Як реалізувати моделі GARCH у Python

Моделі GARCH у Python

Chelsea Yang

Data Science Instructor

Пакет 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

Робочий процес

Розробіть модель GARCH у три кроки:

Задайте модель
Оцініть модель
Зробіть прогноз

Специфікація моделі

Припущення моделі:

Розподіл: "normal" (типово), "t", "skewt"
Модель середнього: "constant" (типово), "zero", "AR"
Модель волатильності: "GARCH" (типово), "ARCH", "EGARCH"

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

Оцінювання моделі

Показувати результат оцінювання після кожних n ітерацій:

gm_result = gm_model.fit(update_freq = 4)

Процес оцінювання моделі

Вимкнути показ:

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

Оцінені результати: параметри

Оцінено «методом максимальної правдоподібності»

print(gm_result.params)

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

Оцінені результати: зведення

print(gm_result.summary())

Зведення результатів оцінювання

Оцінені результати: графіки

gm_result.plot()

Графіки оцінок моделі

Прогнозування моделі

# 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 у рядку «2019-10-10»: прогноз на 1 крок уперед, зроблений на основі даних до цієї дати включно

Давайте потренуємось!

Моделі GARCH у Python