关于Python的ARCH包（八）

最新推荐文章于 2024-08-04 16:15:09 发布
最新推荐文章于 2024-08-04 16:15:09 发布
阅读量4.7k 收藏 26
点赞数 2
分类专栏： ARCH Python GARCH
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/liuxoxo/article/details/87280888
版权
ARCH 同时被 3 个专栏收录
11 篇文章 28 订阅
订阅专栏
GARCH
7 篇文章 2 订阅
订阅专栏
Python
6 篇文章 0 订阅
订阅专栏

1.7 波动率过程

波动率过程用于添加到均值模型来捕获时变的波动性。

1.7.1 常数方差

class arch.univariate.ConstantVariance[source]

常数波动率过程

注意：

模型在所有期间具有相同方差

backcast(resids)[source]

构建回测值来启动递归

Parameters:resids (ndarray) – 残差向量 (接近)
Returns:backcast – 在波动率递归回测中使用的值
Return type:浮点（float）

bounds(resids)[source]

参数的收益率边界

Parameters:resids (ndarray) – 残差向量 (接近)
Returns:bounds –最大最小值的边界列表 (lower, upper).
Return type:list[tuple[float,float]]

compute_variance(parameters, resids, sigma2, backcast, var_bounds)[source]

计算ARCH模型的方差

Parameters:
  • parameters (ndarray) –模型参数
  • resids (ndarray) – 0均值方差向量
  • sigma2 (ndarray) – 与残差同样大小的数组，用来存储条件方差。
  • backcast ({float, ndarray}) – 初始化ARCH递归时使用的值.当模型包含多个组成时，可以是一个多维数组。
  • var_bounds (ndarray) – 包含列上下边界的数组

constraints()[source]

为参数估计构建参数约束数组

Returns:
  • A (ndarray) – 参数约束. 大小为约束条件个数乘以参数个数。
  • b (ndarray) – 约束值，对应于每一个约束条件。

注意：

构建线性非均衡约束模型时A.dot(parameters) - b >= 0，使用返回值。

simulate(parameters, nobs, rng, burn=500, initial_value=None)[source]

模拟模型数据

Parameters:
  • parameters ({ndarray, Series}) – 模拟波动率模型的参数
  • nobs (int) – 模拟的数据点
  • rng (callable) –可调用函数，输入为单一整型而返回一个随机向量。
  • burn (int, optional) – 初始化模拟时要生成的额外观察值的个数
  • initial_value ({float, ndarray}, optional) – 初始化模拟时使用的标量或数组
Returns:

 

  • resids (ndarray) – 模拟残差
  • variance (ndarray) – 模拟方差

 

starting_values(resids)[source]

返回ARCH模型的起始值

Parameters:resids (ndarray) –计算起始值时的残差数组（无偏）
Returns:sv – 起始值数组
Return type:ndarray

1.7.2 GARCH

class arch.univariate.GARCH(p=1, o=0, q=1, power=2.0)[source]

GARCH以及相关的模型估计

下列模型可以使用GARCH模型时进一步具体化：

  • ARCH(p)
  • GARCH(p,q)
  • GJR-GARCH(p,o,q)
  • AVARCH(p)
  • AVGARCH(p,q)
  • TARCH(p,o,q)
  • 主观的，预定义精度的模型
Parameters:
  • p (int) –对称计算的阶数
  • o (int) –非对称计算的阶数
  • q (int) –滞后条件方差（变化的）的阶数。
  • power (float, optional) – 计算精度，abs(e) ** power. 默认为 2.0, 这适应于ARCH 及相关模型。1.0适合 AVARCH 及相关模型。其他的精度也可以选择，但都应该严格为正，且通常大于0.25. 

num_params

int – 模型参数个数。

举例：

>>> from arch.univariate import GARCH
标准 GARCH(1,1)
>>> garch = GARCH(p=1, q=1)
非对称GJR-GARCH 过程
>>> gjr = GARCH(p=1, o=1, q=1)
非对称TARCH过程
>>> tarch = GARCH(p=1, o=1, q=1, power=1.0)
注意：

在该过程类中，方差的动态变化表示如下：

 

backcast(resids)[source]

开始递归的回测值构建

Parameters:resids (ndarray) – 残差向量（一致）
Returns:backcast – 波动率递归中使用的回测值
Return type:float

bounds(resids)[source]

