Prakiraan jendela bergulir GARCH

Model GARCH di Python

Chelsea Yang

Data Science Instructor

Jendela bergulir untuk prakiraan out-of-sample

Bagian menarik dari pemodelan keuangan: memprediksi yang tidak diketahui

Seni prediksi

Prakiraan jendela bergulir: berulang kali memfitting model dan memprakirakan saat waktu maju

Bergulir

Model GARCH di Python

Prakiraan jendela meluas

Terus menambahkan titik data baru ke sampel

Prakiraan jendela meluas

Model GARCH di Python

Motivasi prakiraan jendela bergulir

  • Hindari lookback bias
  • Kurang rentan overfitting
  • Menyesuaikan prakiraan dengan observasi baru
Model GARCH di Python

Implementasi prakiraan jendela meluas

Prakiraan jendela meluas:

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
Model GARCH di Python

Prakiraan jendela bergulir tetap

Titik data baru ditambahkan sementara yang lama dikeluarkan dari sampel

Prakiraan jendela bergulir tetap

Model GARCH di Python

Implementasi prakiraan jendela tetap

Prakiraan jendela bergulir tetap:

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
Model GARCH di Python

Menentukan ukuran jendela

Biasanya ditentukan per kasus

  • Jendela terlalu lebar: memasukkan data usang, menaikkan varians

  • Jendela terlalu sempit: mengecualikan data relevan, menaikkan bias

Ukuran jendela optimal: kompromi bias–varians

Ilustrasi penyeimbangan

Model GARCH di Python

Ayo berlatih!

Model GARCH di Python

Preparing Video For Download...