单整GARCH模型：尽管金融资产波动性的均值回归是一种较为普遍的现象，但是，很多资产的波动性，譬如外汇、商品，并不存在均值回归现象。即使在股票市场上，很多股票的α和估计值之和也非常接近于1，这时均值回归是很微弱的。我们就应该采用单整GARCH模型，而不是平稳GARCH模型。令α =1，存在一个自回归单位根，这使得当前波动性会影响到无穷远期的波动，也就是说波动性具有“持续记忆”能力，非条件方差也是无穷大。
指数GARCH模型：GARCH模型（8.7）都是对称的，也就是假定好的冲击和坏的冲击对波动的影响是相同的。但是对股票市场的实证研究表明，收益率波动性一般存在不对称性，也就是与好消息相比，同等程度的坏消息导致的波动程度更为剧烈。Nelson给出了第一个非对称GARCH模型，指数GARCH模型。其中，条件方差方程被定义为标准正态随机变量的函数，其中，是一个非对称反应函数。这里，最后一项是绝对值的均值偏差，因为。标准正态变量可以通过非期望收益率标准化得到，也就是有。当＞0，且λ＜0的时候，与正的冲击相比，对收益率同等程度的负的冲击，即＜0，就会导致条件方差更大的反应。
为了避免得到负的方差，很多GARCH模型必须对参数给予非负限制，但这会过度限制模型的动态特性。E-GARCH模型通过将条件方差表示为对数形式，突破了上述局限。研究表明，即使不存在财务杠杆效应，E-GARCH模型也有很多好处。但非常遗憾的是，E-GARCH模型很难用于波动性预测，因为该模型并没有给出波动期限结构的解析形式。
非对称GARCH模型：Engle和Ng给出了非对称GARCH，该模型非常容易估计，而且其波动期限结构预测可以通过一个简单的解析式来度量。门限ARCH模型：除了E-GARCH模型和A-GARCH模型能够刻画波动非对称效应之外，Zakoian和Glosten， Jaganthan和Runkle提出的门限ARCH模型结构简洁，直接度量了条件方差受正负冲击影响的不同程度，应用比较广泛。近年来，通过改变条件方差的设定形式，出现了大量的非对称GARCH模型，主要包括非线性非对称GARCH模型、非对称幂GARCH模型以及二次GARCH模型。关于这些模型对条件波动动态行为的解释能力评论，可以参考Hagerud。
向量GARCH模型：除了单变量下的GARCH模型外，GARCH模型还存在其他很多不同的设定形式。当考虑多变量GARCH模型时，也可以得到一系列的GARCH模型，称它们为向量GARCH模型。其中，和为n维随机向量，为k维回归向量。这里，就是经过线性系统过滤后得到的新息向量。如果表示n种资产收益率，那么，就是n种资产组合收益的新息。均值ARCH模型和均值GARCH模型：另外一种发展方向将一阶矩和二阶矩联系起来研究。前面的模型一般假设收益率的一阶矩，即条件均值是零或者是不变的，也就是一个常数。但现实中，金融资产的收益率一阶矩和二阶矩之间往往存在某种关系，所以有必要对收益率条件均值随方差或者协方差变化的动态行为进行研究。通过在上述单变量模型中的截距项中加入一个随时间变化的因素，我们就可以得到均值ARCH和均值GARCH模型。显然，与简单的ARCH模型和GARCH模型相比较，在收益率均值中多了一项随时间变化的漂移项。当方差变化时，收益均值也会变化。上述形式的GARCH-M表明收益率条件均值是条件方差的一个线性函数。此外，还可以考虑将收益率条件均值表示为条件标准差的一个线性函数。（G）ARCH-M模型在金融领域有着广泛的应用，一般用来描述某种资产期望收益率和期望风险之间的关系。期望风险的估计系数一般也称为风险收益置换系数。
关于ARCH和GARCH模型的推广以及应用汗牛充栋。例如，将上述GARCH-M和多元GARCH结合起来、将GARCH和马尔可夫链结合起来、将GARCH与分数维结合起来、改变残差项正态分布假设以及高频金融数据中的GARCH模型应用等，都可以很方便地得到各种模型。但在金融领域，应用比较广泛的还是平凡GARCH模型以及那些可以用来很好拟合金融时间序列特征的变形模型。
