同花顺Supermind量化交易 金融时间序列1-AR、MR模型 附源代码

从金融时间序列的角度，以沪深300的收益和价格作为研究标的，使用AR、MR模型尝试拟合和预测，详述模型使用流程,以及模型与模型之间的表现差异。

金融时间序列(一)-AR、MR模型

作者：邱吉尔

1. 输入库包

In [1]:

import pandas as pd 
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
import datetime
from scipy import stats
import statsmodels.api as sm
plt.style.use('seaborn')

2. 取出数据

In [2]:

HS300_close=get_price(['000905.SH'], '20171125', '20190125', '1d', ['close'], True, None,is_panel=1)['close']
HS300_close.columns=['HS300_close']
HS300_close['return']=HS300_close['HS300_close'].pct_change()

3. 时间序列1（AR Model） 

时间序列的平稳性被分为严平稳和宽平稳。其中，严平稳需要两个时间序列在时间的平移变换下，它们的联合分布保持不变。而宽平稳只需要序列的均值、方差相同即可。 由于严平稳的实现较为困难，所以一般来说平稳时间序列指的是宽平稳。如果是非平稳时间序列，可以通过多次差分的方法处理为宽平稳序列。
下列，我们就对沪深300指数价格使用了2次和20次的差分。显而易见，差分次数越多越平稳。

3.1 价格差分

In [10]:

HS300_close['close_diff2']=HS300_close['HS300_close'].diff(2)
HS300_close['close_diff20']=HS300_close['HS300_close'].diff(20)
HS300_close.dropna(inplace=True)
HS300_close.plot(subplots=True,figsize=(20,12))
plt.title('Stationary & Diff',y=4.7,size=25)

Out[10]:

<matplotlib.text.Text at 0x7f3cdf0360f0>

3.2 ACF自相关函数

自相关函数的含义是衡量序列数据和自己的相关程度，即x(t)和过去某个时间x(t−l)的相关性：

该假设检验统计量服从自由度为m的卡方分布。
原假设为所有自相关系数为0，取显著水平为0.05，若所有p值均小于0.05则拒绝原假设，认为该序列存在序列相关性。
以下是该假设检验统计量：

In [4]:

closeprice=HS300_close['HS300_close']
ACF,Q_test,P_value= sm.tsa.acf(closeprice, nlags=10, qstat = True)
data_show=np.c_[range(1,11),ACF[1:],Q_test,P_value]
data_df=pd.DataFrame(data_show,columns=['Lag','ACF','Q_test','P_value'])
data_df.set_index('Lag',inplace=True)
data_df.head(8)

Out[4]:

	ACF	Q_test	P_value
Lag
1.0	0.988893	263.068428	3.678637e-59
2.0	0.978027	521.362501	6.131565e-114
3.0	0.967327	774.996387	1.145044e-167
4.0	0.954426	1022.852307	3.981759e-220
5.0	0.942327	1265.390107	2.010084e-271
6.0	0.929604	1502.330397	0.000000e+00
7.0	0.917226	1733.893361	0.000000e+00
8.0	0.904332	1959.864313	0.000000e+00

In [5]:

returndata=HS300_close['return']
ACF,Q_test,P_value= sm.tsa.acf(returndata, nlags=10, qstat = Tr