原文链接:
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。
这些时间序列分析模型是什么?
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
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。
GARCH
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。
那么我们如何应用这些模型?
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&