原文鏈接：http://tecdat.cn/?p=24407

最近我們被客戶要求撰寫關(guān)于股票市場預(yù)測的研究報(bào)告，包括一些圖形和統(tǒng)計(jì)輸出。

這篇文章討論了自回歸綜合移動(dòng)平均模型 (ARIMA) 和自回歸條件異方差模型 (GARCH) 及其在股票市場預(yù)測中的應(yīng)用

介紹

一個(gè)?ARMA (AutoRegressive-Moving Average)")?有兩部分，AR(p)部分和MA(q)部分，表示如下

其中 L 是滯后算子，?i 是白噪聲。它可以通過 Box-Jenkins method. 我們可能會(huì)使用 PACF 繪制識(shí)別 AR 滯后階數(shù) p，和 ACF 圖以識(shí)別 MA 滯后階數(shù) q；或使用信息，例如 AIC 和 BIC 做模型選擇。

ARIMA (AutoRegressive Integrated Moving Average)")?是 ARMA 的拓展，通過為非平穩(wěn)過程添加階數(shù)為 d 的積分部分。

ARIMA是針對(duì)價(jià)格水平或收益率的，而GARCH（廣義自回歸條件異方差）則試圖對(duì)波動(dòng)率或收益率平方的聚類進(jìn)行建模。它將ARMA項(xiàng)擴(kuò)展到方差方面。

作為隨機(jī)波動(dòng)率模型的離散版本，GARCH也能捕捉到股票市場的厚尾效應(yīng)。因此，將ARIMA和GARCH結(jié)合起來，預(yù)計(jì)在模擬股票價(jià)格時(shí)比單獨(dú)一個(gè)模型更適合。在這篇文章中，我們將把它們應(yīng)用于標(biāo)普500指數(shù)的價(jià)格。

ARIMA

首先，眾所周知，股票價(jià)格不是平穩(wěn)的；而收益可能是平穩(wěn)的。ADF單位根檢驗(yàn)結(jié)果。

#?價(jià)格是已知的非平穩(wěn)的；收益是平穩(wěn)的import?adfullerrsut?=?aduler(close) prnt(f'ADF?Satitic:?{reslt[]},?pale:?{rslt1]}')??# null 假設(shè)：單位根存在；不能拒絕 null。relt?=?adfler(histet) prnt(f'ADF?Statistic:?{reut[0]},?pvaue:?{rslt[1]}')???#?拒絕單位根的空假設(shè)?==>?平穩(wěn)

收益序列的 ADF p 值為 0，拒絕單位根的原假設(shè)。因此，我們?cè)?ARIMA(p, d, q) 中接受 d=1，下一步是識(shí)別滯后 p 和 q。ACF 和 PACF 圖表明滯后最多 35 個(gè)工作日。如果我們按照?qǐng)D表進(jìn)行擬合，將有太多參數(shù)無法擬合。一種解決方案是使用每周或每月圖表。在這里，我們將最大滯后時(shí)間限制為 5 天，并使用 AIC 選擇最佳模型。

for?p?in?rage(6): ????for?q?in?rage(6): ????????ry: ????????????mft?=?fit(disp=0) ????????????ic[(p,?q)]?=?fiaic ????????except: ????????????pass

下一步是擬合模型并通過殘差統(tǒng)計(jì)評(píng)估模型擬合。殘差仍然顯示出一些自相關(guān)，并且沒有通過正態(tài)性檢驗(yàn)。由于滯后階數(shù)限制，這在某種程度上是預(yù)料之中的。

盡管如此，讓我們繼續(xù)最后一步并使用模型進(jìn)行預(yù)測。下面比較了對(duì)測試集的收益率預(yù)測和實(shí)際收益率。

收益率預(yù)測以 0% 為中心，置信區(qū)間在 ±2% 之間。結(jié)果并不是特別令人印象深刻。畢竟，市場正在經(jīng)歷一個(gè)動(dòng)蕩的階段，在預(yù)測時(shí)間窗口內(nèi)甚至下跌了 6%。

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

R語言ARIMA-GARCH波動(dòng)率模型預(yù)測股票市場蘋果公司日收益率時(shí)間序列

左右滑動(dòng)查看更多

01

02

03

04

GARCH

讓我們看看加入GARCH效果是否會(huì)產(chǎn)生更好的結(jié)果。建模過程類似于ARIMA：首先識(shí)別滯后階數(shù)；然后擬合模型并評(píng)估殘差，最后如果模型令人滿意，就用它來預(yù)測。

我們將 AR 滯后和 GARCH 滯后都限制為小于 5。結(jié)果最優(yōu)階為 (4,2,2)。

for?l?in?rage(5): ????for?p?in?rage(1,?5): ????????for?q?in?rage(1,?5): ????????????try: ????????????????mdl?=?arch(is_et,?man='ARX',??vol='Garch',?p=p,?o=0,?q=q,?dist='Nomal') ????????????????fit(last_obs=spldat) ????????????????dc_ic[(l,?p,?q)]?=aic ????????????except: ????????????????pass

