Python金融时间序列模型ARIMA 和GARCH 在股票市场预测应用

原文链接：http://tecdat.cn/?p=24407

介绍

一个 ARMA (AutoRegressive-Moving Average)") 有两部分，AR(p)部分和MA(q)部分，表示如下

其中 L 是滞后算子，ϵi 是白噪声。它可以通过 Box-Jenkins method. 我们可能会使用 PACF 绘制识别 AR 滞后阶数 p，和 ACF 图以识别 MA 滞后阶数 q；或使用信息，例如 AIC 和 BIC 做模型选择。

ARIMA (AutoRegressive Integrated Moving Average)") 是 ARMA 的拓展，通过为非平稳过程添加阶数为 d 的积分部分。

ARIMA是针对价格水平或收益率的，而GARCH（广义自回归条件异方差）则试图对波动率或收益率平方的聚类进行建模。它将ARMA项扩展到方差方面。

作为随机波动率模型的离散版本，GARCH也能捕捉到股票市场的厚尾效应。因此，将ARIMA和GARCH结合起来，预计在模拟股票价格时比单独一个模型更适合。在这篇文章中，我们将把它们应用于标普500指数的价格。

ARIMA

首先，众所周知，股票价格不是平稳的；而收益可能是平稳的。ADF单位根检验结果。

# 价格是已知的非平稳的；收益是平稳的import adfullerrsut = aduler(close)prnt(f'ADF Satitic: {reslt\[\]}, pale: {rslt1\]}')  # null 假设：单位根存在；不能拒绝 null。relt = adfler(histet)prnt(f'ADF Statistic: {reut\[0\]}, pvaue: {rslt\[1\]}')   # 拒绝单位根的空假设 ==> 平稳

收益序列的 ADF p 值为 0，拒绝单位根的原假设。因此，我们在 ARIMA(p, d, q) 中接受 d=1，下一步是识别滞后 p 和 q。ACF 和 PACF 图表明滞后最多 35 个工作日。如果我们按照图表进行拟合，将有太多参数无法拟合。一种解决方案是使用每周或每月图表。在这里，我们将最大滞后时间限制为 5 天，并使用 AIC 选择最佳模型。

for p in rage(6):for q in rage(6):ry:mft = fit(disp=0)            ic\[(p, q)\] = fiaic        except:            pass

下一步是拟合模型并通过残差统计评估模型拟合。残差仍然显示出一些自相关，并且没有通过正态性检验。由于滞后阶数限制，这在某种程度上是预料之中的。

尽管如此，让我们继续最后一步并使用模型进行预测。下面比较了对测试集的收益率预测和实际收益率。

收益率预测以 0% 为中心，置信区间在 ±2% 之间。结果并不是特别令人印象深刻。毕竟，市场正在经历一个动荡的阶段，在预测时间窗口内甚至下跌了 6%。