收益率参数边界

Parameters:resids (ndarray) –残差向量（一致）
Returns:bounds – 边界值列表 (lower, upper).
Return type:list[tuple[float,float]]

compute_variance(parameters, resids, sigma2, backcast, var_bounds)[source]

计算ARCH模型的方差

Parameters:
  • parameters (ndarray) – 模型参数
  • resids (ndarray) – 0均值误差向量
  • sigma2 (ndarray) –存储条件方差与残差同等大小的数组
  • backcast ({float, ndarray}) – 初始化ARCH递归使用的值.当模型包含多个要素时可为一个多维数组。
  • var_bounds (ndarray) – 包含多个上下界的数组

constraints()[source]

为参数估计构建约束数组

Returns:
  • A (ndarray) – 约束参数，大小与参数个数一致。
  • b (ndarray) – 约束值，对应于每一个约束条件。

注意：

构建线性非均衡约束模型时A.dot(parameters) - b >= 0，使用返回值。

simulate(parameters, nobs, rng, burn=500, initial_value=None)[source]

模拟模型数据

Parameters:
  • parameters ({ndarray, Series}) – 模拟波动率模型的参数
  • nobs (int) – 模拟的数据点
  • rng (callable) –可调用函数，输入为单一整数而返回一个随机向量
  • burn (int, optional) – 初始化模拟时生成的额外观察值个数
  • initial_value ({float, ndarray}, optional) – 初始化模拟时使用的标量或数组
Returns:

 

  • resids (ndarray) – 模拟残差
  • variance (ndarray) – 模拟方差

 

starting_values(resids)[source]

为ARCH模型返回起始值

Parameters:resids (ndarray) – 计算起始值时使用的残差数组 (一致)
Returns:sv – 起始值数组
Return type:ndarray

1.7.3 部分协整GARCH：(FI) GARCH

class arch.univariate.FIGARCH(p=1, q=1, power=2.0, truncation=1000)[source]

FIGARCH 模型

Parameters:
  • p ({0, 1}) – 对称项阶数
  • q ({0, 1}) –条件方差滞后阶数 (转换后)
  • power (float, optional) – 计算精度, abs(e) ** power. 默认 2.0, 对应于 FIGARCH 及相关模型。 1.0对应于 FIAVARCH 及相关模型.其他精度也可以选择，但是严格为正，通常大于0.25.
  • truncation (int, optional) – ARCH中的簇点 ARCH(∞∞) ，默认1000.

num_params

int – 模型参数个数

举例：

>>> from arch.univariate import FIGARCH
标准 FIGARCH
>>> figarch = FIGARCH()

FIARCH

>>> fiarch = FIGARCH(p=0)

FIAVGARCH 过程

>>> fiavarch = FIGARCH(power=1.0)
注意：

在该过程类中，方差变化表述如下：

 L为滞后算子，d为分布差分参数.模型使用 ARCH(∞∞)估计：

权重设置：

递归等式：

精度不是2, ARCH(∞∞) 仍旧成立。

backcast(resids)[source]

为回测开始递归计算构建值

Parameters:resids (ndarray) – 残差向量 (一致)
Returns:backcast – 波动性递归中回测使用的值
Return type:float

bounds(resids)[source]

返回参数界限

Parameters:resids (ndarray) – 残差向量 (一致)
Returns:bounds – 参数上下界 (lower, upper).
Return type:list[tuple[float,float]]

compute_variance(parameters, resids, sigma2, backcast, var_bounds)[source]

计算ARCH模型方差

Parameters:
  • parameters (ndarray) – 模型参数
  • resids (ndarray) – 0均值向量
  • sigma2 (ndarray) –存储条件方差且与残差同等大小的数组
  • backcast ({float, ndarray}) – 初始化ARCH递归时使用的值，如果模型包含多项则为多维数组。
  • var_bounds (ndarray) – 包含上下界的列数组

constraints()[source]

为参数估计构建参数约束。

Returns:
  • A (ndarray) – 参数约束。大小与参数个数一致。
  • b (ndarray) – 约束值对应于每个约束条件。

注意：

在构建线性非均衡约束时使用了返回值： A.dot(parameters) - b >= 0

simulate(parameters, nobs, rng, burn=500, initial_value=None)[source]

