Prognoza kroczącego okna GARCH

Modele GARCH w Pythonie

Chelsea Yang

Data Science Instructor

Kroczące okno w prognozowaniu poza próbką

Ekscytujący element modelowania finansowego: przewidywanie nieznanego

Ilustracja prognozowania

Prognoza kroczącego okna: wielokrotne dopasowywanie modelu i prognozowanie w miarę upływu czasu

Okno kroczące

Prognoza z rozszerzającym się oknem

Ciągłe dodawanie nowych punktów danych do próbki

Prognoza z rozszerzającym się oknem

Zalety prognozy kroczącego okna

Unikanie błędu spojrzenia wstecz
Mniejsza podatność na przeuczenie
Dostosowanie prognozy do nowych obserwacji

Implementacja prognozy z rozszerzającym się oknem

Prognoza z rozszerzającym się 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

Prognoza ze stałym oknem kroczącym

Nowe punkty danych są dodawane, a stare usuwane z próbki

Prognoza ze stałym oknem kroczącym

Implementacja prognozy ze stałym oknem kroczącym

Prognoza ze stałym oknem kroczącym:

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 określić szerokość okna

Zazwyczaj określana indywidualnie dla każdego przypadku

Zbyt szeroke okno: uwzględnia przestarzałe dane, co może zwiększyć wariancję
Zbyt wąskie okno: pomija istotne dane, co może zwiększyć obciążenie

Optymalna szerokość okna: kompromis między obciążeniem a wariancją

Ilustracja równoważenia

Czas na ćwiczenia!

Modele GARCH w Pythonie