GARCH kayan pencere tahmini

Python ile GARCH Modelleri

Chelsea Yang

Data Science Instructor

Örnek dışı tahmin için kayan pencere

Finansal modellemenin heyecanlı kısmı: bilinmeyeni tahmin etmek

Tahmin görseli

Kayan pencere tahmini: zaman ilerledikçe modeli tekrar tekrar kurup tahmin yapma

Kayan

Genişleyen pencere tahmini

Örneğe sürekli yeni veri noktaları ekleyin

Genişleyen pencere tahmini

Kayan pencere tahmini motivasyonları

Geriye bakış yanlılığını önler
Aşırı uyuma daha az yatkın
Yeni gözlemlere uyum sağlar

Genişleyen pencere tahminini uygulama

Genişleyen pencere tahmini:

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

Sabit kayan pencere tahmini

Yeni veri noktaları eklenir, eskileri örnekten çıkarılır

Sabit kayan pencere tahmini

Sabit kayan pencere tahminini uygulama

Sabit kayan pencere tahmini:

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

Pencere boyutu nasıl belirlenir

Genelde duruma göre belirlenir

Pencere çok geniş: eski veriler dâhil olur, varyans artabilir
Pencere çok dar: ilgili veriler dışarıda kalır, sapma artabilir

En iyi pencere: sapma–varyans dengesi

Dengeleme görseli

Hadi pratik yapalım!

Python ile GARCH Modelleri