- 博客(27)
- 收藏
- 关注
RSS订阅原创 时间序列分析-无模型
本节内容介绍了无模型的时间序列分析方法，包括时间序列作趋势图、逐年分解、时间序列分解、直方图、ACF与PACF图，主要是作图。
2024-04-30 19:40:36
396
4
原创 GARCH时间序列滚动模型
本文选用的时间序列数据为某股票1481天内的收盘价数据，如下图所示，第一列为未经处理过的年月日时间，第二列为收盘价数据，在进行正式的模型之前，一定要把时间序列数据处理为内置模型可接受的时间性数据，第二列数据一定要是数值型数据，不能是文本性数据，这也是容易出错的地方。data['交易日期'] = pd.to_datetime(data['交易日期'])data.set_index('交易日期', inplace=True)
2024-04-30 16:33:27
566
1
原创 RSRS（二）四种基于RSRS指标的策略回测研究 (2)
RSRS（Rolling Regression Slope）策略是一种基于时间序列数据的量化交易策略，旨在利用滚动回归分析市场趋势，并根据趋势变化进行交易决策。
2024-04-26 14:20:42
1030
原创 基于ARMA-GARCH模型探究股价的日历效应和节假日效应【思路+代码】
股票数据常常表现出波动性聚焦的特征，选择ARMA-GARCH模型能够捕捉时间序列的波动性，并且能够根据过去的波动性估计未来的波动性，预测效果很优秀，所以这里选择这个模型来拟合深证综指的收盘价数据。其他文章有进一步预测未来波动率的，也有关于结果检验、误差检验的相关文章。不当之处敬请斧正。原文代码可关注gzh‘finance褪黑素’，在gzh下回复关键字【20240312】获取。
2024-03-12 22:28:46
1585
1
原创 节假日效应prophet预测模型和节假日识别错误
节假日效应是指在特定的节假日或纪念日期间，人们的行为和活动发生变化，从而影响到相应的时间序列数据（股票或者其他）。这种效应可能在多个领域产生影响，包括销售、交通、能源消耗等。完整代码和数据可关注gzh’finance褪黑素’回复关键词【1013】免费+无套路 获取！
2024-02-23 19:39:11
1232
1
原创 使用Prophet 模型进行时间序列趋势特征提取和预测（一）
Prophet是由Facebook开发的时间序列预测工具，专为处理具有**趋势、季节性和节假日效应**的数据而设计。它能够捕捉数据的**整体趋势、考虑周期性模式，同时允许用户指定特殊日期的影响**。Prophet简单易用，具有自动检测变化点的功能，同时提供可解释的结果。无论是销售数据、股价还是其他时间序列数据，都可以用prophet进行预测，但更多的是通过prophet提取特征。
2024-01-25 09:08:06
2759
原创 时间序列分析：ARCH、GARCH、TGARCH与DCC-GARCH波动率模型（含代码）
关注TGARCH模型和DCC-GARCH的应用，通过在沪深300和中证500指数上应用TGARCH和DCC-GARCH模型，揭示这两个指数之间的条件异方差及动态相关性的变化规律。
2024-01-23 11:48:45
4842
3
原创 LSTM模型+参数调优应用于时间序列数据（含Python代码）
本文包括数据处理、模型定义与优化参数算法以及模型评估三个主要部分，对代码和流程做了具体解释。代码文件可在gzh‘finance褪黑素'回复关键词【24012202】得到。目录一、数据和minmax标准化二、定义LSTM模型+优化参数算法三、评估一、数据和minmax标准化将数据集df划分为8:2：minmax标准化：在训练深度学习模型，尤其是像LSTM这样的循环神经网络（RNN）时，进行标准化或归一化处理是一种常见的数据预处理。加速收敛： 标准化或归一化可
2024-01-22 11:48:02
3097
原创 时间序列分析与预测：ARIMA-LSTM综合应用股票数据