模拟模型数据

Parameters:
  • parameters ({ndarray, Series}) – 模拟波动率模型的参数
  • nobs (int) –模拟数据点
  • rng (callable) – 可调用函数，输入为整数返回一个随机向量。
  • burn (int, optional) – 初始化模拟时要生成的额外观察值数。
  • initial_value ({float, ndarray}, optional) –初始化模拟时的标量或数组
Returns:

 

  • resids (ndarray) – 模拟残差
  • variance (ndarray) – 模拟方差

 

starting_values(resids)[source]

返回ARCH模型的起始值l

Parameters:resids (ndarray) – 计算起始值时的残差数组 (一致)
Returns:sv – 起始值数组
Return type:ndarray

1.7.4 EGARCH

classarch.univariate.EGARCH(p=1, o=0, q=1)[source]

EGARCH 模型估计

Parameters:
  • p (int) – 对象项阶数
  • o (int) – 非对称项阶数
  • q (int) – 滞后条件方差阶数 (转换后)

num_params

int – 模型参数数量

举例：

>>> from arch.univariate import EGARCH
对称 EGARCH(1,1)
>>> egarch = EGARCH(p=1, q=1)
标准 EGARCH 过程
>>> egarch = EGARCH(p=1, o=1, q=1)
指数ARCH过程
>>> earch = EGARCH(p=5)
注意：

在该类中，方差变化表述如下：

backcast(resids)[source]

构建回测值来启动递归

Parameters:resids (ndarray) –残差向量 (一致)
Returns:backcast –波动率递归使用的值
Return type:float

bounds(resids)[source]

返回参数上下界

Parameters:resids (ndarray) – 残差向量（一致）
Returns:bounds – 列出上下界 (lower, upper).
Return type:list[tuple[float,float]]

compute_variance(parameters, resids, sigma2, backcast, var_bounds)[source]

计算ARCH 模型方差

Parameters:
  • parameters (ndarray) –模型参数
  • resids (ndarray) – 0均值向量
  • sigma2 (ndarray) – 存储条件方差且与残差大小一致的数组
  • backcast ({float, ndarray}) – 初始化ARCH递归时使用的值.当包含多项时可以是多维数组。
  • var_bounds (ndarray) –包含多列上下界的数组。

constraints()[source]

构建参数约束用于参数估计

Returns:
  • A (ndarray) – 参数约束.大小与参数个数一致。
  • b (ndarray) – 约束值，对应于每个约束条件。

注意：

构建线性非均衡约束时，使用返回值的形式： A.dot(parameters) - b >= 0

simulate(parameters, nobs, rng, burn=500, initial_value=None)[source]

模拟模型数据

Parameters:
  • parameters ({ndarray, Series}) –用来模拟波动率模型的参数
  • nobs (int) – 模拟的数据点个数
  • rng (callable) – 可调用函数，输入为整数返回一个随机向量。
  • burn (int, optional) – 初始化模拟时要生成的额外观察值个数
  • initial_value ({float, ndarray}, optional) –初始化模拟时使用的标量或原始值数组。
Returns:

 

  • resids (ndarray) – 模拟残差
  • variance (ndarray) – 模拟方差

 

starting_values(resids)[source]

返回ARCH模型的起始值

Parameters:resids (ndarray) –计算起始值时的残差数组 (一致) 
Returns:sv – 起始值数组
Return type:ndarray

1.7.5 HARCH

class arch.univariate.HARCH(lags=1)[source]

异方差ARCH过程

Parameters:lags ({list, array, int}) – 模型滞后阶数列表，或如为标量包括所有趋近该值的滞后阶数

num_params

int – 模型参数个数

举例：

>>> from arch.univariate import HARCH

Lag-1 HARCH,与 ARCH(1)一致

>>> harch = HARCH()

更有用且显示的滞后长度：

>>> harch = HARCH(lags=[1, 5, 22])
注意：

在一个异方差ARCH过程中，方差变化表述如下：

当滞后阶数为[1,5,22], 模型为：

HARCH过程是ARCH过程的一种特殊情况，其中一般情况下ARCH过程更为通用的参数受到限制。

backcast(resids)

构建回测值以开始递归

Parameters:resids (ndarray) – 残差向量（一致）
Returns:backcast –波动率递归回测时使用的值
Return type:float

bounds(resids)[source]

返回参数上下界

Parameters:resids (ndarray) – 参数向量 (一致)
Returns:bounds – 上下界列表 (lower, upper).
Return type:list[tuple[float,float]]

compute_variance(parameters, resids, sigma2, backcast, var_bounds)[source]

