关于Python的ARCH包（十）

最新推荐文章于 2024-02-07 16:23:43 发布
最新推荐文章于 2024-02-07 16:23:43 发布
阅读量2.1k 收藏 10
点赞数 1
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/87342047
版权
ARCH 同时被 3 个专栏收录
11 篇文章 27 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

 

1.9 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:bounds – 包含上下界的元组列表
Return type:list

constraints()[source]

Returns:
  • A (ndarray) –约束条件
  • b (ndarray) – 约束值

注意：

参数应满足约束条件： A.dot(parameters)-b >= 0

loglikelihood(parameters, resids, sigma2, individual=False)[source]

假定正态分布及条件方差后，计算对数似然率。

Parameters:
  • parameters (ndarray) – 正态似然率没有规模参数，既然没有规模则为空。
  • resids (ndarray) –计算对数似然率时使用的残差。
  • sigma2 (ndarray) – 残差的条件方差。
  • individual (bool, optional) – 是返回单一对数似然率还是全部似然率之和
Returns:

ll – 对数似然率

Return type:

float

注意：

单一数据点x的对数似然率为；

simulate(parameters)[source]

模拟正态分布

Parameters:parameters (ndarray) – 分布参数
Returns:simulator – 可调用参数，输入一个结果规模参数返回正态分布。
Return type:可调用

starting_values(std_resid)[source]

Parameters:std_resid (ndarray) –根据参数规模计算起始值时使用的估计标准残差。
Returns:sv – 根据分布估计的规模参数
Return type:ndarray

注意：

sv大小取决于分布

1.9.2 学生T分布

classarch.univariate.StudentsT(random_state=None)[source]

ARCH模型使用的标准学生T分布

bounds(resids)[source]

Parameters:resids (ndarray) – 计算界限时使用的残差
Returns:bounds – 包含一个上下界元组的列表
Return type:list

constraints()[source]

Returns:
  • A (ndarray) –约束条件
  • b (ndarray) – 约束值

注意：

参数应满足约束条件： A.dot(parameters)-b >= 0

loglikelihood(parameters, resids, sigma2, individual=False)[source]

假定残差具有标准学生T分布，条件单位方差的情况下，计算对数似然率。

Parameters:
  • parameters (ndarray) –T分布的规模参数
  • resids (ndarray) – 计算对数似然率时使用的残差
  • sigma2 (ndarray) – 残差的条件方差
  • individual (bool, optional) – 返回单个对数似然率（True），或返回全部对数似然率之和 (False)
Returns:

ll – The log-likelihood

Return type:

float

注意：

单个数据点的对数似然率：

simulate(parameters)[source]

模拟正态分布

Parameters:parameters (ndarray) – 分布参数
Returns:simulator –可调用函数，输入一个结果规模参数，返回正态分布。
Return type:可调用

starting_values(std_resid)[source]

Parameters:std_resid (ndarray) –为获得参数规模计算起始值而使用的估计标准残差
Returns:sv –包含参数规模起始值的数组
Return type:ndarray

注意：

使用峰态和自由度之间参数关系可以构建起始值矩估计器。

1.9.3 偏态学生T分布

classarch.univariate.SkewStudent(random_state=None)[source]

ARCH模型的标准偏态学生T分布

注意：

标准偏态学生T分布具有两个参数， η and λ. η 控制着尾的形状，且与标准学生T分布规模参数相似。λ控制着偏态。当 λ=0时，该分布与标准学生T分布一致。

参考文献：

[1]Hansen, B. E. (1994). Autoregressive conditional density estimation. International Economic Review, 35(3), 705–730. <http://www.ssc.wisc.edu/~bhansen/papers/ier_94.pdf>

bounds(resids)[source]

Parameters:resids (ndarray) –计算界限时使用的残差
Returns:bounds –包括单一上下界元组的列表
Return type:list

constraints()[source]

