利用tushare-pro进行时间序列分析

利用tushare-pro进行时间序列分析

tushare-id：371594

一些预备知识

我们称一个时间序列 { x t } \left\{ {{x}_{t}} \right\} {xt​}，满足
称其服从$GARCH\left(m,s\right)$模型，即广义自回归条件异方差模型。其中，${\mu }_t$为均值项，$a_t$为残差项，$a_t$的条件方差是时变的，即条件异方差。${a^2}_{t-i}$是 ARCH项，反映第前$i$期的新消息；${{\sigma }^2}_{t-i}$ 是条件方差即 GARCH 项，是对第前$j$期方差的预测。同时，各项的系数应该满足非负条件。

准备工作，导入需要的包

import pandas as pd
import numpy as np
import statsmodels.tsa.api as smt     
#tsa为Time Series analysis缩写
import statsmodels.api as sm
import scipy.stats as scs
from arch import arch_model
#画图
import matplotlib.pyplot as plt
import matplotlib as mpl
%matplotlib inline
#正常显示画图时出现的中文和负号
from pylab import mpl
mpl.rcParams['font.sans-serif']=['SimHei']
mpl.rcParams['axes.unicode_minus']=False

登录tushare

import tushare as ts
token='输入你的token'
pro=ts.pro_api(token)

编写函数反映金融数据特征

def ts_plot(data, lags=None,title=''):
    if not isinstance(data, pd.Series):   
        data = pd.Series(data)
    #matplotlib官方提供了五种不同的图形风格，
    #包括bmh、ggplot、dark_background、
    #fivethirtyeight和grayscale
    with plt.style.context('ggplot'):    
        fig = plt.figure(figsize=(10, 8))
        layout = (3, 2)
        ts_ax = plt.subplot2grid(layout, (0, 0))
        acf_ax = plt.subplot2grid(layout, (1, 0))
        pacf_ax = plt.subplot2grid(layout, (1, 1))
        qq_ax = plt.subplot2grid(layout, (2, 0))
        pp_ax = plt.subplot2grid(layout, (2, 1))
        data.plot(ax=ts_ax)
        ts_ax.set_title(title+'时序图')
        smt.graphics.plot_acf(data, lags=lags,
              ax=acf_ax, alpha=0.5)
        acf_ax.set_title('自相关系数')
        smt.graphics.plot_pacf(data, lags=lags,
             ax=pacf_ax, alpha=0.5)
        pacf_ax.set_title('偏自相关系数')
        sm.qqplot(data, line='s', ax=qq_ax)
        qq_ax.set_title('QQ 图')        
        scs.probplot(data, sparams=(data.mean(), 
          data.std()), plot=pp_ax)
        pp_ax.set_title('PP 图') 
        plt.tight_layout()
    return

调用tusharepro数据，进行分析

df=pro.index_daily(ts_code='000300.SH')#调用沪深300指数日线情况
df.index=pd.to_datetime(df.trade_date)#换时间戳
df=df.sort_index()#按照index排序
df['ret']=np.log(df.close/df.close.shift(1))#计算ret率
#df.head()
ts_plot(df.ret.dropna(),lags=30,title='沪深300收益率')

结果

从上图可以看出，沪深300指数收益率时间序列呈现出以下几个现象，具有一定的普遍性。

自相关性比较弱，但对其进行变换后，如取平方、绝对值等，则表现出很强的自相关性（见后文）；

收益率的条件方差（Conditional Variance）随着时间而变化，即存在条件异方差的特征。

收益率序列的波动具有持续性，即存在波动集聚（Volatility Clustering）的现象。比如2007-2008、2015-2016、2019具有较大的波动性。

QQ图显示，收益率并不服从正态分布，极端值较多，具有厚尾的现象。

GARCH模型

模拟garch（1，1）模型

# 模拟GARCH(1, 1) 过程
np.random.seed(1)
a0 = 0.2
a1 = 0.5
b1 = 0.3
n = 10000
w = np.random.normal(size=n)
garch = np.zeros_like(w)
sigsq = np.zeros_like(w)
for i in range(1, n):
    sigsq[i] = a0 + a1*(garch[i-1]**2) + b1*sigsq[i-1]
    garch[i] = w[i] * np.sqrt(sigsq[i])
_ = ts_plot(garch, lags=30,title='模拟GARCH')

使用模拟的数据，进行模型拟合

#update_freq=0表示不输出中间结果，只输出最终结果

# 使用模拟的数据进行 GARCH(1, 1) 模型拟合
#arch_model默认建立GARCH（1,1）模型
am = arch_model(garch)
res = am.fit(update_freq=0)

print(res.summary())

拟合沪深300收益率数据

Y=ret*100.0
am = arch_model(Y,p=1, o=1, q=1, dist='StudentsT')
res = am.fit(update_freq=0)
#update_freq=0表示不输出中间结果，只输出最终结果
print(res.summary())

res.resid.plot(figsize=(12,5))
plt.title('沪深300收益率拟合GARCH(1,1)残差',size=15)
plt.show()
res.conditional_volatility.plot(figsize=(12,5),color='r')
plt.title('沪深300收益率条件方差',size=15)
plt.show()