ARIMA可以捕捉一些线性趋势和季节性，而LSTM可以处理更复杂的模式。将ARIMA和LSTM结合使用，可以提供更全面的序列建模能力，适用于既有线性趋势又有复杂非线性关系的时间序列数据。本文提供了针对股票收盘价时间序列数据实现ARIMA-LSTM模型的Python代码，详细解释了代码每一步的思路和分析结果。（本文没有包含具体的代码，代码文件可在gzh'finance褪黑素'下回复关键词‘240122’获取）
2024-01-22 10:59:54
5257
41
原创 股票数据获取与预测的全面流程：arch-garch、t-garch、多元线性回归、var模型、脉冲响应、协整关系
本文详尽涵盖了从数据准备、分析处理、数据集划分、预测到结果分析的完整流程，包括以下主要步骤：1. 使用efinance库导入全面的股票数据，并通过时序图观察收盘价变化趋势，通过分布图了解收盘价分布特征，并对收盘价数据进行描述性统计分析。2. 检验股票日收益率平方是否存在ARCH效应，并验证数据平稳性。通过绘制ACF与PACF图，获取p值和q值，建立ARMA-GARCH模型。在假设股票收益率服从正态分布的情况下，进行波动率预测。
2024-01-12 12:31:48
1730
2
原创 季节性时间序列模型与多重季节性模型（代码+分析）
SARIMA（Seasonal Autoregressive Integrated Moving Average）模型是一种时间序列预测模型，是ARIMA模型的扩展，用于处理具有季节性的时间序列数据。SARIMA模型在预测和分析季节性数据方面非常有用，它结合了自回归（AR）、差分（I）和移动平均（MA）的概念，以及季节性分析。季节性时间序列模型是一种用于处理时间序列数据中包含季节性模式的方法。上一节中，经过了季节性差分和正规差分后，序列成为了平稳时间序列，则我们可以用ARMA模型对多重差分后的模型建模。
2023-10-16 16:03:53
4526
7
原创 时间序列趋势分析：周期性、季节性、节假日效应
Prophet模型能够捕获时间序列数据中的各种模式，包括周期性（年度、季度、月度、周度）、季节性和节假日效应等，可以生成模型中的各种组成部分，包括趋势、季节性、节假日效应。这有助于解释时间序列数据的趋势和变化。seasonal_decompose 是一个传统的时间序列分解工具，适用于简单的季节性和趋势分析。而Prophet是一个更高级的工具，适用于更复杂的时间序列分析，特别是对于包含多种季节性模式和假日效应的数据。
2023-10-15 18:49:55
2125
1
原创 四种基础时间序列模型的应用与结果分析【AR、MA、ARMA、ARIMA】
本文讲解了四种最简单的时间序列模型，从定义、确立模型、模型应用、结果分析出发，通过阅读可以迅速上手简易的时间序列模型。
2023-10-15 17:10:57
8055
1
原创 时间序列分析基础-描述性统计分析（建模前准备工作，代码+数据）
时间序列是指按照时间顺序排列的一系列数据点的集合。这些数据点通常是按照固定时间间隔或时间点采集的，例如每天、每小时、每分钟或每秒等。对某一个或者一组变量xtx(t)xt进行观察测量，将在一系列时刻t1t2⋯tnt1t2⋯tn所得到的离散数字组成的序列集合，称之为时间序列。例如: 某股票A从2020年6月1日到2022年6月1日之间各个交易日的收盘价，可以构成一个时间序列；某地每天的最高气温可以构成一个时间序列。如果对所有的时刻ttt，任意正整数k。
2023-10-13 14:51:01
1593
原创 Python利用RSI、MACD和20均线图，分析某公司股票的短期价格趋势
本文选取恒瑞医药（股票代码为 'sh.600276' ） 2023-05-01至2023-07-01的收盘价，利用RSI（相对强弱指标）、MACD（移动平均收敛/发散指标）和20均线图来分析某公司股票收盘价的短期趋势。这些技术指标可以提供有关市场价格走势和动能的重要信息，帮助投资者更好地理解股票价格的波动。