Returns:
  • A (ndarray) – 约束条件
  • b (ndarray) – 约束值

注意：

参数满足约束条件： A.dot(parameters)-b >= 0

loglikelihood(parameters, resids, sigma2, individual=False)[source]

假定残差具有标准（单一方差）偏态学生T分布，条件方差的情况下，计算对数似然率。

Parameters:
  • parameters (ndarray) –偏态学生T分布的规模参数
  • resids (ndarray) –对数似然率估计中使用的残差
  • sigma2 (ndarray) – 残差的条件方差
  • individual (bool, optional) – 返回单个对数似然率（True）或返回全部对数似然率之和
Returns:

ll – The log-likelihood

Return type:

float

注意：

单个数据点的对数似然率：

simulate(parameters)[source]

模拟正态分布

Parameters:parameters (ndarray) – 分布参数
Returns:simulator –可调用函数，输入一个结果规模参数，返回正态分布
Return type:callable

starting_values(std_resid)[source]

Parameters:std_resid (ndarray) –估计参数规模起始值时使用的估计标准残差。
Returns:sv – 包含参数规模起始值的数组
Return type:ndarray

注意：

可使用峰态和自由度参数来构建一个基本的起始值矩估计器。

1.9.4 通用误差分布 (GED)

classarch.univariate.GeneralizedError(random_state=None)[source]

ARCH模型的通用误差分布

bounds(resids)[source]

Parameters:resids (ndarray) – 计算边界时使用的残差
Returns:bounds –包含上下界的元组列表
Return type:list

constraints()[source]

Returns:
  • A (ndarray) – 约束条件
  • b (ndarray) – 约束值

注意：

参数应满足约束条件： A.dot(parameters)-b >= 0

loglikelihood(parameters, resids, sigma2, individual=False)[source]

假定残差具有GED，条件方差的情况下计算残差的对数似然率。

Parameters:
  • parameters (ndarray) –GED分布的规模参数
  • resids (ndarray) – 对数似然率计算时使用的残差
  • sigma2 (ndarray) – 残差的条件方差
  • individual (bool, optional) –返回单个对数似然率或者返回全部似然率之和。
Returns:

ll – 对数似然率

Return type:

float

注意：

x数据点的对数似然率为：

where ΓΓ is the gamma function and lncln⁡c is

simulate(parameters)[source]

模拟正态分布

Parameters:parameters (ndarray) – 分布参数
Returns:simulator – 可调用，输入一个结果参数，返回正态分布
Return type:可调用

starting_values(std_resid)[source]

 

Parameters:std_resid (ndarray) – 参数行列起始值计算时使用的估计标准残差
Returns:sv – 包含参数行列起始值的数组
Return type:ndarray

注意：

默认为 1.5，表示比正态分布厚尾。

1.9.5 编辑新分布

所有分布都继承该类及其方法class:Distribution and provide.

classarch.univariate.Distribution(name, random_state=None)[source]

模板仅仅适合于子类

 

 

 

 

