GARCH 롤링 윈도우 예측

Python으로 배우는 GARCH 모델

Chelsea Yang

Data Science Instructor

샘플 외 예측을 위한 롤링 윈도우

금융 모형의 흥미로운 부분: 미지수를 예측하기

예측 이미지

롤링 윈도우 예측: 시간이 지남에 따라 모델 적합과 예측을 반복 수행

확장 윈도우 예측

표본에 새 데이터를 계속 추가합니다

확장 윈도우 예측

롤링 윈도우 예측의 동기

룩백 바이어스 방지
과적합에 덜 민감
새 관측치에 맞춰 예측을 갱신

확장 윈도우 예측 구현

확장 윈도우 예측:

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

고정 롤링 윈도우 예측

새 데이터는 추가하고 오래된 데이터는 표본에서 제외합니다

고정 롤링 윈도우 예측

고정 롤링 윈도우 예측 구현

고정 롤링 윈도우 예측:

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

창 크기 결정 방법

보통 사례별로 결정합니다

창이 너무 크면: 오래된 데이터 포함 → 분산 증가 가능
창이 너무 작으면: 유의한 데이터 제외 → 편향 증가 가능

최적 창 크기: 편향-분산 균형의 트레이드오프

균형 설명 이미지

연습해 봅시다!

Python으로 배우는 GARCH 모델