基于 GARCH -LSTM 模型的混合方法进行时间序列预测研究（Python代码实现）

最新推荐文章于 2024-06-28 16:16:19 发布
最新推荐文章于 2024-06-28 16:16:19 发布
阅读量490 收藏 7
点赞数 19
文章标签： lstm python 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_46039719/article/details/139983772
版权

 👨‍🎓个人主页：研学社的博客  

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Python代码实现

💥1 概述

大多数经济时间序列并不一定如我们所期望的具有恒定的均值,这些序列往往在阶段性的相对平稳之后又表现出剧烈的波动。我们将这一类序列称为条件异方差，长期来看，它们的无条件方差是恒定的，但存在着方差相对较大的时期。最典型的如股票市场，既有看上去风平浪静的时候，也有大起大落的时候。
上世纪80年代以前，由于缺乏更好的度量，时间序列的方差一直被假设为恒定。1982年，Engle 发表论文指出，时间序列存在着一种特殊的异方差即“自回归条件异方差”(Autoregressive Conditional Heteroskedasticity，简记ARCH）。1986年，Bollerslev对ARCH模型进行了推广，建立了“广义自回归条件异方差”(Generalised ARCH)，也就是我们熟知的GARCH模型。因此，在讨论GARCH模型之前，我们首先对ARCH模型进行研究。

作为计量经济学中最常用的模型之一，ARCH在实际使用的过程中也存在着一定的缺陷。例如当滞后阶数p较大时，待估计的参数数量较大，这不仅造成样本容量的损失，可能还会带来诸如多重共线性等其他问题。而Bollerslev(1996)GARCH模型的提出，减少了待估计的参数，解决的ARCH模型存在的缺陷，使得我们可以对未来条件方差进行更准确的预测。
 

📚2 运行结果

 