计算ARCH模型的方差

Parameters:
  • parameters (ndarray) –模型参数
  • resids (ndarray) – 0均值残差向量
  • sigma2 (ndarray) – 存储条件方差且与残差同样大小的数组
  • backcast ({float, ndarray}) – 初始化ARCh递归使用的值. 当模型包含多项时可以是多维数组.
  • var_bounds (ndarray) – 包含多列上下界数据的数组

constraints()[source]

为估计参数构建参数约束

Returns:
  • A (ndarray) –参数约束，大小与参数个数一致。
  • b (ndarray) – 约束值，对应于每一个约束条件。

注意：

构建线性非均衡约束时以该方式使用返回值：A.dot(parameters) - b >= 0

simulate(parameters, nobs, rng, burn=500, initial_value=None)[source]

模拟模型值：

Parameters:
  • parameters ({ndarray, Series}) –模拟波动率模型的参数
  • nobs (int) –模拟的数据点个数
  • rng (callable) – 可调用函数，输入为整数返回一个随机向量。
  • burn (int, optional) – 初始化模拟时要生成的额外观察值个数
  • initial_value ({float, ndarray}, optional) –初始化模拟时使用的标量或原始值数组。
Returns:

 

  • resids (ndarray) – 模拟残差
  • variance (ndarray) – 模拟方差

starting_values(resids)[source]

返回ARCH模型的起始值

Parameters:resids (ndarray) – 计算起始值时的残差数组（一致）
Returns:sv – 起始值数组
Return type:ndarray

1.7.6 MIDAS Hyperbolic

class arch.univariate.MIDASHyperbolic(m=22, asym=False)[source]

MIDAS 双曲ARCH 过程

Parameters:
  • m (int) – 模型中包含的最大滞后阶长度
  • asym (bool) – 是否包含非对称项

num_params

int – 模型参数个数

举例：

>>> from arch.univariate import MIDASHyperbolic

22-lag MIDAS 双曲过程

>>> harch = MIDASHyperbolic()

Longer 66-period lag

>>> harch = MIDASHyperbolic(m=66)
非对称 MIDAS 双曲过程
>>> harch = MIDASHyperbolic(asym=True)
注意：

在一个 MIDAS双曲过程中，方差表述如下：

其中

参考：

[*]Foroni, Claudia, and Massimiliano Marcellino. “A survey of Econometric Methods for Mixed-Frequency Data”. Norges Bank. (2013).
[†]Sheppard, Kevin. “Direct volatility modeling”. Manuscript. (2018).

backcast(resids)

构建回测值以开始递归

Parameters:resids (ndarray) – 残差向量（一致）
Returns:backcast – 波动率递归中回测使用的值
Return type:float

bounds(resids)[source]

Returns bounds for parameters

Parameters:resids (ndarray) – 残差向量（一致）
Returns:bounds –上下界列表 (lower, upper).
Return type:list[tuple[float,float]]

compute_variance(parameters, resids, sigma2, backcast, var_bounds)[source]

计算ARCH模型方差

Parameters:
  • parameters (ndarray) –模型参数
  • resids (ndarray) – 0均值残差向量
  • sigma2 (ndarray) –存储条件方差与残差同等大小的数组
  • backcast ({float, ndarray}) – 初始化ARCH递归使用的值，包含多项时可以是多维数组。
  • var_bounds (ndarray) – 包含多列上下界数据的数组。

constraints()[source]

约束

注意：

参数为(omega, alpha, gamma, theta)

A.dot(parameters) - b >= 0

  1. omega >0
  2. alpha>0 or alpha + gamma > 0
  3. alpha<1 or alpha+0.5*gamma<1
  4. theta > 0
  5. theta < 1

simulate(parameters, nobs, rng, burn=500, initial_value=None)[source]

模拟模型数据

Parameters:
  • parameters ({ndarray, Series}) –用来模拟波动率模型的参数
  • nobs (int) – 模拟的数据点个数
  • rng (callable) – 可调用函数，输入一个整数，返回一个随机向量。
  • burn (int, optional) – 初始化模拟时生成的额外观察值个数。
  • initial_value ({float, ndarray}, optional) –初始化模拟时使用的标量或初始值数组。 
Returns:

 

  • resids (ndarray) – 模拟残差
  • variance (ndarray) – 模拟方差

 

starting_values(resids)[source]

