Prévision à fenêtre roulante GARCH

Modèles GARCH en Python

Chelsea Yang

Data Science Instructor

Fenêtre roulante pour la prévision hors échantillon

Une facette passionnante de la modélisation financière : prédire l'inconnu

Art de la prédiction

Fenêtre roulante : ajuster et prévoir à répétition au fil du temps

Roulant

Modèles GARCH en Python

Prévision à fenêtre extensible

Ajouter en continu de nouveaux points de données à l'échantillon

Prévision à fenêtre extensible

Modèles GARCH en Python

Pourquoi utiliser une fenêtre roulante

  • Éviter le biais de regard en arrière
  • Moins sujette au surapprentissage
  • Adapter la prévision aux nouvelles observations
Modèles GARCH en Python

Implémenter une fenêtre extensible

Fenêtre extensible :

for i in range(120):
    gm_result = basic_gm.fit(first_obs = start_loc, 
                             last_obs = i + end_loc, disp = 'off')
    temp_result = gm_result.forecast(horizon = 1).variance
Modèles GARCH en Python

Prévision à fenêtre roulante fixe

De nouveaux points sont ajoutés tandis que les anciens sortent de l'échantillon

Prévision à fenêtre roulante fixe

Modèles GARCH en Python

Implémenter une fenêtre roulante fixe

Fenêtre roulante fixe :

for i in range(120):
    # Specify rolling window range for model fitting
    gm_result = basic_gm.fit(first_obs = i + start_loc, 
                             last_obs = i + end_loc, disp = 'off')
    temp_result = gm_result.forecast(horizon = 1).variance
Modèles GARCH en Python

Comment déterminer la taille de la fenêtre

Généralement déterminée au cas par cas

  • Fenêtre trop large : données obsolètes, variance plus élevée

  • Fenêtre trop étroite : données pertinentes exclues, biais plus élevé

Taille optimale : compromis entre biais et variance

Illustration de l'équilibre

Modèles GARCH en Python

Passons à la pratique !

Modèles GARCH en Python

Preparing Video For Download...