Epoch 1/100
3508/3508 [==============================] - 227s 65ms/step - loss: 0.0113
Epoch 2/100
3508/3508 [==============================] - 210s 60ms/step - loss: 0.0046
Epoch 3/100
3508/3508 [==============================] - 230s 65ms/step - loss: 0.0031
Epoch 4/100
3508/3508 [==============================] - 209s 60ms/step - loss: 0.0025
Epoch 5/100
3508/3508 [==============================] - 210s 60ms/step - loss: 0.0024
Epoch 6/100
3508/3508 [==============================] - 209s 60ms/step - loss: 0.0020
Epoch 7/100
3508/3508 [==============================] - 207s 59ms/step - loss: 0.0020
Epoch 8/100
3508/3508 [==============================] - 208s 59ms/step - loss: 0.0018
Epoch 9/100
3508/3508 [==============================] - 208s 59ms/step - loss: 0.0016
Epoch 10/100
3508/3508 [==============================] - 208s 59ms/step - loss: 0.0015
Epoch 11/100
3508/3508 [==============================] - 207s 59ms/step - loss: 0.0014
Epoch 12/100
3508/3508 [==============================] - 207s 59ms/step - loss: 0.0013
Epoch 13/100
3508/3508 [==============================] - 207s 59ms/step - loss: 0.0013
Epoch 14/100
3508/3508 [==============================] - 207s 59ms/step - loss: 0.0012
Epoch 15/100
3508/3508 [==============================] - 207s 59ms/step - loss: 0.0011
Epoch 16/100
3508/3508 [==============================] - 207s 59ms/step - loss: 0.0010
Epoch 17/100
3508/3508 [==============================] - 207s 59ms/step - loss: 0.0010
Epoch 18/100
3508/3508 [==============================] - 208s 59ms/step - loss: 0.0010
Epoch 19/100
3508/3508 [==============================] - 208s 59ms/step - loss: 9.8157e-04
Epoch 20/100
3508/3508 [==============================] - 207s 59ms/step - loss: 9.5257e-04
Epoch 21/100
3508/3508 [==============================] - 207s 59ms/step - loss: 8.9070e-04
Epoch 22/100
3508/3508 [==============================] - 208s 59ms/step - loss: 8.8150e-04
Epoch 23/100
3508/3508 [==============================] - 207s 59ms/step - loss: 8.0846e-04
Epoch 24/100
3508/3508 [==============================] - 207s 59ms/step - loss: 8.1928e-04
Epoch 25/100
3508/3508 [==============================] - 207s 59ms/step - loss: 7.7277e-04
Epoch 26/100
3508/3508 [==============================] - 208s 59ms/step - loss: 7.6897e-04
Epoch 27/100
3508/3508 [==============================] - 207s 59ms/step - loss: 7.0307e-04
Epoch 28/100
3508/3508 [==============================] - 207s 59ms/step - loss: 7.5303e-04
Epoch 29/100
3508/3508 [==============================] - 207s 59ms/step - loss: 7.1193e-04
Epoch 30/100
3508/3508 [==============================] - 208s 59ms/step - loss: 7.0833e-04
Epoch 31/100
3508/3508 [==============================] - 207s 59ms/step - loss: 6.5084e-04
Epoch 32/100
3508/3508 [==============================] - 207s 59ms/step - loss: 6.3750e-04
Epoch 33/100
3508/3508 [==============================] - 207s 59ms/step - loss: 5.8134e-04
Epoch 34/100
3508/3508 [==============================] - 207s 59ms/step - loss: 6.0320e-04
Epoch 35/100
3508/3508 [==============================] - 208s 59ms/step - loss: 6.0289e-04
Epoch 36/100
3508/3508 [==============================] - 207s 59ms/step - loss: 5.9282e-04
Epoch 37/100
3508/3508 [==============================] - 207s 59ms/step - loss: 5.6629e-04
Epoch 38/100
3508/3508 [==============================] - 208s 59ms/step - loss: 5.6232e-04
Epoch 39/100
3508/3508 [==============================] - 207s 59ms/step - loss: 5.5231e-04
Epoch 40/100
3508/3508 [==============================] - 207s 59ms/step - loss: 5.3659e-04
Epoch 41/100
3508/3508 [==============================] - 207s 59ms/step - loss: 5.4437e-04
Epoch 42/100
3508/3508 [==============================] - 207s 59ms/step - loss: 5.1799e-04
Epoch 43/100
3508/3508 [==============================] - 206s 59ms/step - loss: 4.8758e-04
Epoch 44/100
3508/3508 [==============================] - 207s 59ms/step - loss: 5.2246e-04
Epoch 45/100
3508/3508 [==============================] - 206s 59ms/step - loss: 4.7491e-04
Epoch 46/100
3508/3508 [==============================] - 212s 60ms/step - loss: 5.0114e-04
Epoch 47/100
3508/3508 [==============================] - 214s 61ms/step - loss: 4.7639e-04
Epoch 48/100
3508/3508 [==============================] - 207s 59ms/step - loss: 5.0424e-04
Epoch 49/100
3508/3508 [==============================] - 206s 59ms/step - loss: 4.7534e-04
Epoch 50/100
3508/3508 [==============================] - 206s 59ms/step - loss: 4.6536e-04
Epoch 51/100