返回ARCH模型的起始值

Parameters:resids (ndarray) – 起算起始值时使用的残差数组（一致）
Returns:sv – 起始值数组
Return type:ndarray

1.7.7 ARCH

classarch.univariate.ARCH(p=1)[source]

ARCH 过程

Parameters:p (int) – 对称项阶数

num_params

int –模型参数个数

举例：

ARCH(1)过程

>>> from arch.univariate import ARCH

ARCH(5) 过程

>>> arch = ARCH(p=5)

注意：

方差变化表述如下：

backcast(resids)

构建回测值以开始递归

Parameters:resids (ndarray) – 残差向量（一致）
Returns:backcast – 波动率递归回测中使用的值。
Return type:float

bounds(resids)

返回参数上下界

Parameters:resids (ndarray) – 残差向量（一致）
Returns:bounds –上下界列表 (lower, upper).
Return type:list[tuple[float,float]]

compute_variance(parameters, resids, sigma2, backcast, var_bounds)

计算ARCH模型方差

Parameters:
  • parameters (ndarray) – 模型参数
  • resids (ndarray) – 0均值残差向量
  • sigma2 (ndarray) – 存储条件方差且与残差同等大小的数组
  • backcast ({float, ndarray}) – 初始化ARCH递归使用的值.如包含多项则为多维数组。
  • var_bounds (ndarray) – 包含多个上下界列数据的数组

constraints()

为估计参数构建参数约束

Returns:
  • A (ndarray) – 参数约束，大小与参数个数一致。
  • b (ndarray) – 约束值，对应于每个约束条件。

注意：

使用返回值以该方式构建线性非均衡约束 A.dot(parameters) - b >= 0

simulate(parameters, nobs, rng, burn=500, initial_value=None)

模拟模型数据

Parameters:
  • parameters ({ndarray, Series}) – 模拟波动率模型的参数
  • nobs (int) –模拟的数据点个数
  • rng (callable) – 可调用函数，输入为一个整数返回一个随机向量。
  • burn (int, optional) – 初始化模拟时要生成的额外观察值个数
  • initial_value ({float, ndarray}, optional) – 初始化模拟时使用的标量或原始值数组
Returns:

 

  • resids (ndarray) – 模拟残差
  • variance (ndarray) – 模拟方差

starting_values(resids)[source]

返回ARCH模型的起始值

Parameters:resids (ndarray) –计算起始值时使用的残差数组（一致）
Returns:sv – 起始值数组
Return type:ndarray

1.7.8 非参方差过程

一些波动率过程使用固定参数，因而无参数可以估计.

EWMA Variance

classarch.univariate.EWMAVariance(lam=0.94)[source]

Bases: arch.univariate.volatility.VolatilityProcess

指数加权移动平均(RiskMetrics) 方差过程

Parameters:lam ({float, None}, optional) – 平滑参数，默认为 0.94. 若设置为none则同其他模型参数一起估计lam

num_params

int – 模型参数个数

举例：

每日 RiskMetrics EWMA 过程

>>> from arch.univariate import EWMAVariance
>>> rm = EWMAVariance(0.94)
注意：

方差动态变化表述如下：

若lam给出，既然平滑参数按固定参数对待，则该模型没有参数。设定 lam 为 None，则在拟合模型时联合估计该参数。

backcast(resids)

构建回测值以开始递归

Parameters:resids (ndarray) – 残差向量（一致）
Returns:backcast – 在波动率递归中回测使用的值。
Return type:float

bounds(resids)[source]

返回参数上下界

Parameters:resids (ndarray) –残差向量（一致）
Returns:bounds – 上下界列表 (lower, upper).
Return type:list[tuple[float,float]]

compute_variance(parameters, resids, sigma2, backcast, var_bounds)[source]

计算ARCH模型方差

Parameters:
  • parameters (ndarray) – 模型参数
  • resids (ndarray) – 0均值残差模型
  • sigma2 (ndarray) – 存储条件方差且与残差同等大小的数组
  • backcast ({float, ndarray}) – 初始化ARCH递归时使用的值，如果包含多项则可以为多维数组。
  • var_bounds (ndarray) –包含多列上下界数据的数组

constraints()[source]