2023-08-03 11:06:21
817
原创 蒙特卡洛实例和代码：计算货币对冲组合的var
蒙特卡洛方法是一种通过随机模拟来估计数值的技术。在金融领域，用蒙特卡洛方法计算对冲组合的 VaR是一种常见的风险度量方法。VaR是衡量金融资产或组合可能损失的最大金额的统计指标，在给定的置信水平下。在选出两个币种进行对冲时，需要考虑一些因素，例如这两个币种的相关性和历史表现。通常，对冲的目标是找到两个资产，它们的价格走势在一定程度上是相反的，这样在一个资产表现较差时，另一个资产表现较好，从而减少整体组合的波动性。（1）如何选取对冲组合？根据组合，如何制定对冲比例？
2023-07-28 12:15:48
803
3
原创 异步加载动态网页爬虫：携程网站评论数据
首先导入爬虫所需的库。requests库是一个常用的HTTP请求库，用于向网站发送请求并获取响应。可以使用该库设置请求头（Headers），并获取页面内容。lxml是Python中另一个常用的XML和HTML解析库。它提供了高效且灵活的解析器，用于处理XML和HTML文档。lxml的解析速度非常快，并且支持XPath和CSS选择器，使得数据提取和定位元素变得更加简单和方便。简而言之，requests库用于得到网页的页面内容，lxml库用于提取我们需要的数据。import csv。
2023-07-26 21:12:10
2490
1
原创 基于MODWT-WRA对BCOMTR指数进⾏股票溢价预测
本文针对从Bloomberg上下载的 54个指数日交易收盘价数据，利用Python3.8，在jupyter nootbok上进行各指数溢价的测算，并结合modwt wra对溢价时间序列进行预测和分析。将BCOMTR指数价格序列应用于MODWT（Modulus Maxima Wavelet Transform）算法，该算法能够将价格信号分解为不同的尺度和频率成分。通过多尺度分析，可以揭示股票价格中的不同时间尺度上的变化模式。
2023-07-24 16:43:43
168
原创 Python爬虫案例：简单获取股票、指数、三大报表数据
爬取股票、指数和三大报表数据的目的和意义在于获取金融市场和上市公司的实时和历史数据，以供进一步分析、研究和决策。通过爬取股票数据，我们可以追踪股票价格的变化和波动，识别潜在的投资机会和风险，从而进行有效的股票交易。爬取指数数据可以帮助我们了解整个市场的走势和表现，监测市场整体风险和趋势，为资产配置和投资决策提供重要参考。
2023-07-22 09:44:39
7072
7
原创 时间序列预测(arima_xgboost_lstm_fbprop)-以bitcoin比特币价格为例
本实验案例主要采用EDA、特征工程，并使用随机、机器学习和深度学习模型来预测比特币价格，并进行arima/xgboost/lstm/fbprop等模型的预测性能对比
2023-07-19 12:39:35
767
原创 金融时间序列分析：Python基于garch模型预测上证指数波动率、计算var和var穿透率、双尾检验
本文的研究内容包括以下几个方面：1.选择上证指数，利用对波动率进行预测；2.在假设收益率满足正态分布的条件下，利用预测的波动率动态；3.选取适合的重尾分布（如t分布或Gumbel分布），假设收益率满足该分布，利用预测的波动率动态；4.在以上分析的基础上，进行；5.统计正态分布和重尾分布条件下的，并进行。本文围绕上述问题包含了一整套研究的流程，包括对数据的平稳性检验、残差检验、相关性分析、模型的定阶等。文字通俗易懂，全面地指导了研究的进行，特别适合新手快速上手。一、收益率波动效应的分析。
2023-07-12 14:34:14
8703
13
滚动garch模型Rolling GARCH
2024-04-30
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人