3508/3508 [==============================] - 205s 59ms/step - loss: 4.8457e-04
Epoch 52/100
3508/3508 [==============================] - 206s 59ms/step - loss: 4.9359e-04
Epoch 53/100
3508/3508 [==============================] - 205s 59ms/step - loss: 4.3020e-04
Epoch 54/100
3508/3508 [==============================] - 205s 58ms/step - loss: 4.3261e-04
Epoch 55/100
3508/3508 [==============================] - 205s 58ms/step - loss: 4.5423e-04
Epoch 56/100
3508/3508 [==============================] - 205s 59ms/step - loss: 4.6927e-04
Epoch 57/100
3508/3508 [==============================] - 206s 59ms/step - loss: 4.4117e-04
Epoch 58/100
3508/3508 [==============================] - 210s 60ms/step - loss: 4.2552e-04
Epoch 59/100
3508/3508 [==============================] - 213s 61ms/step - loss: 4.5346e-04
Epoch 60/100
3508/3508 [==============================] - 212s 60ms/step - loss: 3.9747e-04
Epoch 61/100
3508/3508 [==============================] - 213s 61ms/step - loss: 4.0462e-04
Epoch 62/100
3508/3508 [==============================] - 212s 61ms/step - loss: 3.9194e-04
Epoch 63/100
3508/3508 [==============================] - 212s 61ms/step - loss: 4.2718e-04
Epoch 64/100
3508/3508 [==============================] - 212s 60ms/step - loss: 3.9893e-04
Epoch 65/100
3508/3508 [==============================] - 213s 61ms/step - loss: 4.0014e-04
Epoch 66/100
3508/3508 [==============================] - 212s 60ms/step - loss: 3.8905e-04
Epoch 67/100
3508/3508 [==============================] - 213s 61ms/step - loss: 3.7853e-04
Epoch 68/100
3508/3508 [==============================] - 212s 60ms/step - loss: 3.5113e-04
Epoch 69/100
3508/3508 [==============================] - 212s 61ms/step - loss: 3.7891e-04
Epoch 70/100
3508/3508 [==============================] - 212s 61ms/step - loss: 3.9476e-04
Epoch 71/100
3508/3508 [==============================] - 212s 61ms/step - loss: 3.5827e-04
Epoch 72/100
3508/3508 [==============================] - 213s 61ms/step - loss: 3.8220e-04
Epoch 73/100
3508/3508 [==============================] - 213s 61ms/step - loss: 3.3573e-04
Epoch 74/100
3508/3508 [==============================] - 214s 61ms/step - loss: 3.7167e-04
Epoch 75/100
3508/3508 [==============================] - 214s 61ms/step - loss: 3.8604e-04
Epoch 76/100
3508/3508 [==============================] - 213s 61ms/step - loss: 3.6441e-04
Epoch 77/100
3508/3508 [==============================] - 218s 62ms/step - loss: 3.6098e-04
Epoch 78/100
3508/3508 [==============================] - 220s 63ms/step - loss: 3.5123e-04
Epoch 79/100
3508/3508 [==============================] - 214s 61ms/step - loss: 3.3619e-04
Epoch 80/100
3508/3508 [==============================] - 212s 61ms/step - loss: 3.4314e-04
Epoch 81/100
3508/3508 [==============================] - 212s 61ms/step - loss: 3.6033e-04
Epoch 82/100
3508/3508 [==============================] - 213s 61ms/step - loss: 3.1574e-04
Epoch 83/100
3508/3508 [==============================] - 213s 61ms/step - loss: 3.4564e-04
Epoch 84/100
3508/3508 [==============================] - 213s 61ms/step - loss: 3.5689e-04
Epoch 85/100
3508/3508 [==============================] - 213s 61ms/step - loss: 3.3262e-04
Epoch 86/100
3508/3508 [==============================] - 212s 61ms/step - loss: 3.4473e-04
Epoch 87/100
3508/3508 [==============================] - 213s 61ms/step - loss: 3.2569e-04
Epoch 88/100
3508/3508 [==============================] - 212s 61ms/step - loss: 3.2259e-04
Epoch 89/100
3508/3508 [==============================] - 213s 61ms/step - loss: 3.3683e-04
Epoch 90/100
3508/3508 [==============================] - 213s 61ms/step - loss: 3.1951e-04
Epoch 91/100
3508/3508 [==============================] - 212s 61ms/step - loss: 3.3434e-04
Epoch 92/100
3508/3508 [==============================] - 212s 61ms/step - loss: 3.1119e-04
Epoch 93/100
3508/3508 [==============================] - 212s 61ms/step - loss: 3.4121e-04
Epoch 94/100
3508/3508 [==============================] - 213s 61ms/step - loss: 3.1827e-04
Epoch 95/100
3508/3508 [==============================] - 213s 61ms/step - loss: 3.1273e-04
Epoch 96/100
3508/3508 [==============================] - 212s 61ms/step - loss: 3.1334e-04
Epoch 97/100
3508/3508 [==============================] - 212s 61ms/step - loss: 3.3695e-04
Epoch 98/100
3508/3508 [==============================] - 212s 61ms/step - loss: 3.2542e-04
Epoch 99/100
3508/3508 [==============================] - 212s 61ms/step - loss: 3.3429e-04
Epoch 100/100
3508/3508 [==============================] - 212s 60ms/step - loss: 3.3042e-04
 