接下來讓我們根據(jù)選擇的最佳參數(shù)來擬合模型，如下所示。證實(shí)了均值模型是AR(4)，方差模型是GARCH(2, 2)。一些系數(shù)在統(tǒng)計(jì)上不顯著。

最后但并非最不重要的是，預(yù)測區(qū)間從±4%下降到±3%，然后又反彈到±5%，這清楚地表明了模型的波動(dòng)性集群。請(qǐng)注意，這里是單步滾動(dòng)預(yù)測，應(yīng)該比靜態(tài)的多期預(yù)測要好。

趨勢平穩(wěn)和差分平穩(wěn)

趨勢平穩(wěn)，即確定性趨勢，具有確定性均值趨勢。相反，差分平穩(wěn)具有隨機(jī)趨勢。前者可以用OLS估計(jì)，后者需要先求差分。

考慮一個(gè)簡單的過程

如果 φ<1，則過程是趨勢平穩(wěn)的；也就是說，如果我們減去趨勢 at，則過程變得平穩(wěn)。若φ=1，則差分平穩(wěn)。將第二個(gè)方程代入第一個(gè)方程很容易看出隨機(jī)性，并將方程改寫為

點(diǎn)擊文末?“閱讀原文”

獲取全文完整資料。

本文選自《Python金融時(shí)間序列模型ARIMA 和GARCH 在股票市場預(yù)測應(yīng)用》。

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

金融時(shí)間序列模型ARIMA 和GARCH 在股票市場預(yù)測應(yīng)用
時(shí)間序列分析模型：ARIMA-ARCH / GARCH模型分析股票價(jià)格
R語言ARIMA-GARCH波動(dòng)率模型預(yù)測股票市場蘋果公司日收益率時(shí)間序列
R語言中的時(shí)間序列分析模型：ARIMA-ARCH / GARCH模型分析股票價(jià)格
R語言多元Copula GARCH 模型時(shí)間序列預(yù)測
python中的copula：Frank、Clayton和Gumbel copula模型估計(jì)與可視化
R語言中的copula GARCH模型擬合時(shí)間序列并模擬分析
matlab使用Copula仿真優(yōu)化市場風(fēng)險(xiǎn)數(shù)據(jù)VaR分析
R語言多元Copula GARCH 模型時(shí)間序列預(yù)測
R語言Copula函數(shù)股市相關(guān)性建模：模擬Random Walk(隨機(jī)游走)
R語言實(shí)現(xiàn) Copula 算法建模依賴性案例分析報(bào)告
R語言ARMA-GARCH-COPULA模型和金融時(shí)間序列案例
R語言基于copula的貝葉斯分層混合模型的診斷準(zhǔn)確性研究
R語言COPULA和金融時(shí)間序列案例
matlab使用Copula仿真優(yōu)化市場風(fēng)險(xiǎn)數(shù)據(jù)VaR分析
matlab使用Copula仿真優(yōu)化市場風(fēng)險(xiǎn)
R語言多元CopulaGARCH模型時(shí)間序列預(yù)測
R語言Copula的貝葉斯非參數(shù)MCMC估計(jì)
R語言COPULAS和金融時(shí)間序列R語言乘法GARCH模型對(duì)高頻交易數(shù)據(jù)進(jìn)行波動(dòng)性預(yù)測
R語言GARCH-DCC模型和DCC（MVT）建模估計(jì)
Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模擬進(jìn)行股價(jià)預(yù)測
R語言時(shí)間序列GARCH模型分析股市波動(dòng)率
R語言ARMA-EGARCH模型、集成預(yù)測算法對(duì)SPX實(shí)際波動(dòng)率進(jìn)行預(yù)測
matlab實(shí)現(xiàn)MCMC的馬爾可夫轉(zhuǎn)換ARMA - GARCH模型估計(jì)
Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模擬進(jìn)行股價(jià)預(yù)測
使用R語言對(duì)S＆P500股票指數(shù)進(jìn)行ARIMA + GARCH交易策略
R語言用多元ARMA,GARCH ,EWMA, ETS,隨機(jī)波動(dòng)率SV模型對(duì)金融時(shí)間序列數(shù)據(jù)建模
R語言股票市場指數(shù)：ARMA-GARCH模型和對(duì)數(shù)收益率數(shù)據(jù)探索性分析
R語言多元Copula GARCH 模型時(shí)間序列預(yù)測
R語言使用多元AR-GARCH模型衡量市場風(fēng)險(xiǎn)
R語言中的時(shí)間序列分析模型：ARIMA-ARCH / GARCH模型分析股票價(jià)格
R語言用Garch模型和回歸模型對(duì)股票價(jià)格分析
GARCH（1,1），MA以及歷史模擬法的VaR比較
matlab估計(jì)arma garch 條件均值和方差模型
R語言ARMA-GARCH-COPULA模型和金融時(shí)間序列案例