liuxoxo
关注
  • 1
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
python arch 手册
05-09
arch arch提供了Univariate volatility模型，Bootstrapping和Multiple comparison procedures
关于Python的ARCH包（二）
热门推荐
liuxoxo的博客
01-19 3万+
1.单变量波动率模型 1.1引言 1.2 举例 1.3 预测 1.4 预测举例 1.5 预测类型 1.6 均值模型 1.7 波动率过程 1.8 不变方差过程 1.9 分布 1.10 背景及引用 1.1 关于ARCH 模型的介绍   1.1.1理论模型 ARCH 模型是一种流行的波动率建模方法，其主要使用收益率或残差的观测值作为波动率参考方式。一种基本的GARCH 模型表示如下： ...
金融学习之八——ARCH和GARCH模型应用
ryo007gnnu的博客
03-06 5293
对衍生产品定价和风险管理中，常常需要对衍生产品的波动率进行预测，这就需要使用到波动率模型。常见的波动率模型有两个，一个是自回归条件异方差模型ARCH，另一个是广义自回归条件异方差模型GARCH。这两个模型的数学公式有点多，但如果只是跑代码的话就没那么麻烦，本次仅介绍这两个模型在python中的应用。 我们希望根据2016-2018年的沪深300指数的涨跌幅构建波动率模型，步骤如下： （1）利用Tushare获取沪深300指数的数据 因不知道沪深300指数的代码，所以先做了个查询 import tushare
Time Series Analysis (TSA) in Python-Linear Models to GRACH 笔记（五）
敲代码的quant的博客
01-25 2040
以下内容主要来自： Time Series Analysis (TSA) in Python - Linear Models to GARCH 目录 Autoregressive Conditionally Heteroskedastic Models - ARCH(p) Generalized Autoregressive Conditionally Heteroskedastic Mo...
python中arch包的安装
qq_54423921的博客
03-18 4112
使用python安装arch，安装方法另外这是一份官网文档。
关于Python的ARCH包（七）
liuxoxo的博客
02-14 6960
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}...
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库 | arch-4.11-cp35-cp35m-win32.whl
03-14
标题中的"Python库 | arch-4.11-cp35-cp35m-win32.whl"指的是一个特定版本的Python库，名为“arch”，版本为4.11，适用于Python 3.5解释器（由"cp35"标识），且是针对32位Windows操作系统（"win32"）的。"cp35m"表示...
ctc-segmentation:CTC分段python包
03-15
使用您最喜欢的AUR帮助程序从Arch Linux AUR中以python-ctc-segmentation-git 。 来自来源： git clone https://github.com/lumaku/ctc-segmentation cd ctc-segmentation cythonize -3 ctc_segmentation/ctc_...
Python_Arch Linux安装指导模板等.zip
最新发布
05-24
- Arch Linux的包管理器是`pacman`，通过它你可以方便地安装Python。在终端中输入`sudo pacman -S python`，系统将自动下载并安装最新版的Python及其依赖。 - 安装完成后，你可以通过`python`或`python3`命令来...
skewstudent:歪斜的学生分布
05-23
歪斜的学生分布 Hansen（1994）的歪斜学生分布 。 Python实现。 文献资料 。 安装 pip install git+git://github.com/khrapovs/skewstudent 参考 汉森（1994）。 自回归条件密度估计。 国际经济评论，35（3），705-730。 < >
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）
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...
ARCH与GARCH模型
weixin_45743162的博客
01-07 6293
谁tm写摘要
arch包
憨豆婆的博客
02-05 450
(4条消息) 关于Python的ARCH包（二）liuxoxo的博客-CSDN博客。
Python玩转金融时间序列之ARCH与GARCH模型
Python学习教程
10-08 1万+
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...
Python金融数据分析-资产波动率模型1
m0_62929945的博客
02-07 1293
在统计学中，如果一个概率分布的尾部比正态分布的尾部更“厚”或更“重”，则称该分布具有厚尾特性，这意味着极端值出现的概率比正态分布预期的要高。这种分布能更好地捕捉到数据中的极端变化，特别是在金融市场中的极端损失或收益。因此在实际情况中可能会将看作自由度为的标准t分布。其分布密度为：据此可得条件似然函数并求得在t分布下的最大似然估计。注意：先验地通常取3至6之间。
时间序列ARCH模型实战
m0_63018959的博客
10-22 337
时间序列ARCH模型实战
关于Python的ARCH包（四）
liuxoxo的博客
01-22 5605
1.3 举例 参考附加说明，使用递归可以利用ARCH类模型方便的进行多期预测。在特定情况下，那些不与平方项或残差同步的模型并不具有可追踪的正态解析多期预测。 所有模型支持三种预测方式： 解析：基于ARCH类型的结果，解析预测方法对1步式预测总是可用的；多步解析预测方法仅仅适用于对残差平方项呈线性关系的模型，比如 GARCH 或者 HARCH. 模拟：虽然基于模拟方法的预测对任何步数都可用，...
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 2
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