为估计参数构建参数约束

Returns:
  • A (ndarray) – 参数约束，大小与参数个数一致。
  • b (ndarray) – 约束值，对应于每个约束条件。t

注意：

使用返回值在构建线性非均衡约束时采用该形式：A.dot(parameters) - b >= 0

simulate(parameters, nobs, rng, burn=500, initial_value=None)[source]

模拟模型数据

Parameters:
  • parameters ({ndarray, Series}) – 模拟波动率模型的参数
  • nobs (int) – 模拟的数据点个数
  • rng (callable) – 可调用函数，输入为一个整数，返回一个随机向量。
  • burn (int, optional) – 初始化模拟时生成的额外观察值个数
  • initial_value ({float, ndarray}, optional) – 初始化模拟时使用的标量或原始值数组。
Returns:

 

  • resids (ndarray) – 模拟残差
  • variance (ndarray) – 模拟方差

 

starting_values(resids)[source]

返回ARCH模型的起始值

Parameters:resids (ndarray) –计算起始值时使用的残差数组（一致）
Returns:sv – 起始值数组
Return type:ndarray

1.7.9 风险指标 (2006)

class arch.univariate.RiskMetrics2006(tau0=1560, tau1=4, kmax=14, rho=1.4142135623730951)[source]

Bases: arch.univariate.volatility.VolatilityProcess

RiskMetrics 2006 方差过程

Parameters:
  • tau0 (int, optional) – 长周期长度，默认 1560.
  • tau1 (int, optional) – 短周期长度，默认 4.
  • kmax (int, optional) – 因子个数，默认 14.
  • rho (float, optional) – 毗邻周期相关度，默认 sqrt(2)

num_params

int – 模型参数个数

举例：

Daily RiskMetrics 2006 process

>>> from arch.univariate import RiskMetrics2006
>>> rm = RiskMetrics2006()
注意：

该模型的方差变化以加权平均EWMA方差过程方式呈现，平滑系数和权重分别由tau0, tau1 和 rho决定.

既然平滑参数固定，则该模型没有参数。

backcast(resids)[source]

构建回测值以开始递归

Parameters:resids (ndarray) –残差向量（一致）
Returns:backcast – 对应于每个EWMA项的回测值
Return type:ndarray

bounds(resids)[source]

返回参数上下界

Parameters:resids (ndarray) – 残差向量（一致）
Returns:bounds – 列出每个元素上下界 (lower, upper).
Return type:list[tuple[float,float]]

compute_variance(parameters, resids, sigma2, backcast, var_bounds)[source]

计算ARCH模型方差

Parameters:
  • parameters (ndarray) – 模型参数
  • resids (ndarray) – 0均值残差向量。
  • sigma2 (ndarray) –存储条件方差且与残差同等大小的数组
  • backcast ({float, ndarray}) –初始化ARCH递归时使用的值，如果包含多项则为多维数组。
  • var_bounds (ndarray) –包含多列上下界的数组

constraints()[source]

为估计参数构建参数约束。

Returns:
  • A (ndarray) –参数约束，大小与参数个数一致。
  • b (ndarray) – 约束值，对应于每个约束条件。

注意：

使用返回值在构建非均衡线性约束时以该形式构建： A.dot(parameters) - b >= 0

simulate(parameters, nobs, rng, burn=500, initial_value=None)[source]

模拟模型数据

Parameters:
  • parameters ({ndarray, Series}) – 模拟波动率模型的参数
  • nobs (int) – 模拟的数据点个数
  • rng (callable) – 可调用函数，输入一个整数返回一个随机向量。
  • burn (int, optional) –初始化模拟时生成的额外观察值个数
  • initial_value ({float, ndarray}, optional) – 初始化模拟时使用的标量或原始值数组
Returns:

 

  • resids (ndarray) – 模拟残差
  • variance (ndarray) –模拟方差

 

starting_values(resids)[source]

ARCH模型的收益率起始值

Parameters:resids (ndarray) – 计算起始值时使用的残差数组（一致）
Returns:sv – 起始值数组
Return type:ndarray

1.7.10 固定方差

固定方差 FixedVariance class 是一个特殊用途的波动性过程，它允许'之'字形（zig-zag）的波动率过程。具体参考实例。

class arch.univariate.FixedVariance(variance, unit_scale=False)[source]

基类: arch.univariate.volatility.VolatilityProcess

固定波动率过程

Parameters:
  • variance ({array, Series}) –包含所用方差的数组，应该与所用数据同样大小。
  • unit_scale (bool, optional) – 是否采取单位比例方式计算。如果为假False，则所有参数都与方差variance成比例。反之，模型方差则为方差集。