🎉3 参考文献

部分理论来源于网络，如有侵权请联系删除。

[1]秦寰. 基于GARCH-LSTM的沪深300指数择时策略研究[D].上海财经大学,2021.DOI:10.27296/d.cnki.gshcu.2021.000445.

[2]方志军. 基于GARCH族和LSTM混合模型的股价波动预测研究[D].中南财经政法大学,2021.DOI:10.27660/d.cnki.gzczu.2021.002388.

🌈4 Python代码实现

荔枝科研社
关注
  • 19
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
MATLAB算法实战应用案例精讲-【数据分析】时序异常检测（补充篇）（附Java、R语言和python代码实现）
qq_36130719的博客
01-10 2377
时间序列是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。正如人们常说，人生的出场顺序很重要，时间序列中隐藏着一些过去与未来的关系。时间序列分析试图通过研究过去来预测未来。时间序列分析在工程、金融、科技等众多领域有着广泛的应用。在大数据时代，时间序列分析已经成为 AI 技术的一个分支，通过将时间序列分析与分类模型相结合，更好的应用于数据检测、预测等场景。重构误差阈值设定的方法Doyle于1962年提出的P-Tile (即P分位数法)可以说是最古老的一种阈值选取方法。
金融时间序列模型ARIMA 和GARCH 在股票市场预测应用
拓端研究室TRL
12-29 429
原文链接：http://tecdat.cn/?p=24407这篇文章讨论了自回归综合移动平均模型 (ARIMA) 和自回归条件异方差模型 (GARCH) 及其在股票市场预测中的应用。介绍一个ARMA (AutoRegressive-Moving Average)")有两部分，AR(p)部分和MA(q)部分，表示如下其中 L 是滞后算子，ϵi 是白噪声。它可以通过 Box-Jenkins met...
15种时间序列预测方法总结(包含多种方法代码实现)
热门推荐
Snu77的博客
09-28 3万+
本文提供时间序列分析从基本概念到模型的讲解，利用python和pytroch实现代码讲解，文章内既包括简单的代码示例又包括复杂的代码讲解部分，也有精美的图片的形式帮助读者更加快速的理解时间序列，本文涉及到的内容有机器学习和深度学习部分也包括一部分强化学习内容，文章内还含有运行结果的展示，同时提供给大家数据集进行操作，可以说时间序列类的任务你只看这一篇文章就足够了，总之无论你是数据科学新手，还是寻求进一步提升你的时间序列预测技能的专业人士，这篇博客都将为你提供宝贵的知识和经验。
拓端tecdat|视频：R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格
大数据部落
12-29 9041
时间序列分析是统计学中的一个主要分支，主要侧重于分析数据集以研究数据的特征并提取有意义的统计信息来预测序列的未来值。时序分析有两种方法，即频域和时域。前者主要基于傅立叶变换，而后者则密切研究序列的自相关，并且使用Box-Jenkins和ARCH / GARCH方法进行序列的预测。 ......
论文阅读【时间序列预测2】TACTiS: Transformer-Attentional Copulas for Time Series
weixin_47082769的博客
04-20 1663
TACTiS（Transformer-Attentional Copulas for Time Series）论文的创新点主要包括以下几个方面：提出了一种新的时间序列生成模型，该模型结合了Transformer编码器、注意力机制和copula分布，能够更准确地捕捉序列中的关联关系。Transformer编码器：相比于传统的循环神经网络（RNN）等序列模型，Transformer模型可以更好地处理长序列，避免了RNN模型存在的梯度消失和梯度爆炸问题，并且可以并行处理输入序列，提高模型的训练效率。
R语言多变量广义正交GARCH（GO-GARCH）模型对股市高维波动率时间序列拟合预测...
拓端研究室TRL
05-06 172
原文链接：http://tecdat.cn/?p=25687在多变量波动率预测中，我们有时会看到对少数主成分驱动的协方差矩阵建模，而不是完整的股票。使用这种因子波动率模型的优势是很多的。首先，你不需要对每个股票单独建模，你可以处理流动性相当弱的股票。第二，因子波动率模型在计算成本低。第三，与指数加权模型相比，持久性参数（通常表示为）不必在所有股票上都是一样的。你可以为每个因子指定一个不同的过程，这...
