Python金融时间序列模型ARIMA 和GARCH 在股票市场预测应用

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 adfuller

rsut = 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%。

点击标题查阅往期内容

R语言ARIMA-GARCH波动率模型预测股票市场苹果公司日收益率时间序列

左右滑动查看更多

01

02

03

04

GARCH

让我们看看加入GARCH效果是否会产生更好的结果。建模过程类似于ARIMA：首先识别滞后阶数；然后拟合模型并评估残差，最后如果模型令人满意，就用它来预测。

我们将 AR 滞后和 GARCH 滞后都限制为小于 5。结果最优阶为 (4,2,2)。

for l in rage(5):

for p in rage(1, 5):

for q in rage(1, 5):

try:

mdl = arch(is_et, man='ARX', vol='Garch', p=p, o=0, q=q, dist='Nomal')

fit(last_obs=spldat)

dc_ic[(l, p, q)] =aic

except:

pass

接下来让我们根据选择的最佳参数来拟合模型，如下所示。证实了均值模型是AR(4)，方差模型是GARCH(2, 2)。一些系数在统计上不显着。

最后但并非最不重要的是，预测区间从±4%下降到±3%，然后又反弹到±5%，这清楚地表明了模型的波动性集群。请注意，这里是单步滚动预测，应该比静态的多期预测要好。

趋势平稳和差分平稳

趋势平稳，即确定性趋势，具有确定性均值趋势。相反，差分平稳具有随机趋势。前者可以用OLS估计，后者需要先求差分。

考虑一个简单的过程

如果 φ