arima模型 matlab_R语言时间序列：ARIMA / GARCH模型的交易策略在外汇市场预测应用...

最新推荐文章于 2024-09-06 22:27:32 发布

绾绾睡醒了

最新推荐文章于 2024-09-06 22:27:32 发布

阅读量1.1k

点赞数

文章标签： arima模型 matlab

本文链接：https://blog.csdn.net/weixin_33544518/article/details/112128823

版权

本文探讨了ARIMA和GARCH模型在时间序列分析中的应用，特别是在外汇市场的交易策略。通过拟合EUR/USD汇率，利用ARIMA/GARCH模型预测每日收益并构建交易系统。通过分析模型残差，评估模型拟合效果，以优化交易策略。研究表明，模型过滤和预测幅度阈值可能改善策略性能。

摘要由CSDN通过智能技术生成

http://tecdat.cn/?p=17622tecdat.cn

最近，我们继续对时间序列建模进行探索，研究时间序列模型的自回归和条件异方差族。我们想了解自回归移动平均值（ARIMA）和广义自回归条件异方差（GARCH）模型。它们在量化金融文献中经常被引用。

接下来是我对这些模型的理解，基于拟合模型的预测的一般拟合程序和简单交易策略的摘要。

拟合ARIMA和GARCH模型是一种发现时间序列中的观测值，噪声和方差影响时间序列的方式。适当地拟合的这种模型将具有一定的预测效用，当然前提是该模型在将来的一段时间内仍非常适合基础过程。

ARMA模型是自回归（AR）模型和移动平均（MA）模型的线性组合。AR模型其预测变量是该序列的先前值。MA模型在结构上类似于AR模型，除了预测变量是噪声项。p，q阶的自回归移动平均模型– ARMA（p，q）–是两者的线性组合，可以定义为：

其中 w是白噪声，而a和 b是模型的系数。

ARIMA（p，d，q）模型是ARMA（p，q）模型，它们的差值是d倍-或积分（I）-以产生平稳序列。

最后，GARCH模型还试图说明时间序列的异方差行为（即，波动性聚类的特征）以及该序列先前值的序列影响（由AR解释）和噪声项（由MA解释）。GARCH模型使用方差本身的自回归过程，也就是说，它使用方差的历史值来说明方差随时间的变化。

有了这种背景，我接下来将ARIMA / GARCH模型拟合到EUR / USD汇率，并将其用作交易系统的基础。使用拟合程序估算每天的模型参数，然后使用该模型预测第二天的收益，并相应保持一个交易日。

在每个交易日结束时，会使用滚动返回窗口来拟合最佳ARIMA / GARCH模型。拟合过程基于对参数的搜索，以最小化Aikake信息准则，但是也可以使用其他方法。例如，我们可以选择最小化贝叶斯信息准则的参数，这可以通过惩罚复杂模型（即具有大量参数的模型）来减少过度拟合。

我选择使用1000天的滚动窗口来拟合模型&

关注