Så implementerar du GARCH-modeller i Python

GARCH-modeller i Python

Chelsea Yang

Data Science Instructor

Python-paketet "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

Arbetsflöde

Bygg en GARCH-modell i tre steg:

Specificera modellen
Anpassa modellen
Gör en prognos

Modellspecifikation

Modellantaganden:

Fördelning: "normal" (standard), "t", "skewt"
Medelvärdesmodell: "constant" (standard), "zero", "AR"
Volatilitetsmodell: "GARCH" (standard), "ARCH", "EGARCH"

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

Modellanpassning

Visa anpassningsutdata var n:te iteration:

gm_result = gm_model.fit(update_freq = 4)

Modellens anpassningsprocess

Stäng av visningen:

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

Anpassade resultat: parametrar

Skattas med "maximum likelihood-metoden"

print(gm_result.params)

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

Anpassade resultat: sammanfattning

print(gm_result.summary())

Sammanfattning av modellanpassningens resultat

Anpassade resultat: diagram

gm_result.plot()

Diagram över modellskattningar

Modellprognos

# 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 på raden "2019-10-10": prognos 1 steg framåt baserad på data t.o.m. det datumet

Nu kör vi en övning!

GARCH-modeller i Python