注意：

当估计均值模型时，本类允许使用GLS方法，来使用固定不变的系列方差。

1.7.11 编写新波动率过程

所有的波动率过程必须继承自该类：class:VolatilityProcess，该类提供全部public方法.

class arch.univariate.volatility.VolatilityProcess[source]

ARCH模型的抽象基类。该类允许条件均值模型独立于条件方差，即使参数时联合估计得出的。 

liuxoxo
关注
专栏目录
arch检验python_Python玩转金融时间序列之ARCH与GARCH模型
weixin_39702480的博客
12-05 3488
01 引言作为金融时间序列的专题推文，【手把手教你】时间序列之日期处理主要介绍了使用Python处理时间序列的日期和统计分析；【Python量化基础】时间序列的自相关性与平稳性主要介绍了时间序列的一些基础概念，包括自相关性、偏自相关性、白噪声和平稳性；而【手把手教你】使用Python玩转金融时间序列模型主要介绍了AR、MA、ARMA和ARIMA模型的基本原理与Python的实现。从上一篇推文不难看...
python怎么建立arch模型_ARCH模型是什么？
weixin_39575648的博客
12-17 1780
ARCH模型ARCH模型的英文直译是：自回归条件异方差模型。是一种用来处理时间序列的模型。在股票中，ARCH可以用来预测股票的波动率，从而控制风险。(在金融领域，波动率与风险直接挂钩，一个资产波动越大，风险越大，而获得更高收益的可能也更大)ARCH模型广泛应用于波动性有关广泛研究领域。包括政策研究、理论命题检验、季节性分析等方面。要了解这是一种怎样的模型，我们可以从这个名字入手：自回归、条件异方差...
arch：Python中的ARCH模型
01-28
拱 用Python编写的自回归条件异方差（ARCH）和其他用于金融计量经济学的工具（使用Cython和/或Numba来提高性能） 公制 最新发布的 持续集成 覆盖范围 代码质量 引文 文献资料 模块内容 Python 3 arch仅适用于Python 3。 4.8版是支持Python 2.7的最终版本。 文献资料 已发布的文档位于。 master分支的最新文档托管在。 有关ARCH的更多信息 有关ARCH和相关模型的更多信息，请参见的注释和研究。 贡献 欢迎捐款。 在许多层面上都有贡献的机会： 实施新的波动率过程，例如，FIGARCH 改善不清楚或有错字的文档字符串 提供示例，最好以IPython笔记本的形式提供 例子 波动率建模 均值模型 恒定均值 异构自回归（HAR） 自回归（AR） 零均值 有和没有外源回归模型 波动率模型 拱 GARCH 搜寻 爱格 EWMA /风险指标 发行版 正常 学生的T 广义误差分布 有关更完整的概述，请参见“ ”。 import datetime as dt import pandas_datareader . data
关于Python的ARCH包（三）
热门推荐
liuxoxo的博客
01-21 1万+
1.2 举例 1.2.1 ARCH建模 以下代码需要在 IPython notebook下运行： In [1]: import warnings warnings.simplefilter('ignore') %matplotlib inline import seaborn seaborn.set_style('darkgrid') In [2]: seaborn.m...
[python]如何安装whl包并解决依赖关系（详细）
最新发布
c858845275的博客
08-04 3527
讲解了python下的whl包的安装以及依赖关系解决办法。
关于Python的ARCH包（十）
liuxoxo的博客
02-15 2193
  1.9 分布 分布是ARCH模型的最后一项。 1.9.1正态分布 class arch.univariate.Normal(random_state=None)[source] ARCH模型中的标准正态分布 bounds(resids)[source] Parameters: resids (ndarray) – 计算界限时使用的残差 Returns: bound...
关于Python的ARCH包（九）
liuxoxo的博客
02-15 1598
1.8 使用固定方差过程      FixedVariance波动率过程当两步过程在收敛之前不断重复时可以实现之字形（zig-zag）模型估计.当遇到数值问题或者高维参数空间问题时，该法可以用来估计那些通常看来难以估计的模型。 import warnings warnings.simplefilter('ignore') # %matplotlib inline import seabor...
Python模拟ARCH过程
zhanlang619的博客
10-18 947
Python模拟ARCH过程，将恩德斯p97图形进行复现。
python arch 手册
05-09
标题“Python Arch 手册”指的是一个专注于Python编程语言的文档，这个手册重点介绍了“arch”库，而“arch”是一个专门用于金融数据分析的Python库，尤其在时间序列数据的波动性建模方面非常有用。波动性建模是金融...
