Jak implementować modele GARCH w Pythonie

Modele GARCH w Pythonie

Chelsea Yang

Data Science Instructor

Pakiet Python "arch"

from arch import arch_model

¹ Kevin Sheppard. (2019, March 28). bashtage/arch: Release 4.8.1 (Version 4.8.1). Zenodo. http://doi.org/10.5281/zenodo.2613877

Workflow

Budowanie modelu GARCH w trzech krokach:

Specyfikacja modelu
Dopasowanie modelu
Sporządzenie prognozy

Specyfikacja modelu

Założenia modelu:

Rozkład: "normal" (domyślny), "t", "skewt"
Model średniej: "constant" (domyślny), "zero", "AR"
Model zmienności: "GARCH" (domyślny), "ARCH", "EGARCH"

basic_gm = arch_model(sp_data['Return'], p = 1, q = 1, 
                      mean = 'constant', vol = 'GARCH', dist = 'normal')

Dopasowanie modelu

Wyświetlanie wyników dopasowania co n iteracji:

gm_result = gm_model.fit(update_freq = 4)

Proces dopasowania modelu

Wyłączenie wyświetlania:

gm_result = gm_model.fit(disp = 'off')

Wyniki dopasowania: parametry

Estymacja metodą "największej wiarygodności"

print(gm_result.params)

mu          0.077239
omega       0.039587
alpha[1]    0.167963
beta[1]     0.786467
Name: params, dtype: float64

Wyniki dopasowania: podsumowanie

print(gm_result.summary())

Podsumowanie wyników dopasowania modelu

Wyniki dopasowania: wykresy

gm_result.plot()

Wykresy estymacji modelu

Prognozowanie modelem

# Make 5-period ahead forecast
gm_forecast = gm_result.forecast(horizon = 5)

# Print out the last row of variance forecast
print(gm_forecast.variance[-1:])

                 h.1       h.2       h.3       h.4       h.5
Date                                                        
2019-10-10  0.994079  0.988366  0.982913  0.977708  0.972741

h.1 w wierszu "2019-10-10": prognoza 1 krok naprzód sporządzona na podstawie danych do tej daty włącznie

Czas na ćwiczenia!

Modele GARCH w Pythonie