GARCH时间序列滚动模型

滚动模型是一种经济模型，用于描述经济中的决策和动态调整。它通常用于分析长期决策的影响，并考虑在不同时间点上的变化和调整。
本文主要是ARIMA、garch滚动模型的解释和基础代码，原文数据可通过下方链接获取，代码可关注gzh‘finance褪黑素’回复【20240430】获取。

一、数据介绍

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。

将第一列数据变为时间数据：

data['交易日期'] = pd.to_datetime(data['交易日期'])
data.set_index('交易日期', inplace=True)

有划分训练集和测试集来验证模型准确需要的可加如下代码：

train_start = '2018-03-01'
train_end = '2022-02-28'
test_start = '2023-03-01'
test_end = '2024-04-08'

train_data = data[train_start:train_end]['日收盘价']
test_data = data[test_start:test_end]['日收盘价']

这样train_data和test_data都变成有时间标签index的收盘价数据了

二、滑动garch模型

代码逻辑：首先，通过循环遍历每个测试期间的开始到结束日期，训练数据是从当前测试月份的开始日期往前推36个月的数据（开始时间），结束时期是从开始日期经过滑动窗口的长度后的日期，根据日期从整个集中数据中选择当前窗口内的训练数据，这些数据通常是用来模型的。
利用选定的训练数据，建立了GARCH模型，这是一种用于预测波动率的模型。
使用已完成的模型进行预测，得到一个时间步长为1的预测序列，将每个月的波动率预测结果添加到rolling_predictions列表中，最后输出每个月的波动率预测结果。

rolling_predictions = []
for test_month_start in pd.date_range(test_start, test_end, freq='MS'):
    test_month_end = test_month_start + pd.offsets.MonthEnd(0)
    train_end_window = test_month_start
    train_start_window = train_end_window - pd.offsets.MonthBegin(36)#向前移动一个月
    train_set = data[train_start_window:train_end_window]['日收盘价']
    model = arch_model(train_set, vol='Garch', p=1, q=1)
    model_fit = model.fit()
    forecast = model_fit.forecast(horizon=1)
    forecast_variance = forecast.variance.values.squeeze()
    rolling_predictions.append(forecast_variance)
print("Rolling Predictions:")
for prediction in rolling_predictions:
    print(prediction)

具体完整代码可关注gzh‘finance褪黑素’回复关键词【20240430】获取，数据可通过下方链接获取。