Python库 | arch-5.2.0.tar.gz
05-12
资源分类：Python库 所属语言：Python 资源全名：arch-5.2.0.tar.gz 资源来源：官方 安装方法：https://lanzao.blog.csdn.net/article/details/101784059
python中arch模块_在Arch下安装pip
weixin_33940031的博客
03-01 4273
1. 首先安装一个命令行下载工具，我这里使用axel：$ axel https://bootstrap.pypa.io/get-pip.py#下载完成之后得到一个python文件$ lsget-pip.py也可以使用 wget：wget https://bootstrap.pypa.io/get-pip.py需要注意的是，当同时存在python2和python3时$ ls -al /usr/bi...
GARCH-MIDAS、DDC-MIDAS模型MATLAB代码
01-03
2,4版 可以估计DCC-MIDAS adl-MIDAS DCC-GARCH
midas:实施MIDAS
03-08
美达斯 这是一种实现-边缘流异常检测，但是在Go中实现。 有关其工作原理的更多信息，请查看部分。 使用与安装 检出examples文件夹以获取详细说明 import ( "github.com/steve0hh/midas" "fmt" ) func main () { src := [] int { 2 , 2 , 3 , 3 , 5 , 5 , 7 , 11 , 1 , 2 } dst := [] int { 3 , 3 , 4 , 4 , 9 , 9 , 73 , 74 , 75 , 76 } times := [] int { 1 , 1 , 2 , 2 , 2 , 2 , 2 , 2 , 2 , 2 } // using function to score the edges midasAnormScore := midas . Midas ( src , dst
arch包
憨豆婆的博客
02-05 471
(4条消息) 关于Python的ARCH包（二）liuxoxo的博客-CSDN博客。
关于Python的ARCH包（五）
liuxoxo的博客
01-22 6412
1.4 预测示例 1.4.1 数据 1.4.2 基本预测 1.4.3 替代预测方案 1.4.4 TARCH ×××××××××××××××××××××× 1.4.1 Data 这些示例是用来Yahoo网站的标准普尔500指数，并通过pandas-datareader包管理数据下载。 import datetime as dt import sys import numpy as...
python archResult 参数介绍
weixin_39982225的博客
06-27 467
arch model result的使用
关于Python的ARCH包（七）
liuxoxo的博客
02-14 7021
1.6 均值模型 所有的 ARCH模型开始时需要确定一个均值模型。 1.6.1非均值 class arch.univariate.ZeroMean(y=None, hold_back=None, volatility=None, distribution=None)[source] 0条件均值模型估计和模拟： Parameters: y ({ndarray, Series}...
garch预测 python_EWMA,ARCH与GARCH模型
weixin_39637589的博客
12-20 2835
一、EWMA模型指数移动平均(Exponential Moving Average, EMA或EWMA)是以指数式递减加权的移动平均。各数值的加权而随时间而指数式递减，越近期的数据加权越重，但较旧的数据也给予一定的加权。加权的程度以常数λ决定，λ数值介乎0至1。该模型认为第n天的波动率与n-1天的波动率和收益率有关系：【案例】我们依旧使用上证指数2015.1.1-2020.3.31日的收...
chatgpt赋能python：Python怎么装arch.unitroot
weixin_45566993的博客
06-17 443
本文由chatgpt生成，文章没有在chatgpt生成的基础上进行任何的修改。以上只是chatgpt能力的冰山一角。作为通用的Aigc大模型，只是展现它原本的实力。对于颠覆工作方式的ChatGPT，应该选择拥抱而不是抗拒，未来属于“会用”AI的人。🧡AI职场汇报智能办公文案写作效率提升教程 🧡专注于AI+职场+办公方向。下图是课程的整体大纲下图是AI职场汇报智能办公文案写作效率提升教程中用到的ai工具。
arch包python
05-16
除了Python自身的软件包，Arch包还提供了许多Python相关的软件包，如Django、Flask、NumPy、Pandas等，这些软件包为Python开发提供了重要的工具和框架，使得Python在Arch Linux系统上变得更加强大和灵活。...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值