FRM模型二：时间序列建模

stonesssssss

已于 2023-07-09 22:10:56 修改

阅读量219

点赞数

分类专栏： python for frm 文章标签： python 金融

于 2023-07-02 22:14:55 首次发布

本文链接：https://blog.csdn.net/stonesssssss/article/details/131505325

版权

本文详细介绍了FRM模型中时间序列建模的过程，包括数据平稳性检验、差分、模型选择、建模、模型残差检验和预测。通过某指数收益率为例，展示了从ADF检验到ARMA模型的应用，最终实现对后一期数据的预测。

摘要由CSDN通过智能技术生成

这里写自定义目录标题

时间序列建模

时间序列建模

在FRM一级Book2中有很大篇幅讲述的是时间序列如何进行建模。在金融行业中，有许多数据是时间序列数据，因此对时间序列进行建模和预测十分重要。本次以某指数收益率为例进行时间序列建模。

建模步骤

1.判断时间序列是否平稳，平稳是建模的基础------这里用ADF检验判断。
2.如果时间序列不平稳，则需要进行差分。
3.如果时间序列平稳，选择适合的AR、MA、ARMA模型。
4.选好模型进行建模。
5.建模后进行检验。
6.预测后一期数据

步骤一：检验数据是否平稳

先导入所有需要用的包，导出原始数据画图。由于数据值过大，所以这里对指数收盘价取对数。

# Time Series Analysis
# prediction of 000300
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
from statsmodels.tsa.stattools import adfuller
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
import pmdarima as pm
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.graphics.api import qqplot


# import data
path = r'C:\Users\ST\Desktop\index.csv'
data = pd.read_csv(path, header=0, parse_dates=['date'], index_col=['date'])

# tansform the data and plot
data['log_price'] = np.log(data.values)
plt.plot(data.index, data['log_price']