garch模型python步骤_利用python进行时间序列分析——从随机游走到GARCH模型(一)...

本文是主体是翻译Time Series Analysis (TSA) in Python - Linear Models to GARCH。但是文章主要是python操作,而理论较少,因此在此基础上补充理论,使文章有血更有肉。欢迎在评论区指正。目录动机基础平稳性序列相关(自相关)为什么要关心自相关白噪声和随机游走趋势平稳时间序列对数线性模型AR(p)MA(q)ARMA(p, q)ARIMA(p, ...
摘要由CSDN通过智能技术生成

本文是主体是翻译Time Series Analysis (TSA) in Python - Linear Models to GARCH。但是文章主要是python操作,而理论较少,因此在此基础上补充理论,使文章有血更有肉。欢迎在评论区指正。

目录动机

基础平稳性

序列相关(自相关)

为什么要关心自相关白噪声和随机游走

趋势平稳时间序列

对数线性模型

AR(p)

MA(q)

ARMA(p, q)

ARIMA(p, d, q)

ARCH(p)

GARCH(p, q)

参考文献

动机

为什么我们使用这个模型而不是其他模型,这些模型的有什么缺点?让我们来了解他们吧!

#import our Python libraries

import os

import sys

import pandas as pd

import pandas_datareader.data as web

import numpy as np

import statsmodels.formula.api as smf

import statsmodels.tsa.api as smt #tsa为Time Series analysis缩写

import statsmodels.api as sm

import scipy.stats as scs

from arch import arch_model

import matplotlib.pyplot as plt

import matplotlib as mpl

%matplotlib inline

#用pandas_datareader包从雅虎抓取一些数据

end = '2015-01-01'

start = '2007-01-01'

get_px = lambda x: web.DataReader(x, 'yahoo', start=start, end=end)['Adj Close']

symbols = ['SPY','TLT','MSFT']

# raw adjusted close prices

data = pd.DataFrame({sym:get_px(sym) for sym in symbols})

lrets = np.log(data/data.shift(1)).dropna()#对数收益

基础平稳性

严平稳:联合正态分布

对于所有的$t$都是同样的

弱平稳:

的均值和

的协方差随时间不变,只与

有关。

  • 1
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值