python金融建模实例_【手把手教你】使用Python玩转金融时间序列模型

原标题：【手把手教你】使用Python玩转金融时间序列模型

01 引言

上一篇推文《Python量化基础：时间序列的自相关性与平稳性》着重介绍了时间序列的一些基础概念，包括自相关性、偏自相关性、白噪声和平稳性，以及Python的简单实现。本文在此基础上，以沪深300指数收益率数据为例，探讨如何使用Python对平稳时间序列进行建模和预测分析。时间序列经典模型主要有自回归模型AR，移动回归模型MA，移动自回归模型ARMA，以及差分移动自回归模型ARIMA，今天主要介绍这四种模型的基本原理以及Python的实现步骤。

02 AR模型

AR模型全称为Autoregressive Models，即自回归模型，用于刻画因变量能由它的多个滞后项表示。p阶自回归模型可以写成：

下面模拟一个AR(1)模型。

import pandas as pd

import numpy as np

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

#画图

import matplotlib.pyplot as plt

import matplotlib as mpl

%matplotlib inline

#正常显示画图时出现的中文和负号

from pylab import mpl

mpl.rcParams['font.sans-serif']=['SimHei']

mpl.rcParams['axes.unicode_minus']=False

#先定义一个画图函数，后面都会用到

def ts_plot(data, lags=None,title=''): if not isinstance(data, pd.Series):

data = pd.Series(data)

#matplotlib官方提供了五种不同的图形风格，

#包括bmh、ggplot、dark_background、fivethirtyeight和grayscale

with plt.style.context('ggplot'):

fig = plt.figure(figsize=(10, 8))

layout = (3, 2)

ts_ax = plt.subplot2grid(layout, (0, 0), colspan=2)

acf_ax = plt.subplot2grid(layout, (1, 0))

pacf_ax = plt.subplot2grid(layout, (1, 1))

qq_ax = plt.subplot2grid(layout, (2, 0))

pp_ax = plt.subplot2grid(layout, (2, 1))

data.plot(ax=ts_ax)

ts_ax.set_title(title+'时序图')

smt.graphics.plot_acf(data, lags=lags, ax=acf_ax, alpha=0.5)

acf_ax.set_title('自相关系数')

smt.graphics.plot_pacf(data, lags=lags, ax=pacf_ax, alpha=0.5)

pacf_ax.set_title('偏自相关系数')

sm.qqplot(data, line='s', ax=qq_ax)

qq_ax.set_title('QQ 图')

scs.probplot(data, sparams=(data.mean(),

data.std()), plot=pp_ax)

pp_ax.set_title('PP 图')

plt.tight_layout()

return

# 模拟AR(1) 过程

#设置随机种子（括号里数字无意义）

np.random.seed(1)

#模拟次数

n=5000

#AR模型的参数

a = 0.8

#扰动项为正态分布

x = w = np.random.normal(size=n)

for t in range(1,n):

x[t] = a*x[t-1] + w[t]

#画图

ts_plot(x, lags&#