python garch模型 forecast_Python时间序列分析--从线性模型到GARCH模型

目录

一、Motivation

二、基础知识

1.平稳性

2.序列相关(自相关)

3.为什么我们关心序列相关性？

三、白噪声和随机游动

四、线性模型

五、对数线性模型

六、AR模型(P)

七、移动平均模型MA(q)

八、自回归滑动平均模型ARMA(p，q)

九、综合自回归移动平均模型ARIMA(p，d，q)

十、自回归条件heterskedastic模型ARCH(p)

十一、广义自回归条件heterskedastic模型GARCH(p，q)

一、Motivation

早期我在做金融方面工作时，我学到了各种时间序列分析的技术和用法，但我不能对怎样将各部分组合到一起有一个更深的理解。我们很难看到为什么我们用某些模型与其他的进行比较或者这些模型如何建立在对方的弱点之上的更大的图景。使用这些技术的根本目的使我困惑了很长时间。直到我理解了这个：

**时间序列分析试图明白过去并且预测未来**

通过发展我们的时间序列分析技能，使我们能够更好的明白发生了什么，进而更好的预测未来。示例应用包括预测未来资产回报，未来相关性/协方差和未来波动性。

这篇文章的灵感来自于Michael Halls Moore在他博客上做的伟大工作。我觉得把他的一些工作翻译成Python可以帮助那些对R语言不熟悉的人。我也采用了一些其他博客上的代码。这篇文章是一个活的文件，我可以根据需要和时间流逝的更有用信息来更新他。

Before we begin let’s 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

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

p = print

p('Machine:{} {}\n