第三章条件异方差模型（实践）

参考：https://uqer.datayes.com/v3/community/share/57aac592228e5b9b95a88999

1.1ARCH模型建立

上证指数，2019-01-01到2020-01-01

data = jd.get_price(security='000001.XSHG', start_date='2019-01-01', 
                    end_date='2020-01-01', frequency='1d',
                    fields=None, skip_paused=False, fq='pre', count=None)
close = data['close'].pct_change().dropna().reset_index(drop=True)*100

#%%
close.plot(grid=True)

#自相关图
plot_acf(close,lags=100)

'''
相关性不高，在零附近波动
'''

#首先检验平稳性。 原假设H0：序列为非平稳的，备择假设H1:序列是平稳的
print(u'序列的ADF检验结果为：', ADF(close))

'''
序列的ADF检验结果为： (-15.286791022026991, 4.499488334247949e-28, 0, 242, {'1%': -3.457664132155201, '5%': -2.8735585105960224, '10%': -2.5731749894132916}, 713.2075484860529)
p-value几近为0，序列是平稳的
'''

#白噪声检验，返回统计量和p值
print(u'序列的白噪声检验结果为：', acorr_ljungbox(close,lags=1))
'''
序列的白噪声检验结果为： (array([0.04328089]), array([0.83519726]))
p-value远大于0.05，序列是白噪声，需要差分
'''

#白噪声检验，返回统计量和p值
print(u'1阶差分序列的白噪声检验结果为：', acorr_ljungbox(close.diff().dropna(),lags=1))
'''
1阶差分序列的白噪声检验结果为： (array([56.31087706]), array([6.18722028e-14]))
'''

#建立ARIMA(p，1，q)模型。AR模型，PACF p阶截尾。
plot_pacf(close.diff().dropna(),lags=20)
#建立ARIMA(p，1，q)模型。MA模型，ACF p阶截尾
plot_acf(close.diff().dropna(),lags=20)
'''
1阶差分后的偏自相关显示9阶截尾，自相关图显示出1阶截尾，
所以考虑MA(1)模型，AR(9)模型进行拟合1阶差分后的序列，
即对原序列建立ARIMA(9,1,1)模型
'''

#建立ARIMA(9, 1, 1)模型
order = (9,1,1)
model = ARIMA(close.reset_index(drop=True),order).fit() 

#画出残差及残差的平方
at = close.reset_index(drop=True) -  model.fittedvalues
at2 = np.square(at)
plt.figure(figsize=(10,6))
plt.subplot(211)
plt.plot(at,label = 'at')
plt.legend()
plt.subplot(212)
plt.plot(at2,label='at^2')
plt.legend(loc=0)

#白噪声检验，返回统计量和p值
print(u'序列的白噪声检验结果为：', acorr_ljungbox(at2.dropna(),lags=1))
'''
序列的白噪声检验结果为： (array([23.99753185]), array([9.64592734e-07]))
p-value小于显著性水平0.05，我们拒绝原假设，即认为序列不是白噪声。因此具有ARCH效应。
'''

 1.2ARCH模型的建立 

#ARCH模型的阶次，可以用{a2t}序列的偏自相关函数PACF来确定
plot_pacf(at2.dropna(),lags = 30)

#根据之前的分析，可以粗略选择均值模型为AR(9)模型，波动率模型选择ARCH(4)模型
import arch
train = close[:-10]
test = close[-10:]
am = arch.arch_model(train,mean='AR',lags=9,vol='ARCH',p=4) 
res = am.fit()

#%%
res.params

 

1.3ARCH模型的预测

#整体的预测拟合情况：
res.hedgehog_plot()
'''
效果很差
'''

#最后10个数据的预测情况
pre = res.forecast(horizon=10,start=232).variance.iloc[232]
plt.figure(figsize=(10,4))
plt.plot(test.values,label='realValue')
pre.plot(label='predictValue')
plt.plot(np.zeros(10),label='zero')
plt.legend(loc=0)
'''
问题很大，1：数值差距很大
'''

2.1GARCH模型建立

#GARCH(m,s)的定阶较难，一般使用低阶模型如GARCH(1,1),GARCH(2,1),GARCH(1,2)
train_02 = close[:-10]
test_02 = close[-10:]
am_02 = arch.arch_model(train_02,mean='AR',lags=9,vol='GARCH') 
res_02 = am_02.fit()
res_02.summary()

res_02.params

    波动率模型：  

#整体的预测拟合情况：
res_02.hedgehog_plot()
'''
搞不懂
'''

2.2波动率预测

波动率模型：  

模型：