时变参数异质自回归模型是Bollerslev（2016）提出的，通过观测连续的RV对IV进行估计。在估计IV的过程中，假定IV服从AR（1）过程，

其假设为ut服从于方差为的独立同分布。同时假设其测度误差为tη，服从于方差为的独立同分布。由此得出RV服从ARMA（1，1）过程，其中AR为1φ，MA参数为：

φ1≠0，

由上可知，测度误差的方差的参数是递增变化的，即20

ησ→或φ1→0，θ1→0。

设RV的AR（1）过程记为：(www.daowen.com)

由于左边的ηt是不能直接预测得出的，但进一步观测等式右边可知，ηt是一个对β1产生影响的关键变量，而β1将在一定程度上决定模型的预测效果。

已假设ut和ηt均为独立同分布，所以cov（RVt，RVt-1）=φ1Var（IVt），且Var（RVt ）=Var（IVt）+2ΔIQ，故β1为可以用以下衡量：

因此，IV的系数1φ比所需要回归分析的RV的自回归项系数大，1β与1φ两者之间的具体差异是因为测度误差的衰减偏误，而1β衰减程度一定是测度误差方差的某种关系，即可以通过一个具体的函数关系进行衡量。若2ΔIQ=0，则β1=φ1；当2ΔIQ＞0，则β1将向着0变动，这会对RV的预测带来影响。然而，传统模型中假定了测度误差的不变性，即认为其是一个常数，但这与实际情形存在着一定的出入。

IQ比较小的时候，RV对IV的估计相对会有效。但IQ比较大的时候，此时对IV的估计就会与实际情况存在着较大的出入。由此可以发现，在预测的过程中，假定了AR系数的不变性存在不足，而如何对该参数赋予时变值，从而便于自回归系数根据实际的情况进行自动调整，确保所预测的结果与实际情况更加地接近将更有意义。按照这一思路出发，Bollerslev等（2016）提出了基于IQ1/2的时变模型，即ARQ模型：

从上可以发现，参数β1，t将具有时变特征，β1，Q＜0表示该模型的测度误差具有较大的变化，但与1β综合后降低其对未来的预测的影响。RQ在样本区间内恒定，则ARQ将变为AR（1）。因此，当测度误差波动较大的时候，ARQ模型的预测精度将会得到提高，从而更加接近于实际情况。其中RQt（Realized Quarticity）指标为：