GARCH-voorspelling met rolling window

GARCH-modellen in Python

Chelsea Yang

Data Science Instructor

Rolling window voor out-of-sample voorspellen

Een spannend deel van financieel modelleren: het onbekende voorspellen

Voorspellingsillustratie

Rolling window-voorspelling: herhaald model fitten en voorspellen terwijl de tijd doorschuift

Rolling

Expanding window-voorspelling

Blijf nieuwe datapunten aan de steekproef toevoegen

Expanding window-voorspelling

Waarom een rolling window gebruiken

Vermijd lookback-bias
Minder vatbaar voor overfitting
Past voorspellingen aan nieuwe observaties aan

Expanding window implementeren

Expanding window-voorspelling:

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

Vast rolling window-voorspelling

Nieuwe datapunten worden toegevoegd terwijl oude uit de steekproef vallen

Voorspelling met vast rolling window

Vast rolling window implementeren

Vast rolling window-voorspelling:

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

Hoe bepaal je de windowgrootte

Meestal per geval bepaald

Te brede window: bevat verouderde data → hogere variantie
Te smalle window: mist relevante data → hogere bias

Optimale window: trade-off tussen bias en variantie

Illustratie van balans

Laten we oefenen!

GARCH-modellen in Python