Económicas 2003 - Información Avanzada" del documento. Usted debe leer en su totalidad. A continuación es un extracto.
Según el comité:
Los economistas financieros desde hace ya tiempo se conoce que la volatilidad en los rendimientos tiende a
clúster y que las distribuciones marginales de muchos rentabilidad del activo se leptokurtic, lo que significa que tienen colas más gruesas que la densidad de la distribución normal con la misma media y varianza. Aunque el tiempo de agrupación de los devuelve era conocido para muchos investigadores, devuelve todavía estaban modelados como independientes e idénticamente distribuidas a lo largo del tiempo. Los ejemplos incluyen Mandelbrot (1963) y Mandelbrot y Taylor (1967) que se utiliza el llamado estable Paretian distribuciones para caracterizar la distribución de los rendimientos. Robert Engle la modelización de variables en el tiempo de la volatilidad mediante regresión automática heterocedasticidad condicional (ARCH) lo que significó un verdadero avance.
Supongamos que en el tiempo $t$ observamos que el estocástico vector $(u_t, \mathbb{x}_t^ {'})$, donde $u_t$ es un escalar y $\mathbb{x}_t$ puede contener algunos rezagos de $u_t$. El modelo predictivo de la variable $u_t$ es $$ u_t = \mathbb{E}(u_t | \mathbb{x}_t) + \epsilon_t \etiqueta{3.1} \label{un}$$
Es generalmente asumido que $\mathbb{E}(u_t | \mathbb{x}_t)$ tiene una forma paramétrica y $\mathbb{E}\epsilon_t = 0$, $\mathbb{E}\epsilon_t \epsilon_s = 0, \forall t \no = s$
A la hora de estimar los parámetros en $\mathbb{E}(u_t | \mathbb{x}_t)$, se suele suponer que los incondicionales de la varianza del término de error $\epsilon_t$ es constante o variable en el tiempo en un desconocido de la moda. Engle considera la alternativa de la suposición de que, mientras la incondicional la varianza de error − si existe − es constante, el condicional de la varianza de error es variable en el tiempo.
Esta noción revolucionaria hecho posible explicar sistemática de las características de los movimientos de la varianza a lo largo del tiempo y, a fortiori, para estimar los parámetros de la varianza condicional conjuntamente con los parámetros de la media condicional. La literatura es totalmente desprovisto de su trabajo anterior con una idea similar.
Engle con parámetros de la varianza condicional de $\epsilon_t$ en el modelo de $\eqref{un}$ tal que gran positivo o negativo de los errores de $\epsilon_t$ fueron probable que sea seguido por otro gran error de firmar y pequeños errores por un pequeño error de firmar. Hoy en día, este es generalmente referido como la volatilidad de la agrupación. Se supone que $\epsilon_t$ puede ser descompuesto como $\epsilon_t = z_t \sigma_t^{\frac{1}{2}}$ donde ${z_t}$ es una secuencia de variables aleatorias iid con cero la media y la varianza la unidad y donde $$ \sigma_t = \operatorname{Var}(\epsilon_t | \mathcal{F}_t) = \alpha_0 + \sum_{j=1}^m \alpha_j \epsilon_{t j}^{2} \etiqueta{3.2}\label{dos}$$
En $\eqref{dos}$ $\epsilon_t = u_t - \mathbb{E}(u_t | \mathbb{x}_t)$, $\alpha_0 > 0$ y $\alpha_j \geq 0, j = 1, \cdots m$, la información en conjunto $\mathcal{F}_t = \sigma(\{\epsilon_{t j}, j \geq 1\})$
Ecuación $\eqref{dos}$ define el ARCO modelo introducido en el "Autorregresivos heterocedasticidad condicional con las estimaciones de la varianza de Reino Unido la inflación", donde la varianza condicional es una función de los valores pasados de los cuadrados de los errores.
En este clásico de papel, Engle desarrollado la teoría de la estimación para el modelo de ARCO, dio las condiciones para los estimadores de máxima verosimilitud para ser consistente y asintóticamente normal, y presentó un multiplicador de Lagrange de la prueba para la hipótesis de ARCO (igual condicional e incondicional de la varianza) en los errores de $\epsilon_t$.