GARCH时间序列滚动模型

2024-04-30 19:28

本文主要是介绍GARCH时间序列滚动模型,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

滚动模型是一种经济模型,用于描述经济中的决策和动态调整。它通常用于分析长期决策的影响,并考虑在不同时间点上的变化和调整。
本文主要是ARIMA、garch滚动模型的解释和基础代码,原文数据可通过下方链接获取,代码可关注gzh‘finance褪黑素’回复【20240430】获取。

一、数据介绍

本文选用的时间序列数据为某股票1481天内的收盘价数据,如下图所示,第一列为未经处理过的年月日时间,第二列为收盘价数据,在进行正式的模型之前,一定要把时间序列数据处理为内置模型可接受的时间性数据,第二列数据一定要是数值型数据,不能是文本性数据,这也是容易出错的地方。

在这里插入图片描述

将第一列数据变为时间数据:

data['交易日期'] = pd.to_datetime(data['交易日期'])
data.set_index('交易日期', inplace=True)

有划分训练集和测试集来验证模型准确需要的可加如下代码:

train_start = '2018-03-01'
train_end = '2022-02-28'
test_start = '2023-03-01'
test_end = '2024-04-08'train_data = data[train_start:train_end]['日收盘价']
test_data = data[test_start:test_end]['日收盘价']

这样train_data和test_data都变成有时间标签index的收盘价数据了

二、滑动garch模型

代码逻辑:首先,通过循环遍历每个测试期间的开始到结束日期,训练数据是从当前测试月份的开始日期往前推36个月的数据(开始时间),结束时期是从开始日期经过滑动窗口的长度后的日期,根据日期从整个集中数据中选择当前窗口内的训练数据,这些数据通常是用来模型的。
利用选定的训练数据,建立了GARCH模型,这是一种用于预测波动率的模型。
使用已完成的模型进行预测,得到一个时间步长为1的预测序列,将每个月的波动率预测结果添加到rolling_predictions列表中,最后输出每个月的波动率预测结果。

rolling_predictions = []
for test_month_start in pd.date_range(test_start, test_end, freq='MS'):test_month_end = test_month_start + pd.offsets.MonthEnd(0)train_end_window = test_month_starttrain_start_window = train_end_window - pd.offsets.MonthBegin(36)#向前移动一个月train_set = data[train_start_window:train_end_window]['日收盘价']model = arch_model(train_set, vol='Garch', p=1, q=1)model_fit = model.fit()forecast = model_fit.forecast(horizon=1)forecast_variance = forecast.variance.values.squeeze()rolling_predictions.append(forecast_variance)
print("Rolling Predictions:")
for prediction in rolling_predictions:print(prediction)

具体完整代码可关注gzh‘finance褪黑素’回复关键词【20240430】获取,数据可通过下方链接获取。

这篇关于GARCH时间序列滚动模型的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/949716

相关文章

go中的时间处理过程

《go中的时间处理过程》:本文主要介绍go中的时间处理过程,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录1 获取当前时间2 获取当前时间戳3 获取当前时间的字符串格式4 相互转化4.1 时间戳转时间字符串 (int64 > string)4.2 时间字符串转时间

Golang如何对cron进行二次封装实现指定时间执行定时任务

《Golang如何对cron进行二次封装实现指定时间执行定时任务》:本文主要介绍Golang如何对cron进行二次封装实现指定时间执行定时任务问题,具有很好的参考价值,希望对大家有所帮助,如有错误... 目录背景cron库下载代码示例【1】结构体定义【2】定时任务开启【3】使用示例【4】控制台输出总结背景

C++ 函数 strftime 和时间格式示例详解

《C++函数strftime和时间格式示例详解》strftime是C/C++标准库中用于格式化日期和时间的函数,定义在ctime头文件中,它将tm结构体中的时间信息转换为指定格式的字符串,是处理... 目录C++ 函数 strftipythonme 详解一、函数原型二、功能描述三、格式字符串说明四、返回值五

从基础到进阶详解Pandas时间数据处理指南

《从基础到进阶详解Pandas时间数据处理指南》Pandas构建了完整的时间数据处理生态,核心由四个基础类构成,Timestamp,DatetimeIndex,Period和Timedelta,下面我... 目录1. 时间数据类型与基础操作1.1 核心时间对象体系1.2 时间数据生成技巧2. 时间索引与数据

html 滚动条滚动过快会留下边框线的解决方案

《html滚动条滚动过快会留下边框线的解决方案》:本文主要介绍了html滚动条滚动过快会留下边框线的解决方案,解决方法很简单,详细内容请阅读本文,希望能对你有所帮助... 滚动条滚动过快时,会留下边框线但其实大部分时候是这样的,没有多出边框线的滚动条滚动过快时留下边框线的问题通常与滚动条样式和滚动行

详解如何使用Python从零开始构建文本统计模型

《详解如何使用Python从零开始构建文本统计模型》在自然语言处理领域,词汇表构建是文本预处理的关键环节,本文通过Python代码实践,演示如何从原始文本中提取多尺度特征,并通过动态调整机制构建更精确... 目录一、项目背景与核心思想二、核心代码解析1. 数据加载与预处理2. 多尺度字符统计3. 统计结果可

SpringBoot整合Sa-Token实现RBAC权限模型的过程解析

《SpringBoot整合Sa-Token实现RBAC权限模型的过程解析》:本文主要介绍SpringBoot整合Sa-Token实现RBAC权限模型的过程解析,本文给大家介绍的非常详细,对大家的学... 目录前言一、基础概念1.1 RBAC模型核心概念1.2 Sa-Token核心功能1.3 环境准备二、表结

利用Python实现时间序列动量策略

《利用Python实现时间序列动量策略》时间序列动量策略作为量化交易领域中最为持久且被深入研究的策略类型之一,其核心理念相对简明:对于显示上升趋势的资产建立多头头寸,对于呈现下降趋势的资产建立空头头寸... 目录引言传统策略面临的风险管理挑战波动率调整机制:实现风险标准化策略实施的技术细节波动率调整的战略价

uniapp小程序中实现无缝衔接滚动效果代码示例

《uniapp小程序中实现无缝衔接滚动效果代码示例》:本文主要介绍uniapp小程序中实现无缝衔接滚动效果的相关资料,该方法可以实现滚动内容中字的不同的颜色更改,并且可以根据需要进行艺术化更改和自... 组件滚动通知只能实现简单的滚动效果,不能实现滚动内容中的字进行不同颜色的更改,下面实现一个无缝衔接的滚动

Python日期和时间完全指南与实战

《Python日期和时间完全指南与实战》在软件开发领域,‌日期时间处理‌是贯穿系统设计全生命周期的重要基础能力,本文将深入解析Python日期时间的‌七大核心模块‌,通过‌企业级代码案例‌揭示最佳实践... 目录一、背景与核心价值二、核心模块详解与实战2.1 datetime模块四剑客2.2 时区处理黄金法