GARCH prognóza s klouzavým oknem

GARCH modely v Pythonu

Chelsea Yang

Data Science Instructor

Klouzavé okno pro prognózu mimo vzorek

Zajímavá část finančního modelování: předvídat neznámé

Ilustrace predikce

Prognóza s klouzavým oknem: opakované fitování modelu a prognózování s postupem času

Klouzavé okno

Prognóza s rozšiřujícím se oknem

Nové datové body jsou průběžně přidávány do vzorku

Prognóza s rozšiřujícím se oknem

Motivace pro prognózu s klouzavým oknem

Vyhnutí se zkreslení zpětným pohledem
Menší náchylnost k přetrénování
Přizpůsobení prognózy novým pozorováním

Implementace prognózy s rozšiřujícím se oknem

Prognóza s rozšiřujícím se oknem:

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

Prognóza s pevným klouzavým oknem

Nové datové body jsou přidávány, zatímco staré jsou ze vzorku odstraněny

Prognóza s pevným klouzavým oknem

Implementace prognózy s pevným klouzavým oknem

Prognóza s pevným klouzavým oknem:

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

Jak určit velikost okna

Obvykle se určuje případ od případu

Příliš široké okno: zahrnuje zastaralá data, která mohou zvýšit rozptyl
Příliš úzké okno: vylučuje relevantní data, která mohou zvýšit zkreslení

Optimální velikost okna: kompromis mezi zkreslením a rozptylem

Ilustrace rovnováhy

Pojďme procvičovat!

GARCH modely v Pythonu