SARIMA-LSTM混合模型预测时间序列（Python）
05-25
SARIMA-LSTM混合模型预测时间序列（Python） SARIMA-LSTM混合模型预测时间序列（Python） SARIMA-LSTM混合模型预测时间序列（Python）
GA-LSTM 遗传算法优化的lstm 预测代码 python实现
04-07
GA-LSTM 遗传算法优化的lstm 预测代码 python实现 直接就可以运行 GA.PY 具体可以通过lstm.py的load数据进行修改
GARCH-MIDAS、DDC-MIDAS模型MATLAB代码
01-03
2,4版 可以估计DCC-MIDAS adl-MIDAS DCC-GARCH
论文研究-基于GARCH-MIDAS模型的宏观经济与股市波动关系.pdf
09-13
以宏观经济变量为研究变量，运用多因子GARCH-MIDAS（Mixed Data Sampling）模型研究了我国宏观经济与股市波动之间的关系。研究结果表明：多因子GARCH-MIDAS模型较好地描述了宏观经济与股市波动之间的关系。工业增加...
基于GARCH-V模型的处置效应研究
01-12
为了考察作为投资者决策非理性因素的处置效应与股价波动之间的关系,引入用来检验处置效应是否存在的资本盈利突出...最后,根据赤池信息准则(AIC)发现,所构建的基于处置效应的GARCH-V-G模型比GARCH-V模型的拟合效果更好.
力扣第214题“最短回文串”
10年数据\经营分析经验，现任大厂数据分析负责人
06-28 726
本文详细解读了力扣第214题“最短回文串”，通过使用 KMP 算法的方法高效地解决了这一问题，并提供了详细的解释和模拟面试问答。希望读者通过本文的学习，能够在力扣刷题的过程中更加得心应手。
【Python】在 VS Code 里面绘制动图不显示动画的解决办法
Suasy小易的博客
06-25 523
VS Code 中使用 matplotlib 的动画功能，需要配置适当的绘图后端。
小红书商家电话采集软件使用指南
qq_34629423的博客
06-24 534
步骤一：安装Python和相关库 首先，确保你的电脑已经安装了Python运行环境（建议安装Python3版本）。步骤三：编写代码 在你喜欢的编辑器中创建一个新的Python文件，例如"shangjia_phone_crawler.py"。步骤二：获取商家列表页面URL 在小红书App中，进入你想要采集的商家列表页面，并复制该页面的URL地址。然后，按照提示输入商家列表页面的URL地址，回车确认。使用小红书商家电话采集软件可以提高商家电话的采集效率，以下是使用指南及附带代码。
Scrapy框架与其他Python爬虫库的对比分析
最新发布
wx_19970108018的博客
06-28 375
如果需要爬取大量网站的数据，并且需要复杂的处理操作，那么 Scrapy 框架是比较不错的选择；对于初学者来说，建议先学习其他 Python 爬虫库，掌握爬虫的基本技术，再考虑使用 Scrapy 框架进行深入的学习和开发。Scrapy 是一个专门为爬取网站数据而设计的框架，它内置了许多常用的爬虫功能，如自动模拟 HTTP 请求、页面解析、数据提取、数据存储等。BeautifulSoup 是 Python 中非常流行的 HTML 解析库，它可以快速、灵活地解析 HTML 页面，并提取需要的数据。
数据类型 运算符
Xiao_die888的博客
06-23 776
booleantruefalsebyteshortintlongLlfloatFfdoublechar基本数据类型直接存储它们的值，当变量被声明为基本数据类型时，它们直接在栈上分配内存。StringInteger引用数据类型在Java堆上分配内存，而引用变量（在栈上）存储的是对象在堆上的内存地址。
优化｜PyOptInterface:高效且灵活的Python优化建模语言
weixin_53463894的博客
06-25 646
建模语言的效率直接影响优化模型的构建和求解时间。通过C++实现的内核直接调用优化求解器的底层C接口，构建优化模型的速度非常快，在性能测试中建模速度最接近求解器的C++接口，比Pyomo快10-20倍，比一些优化求解器的官方Python接口快2-5倍，并超越了目前速度最快的开源建模语言JuMP.jl。在统一接口的基础上，仍然提供了设置优化求解器特定参数等底层接口和高级功能，比如支持混合整数规划（MIP）中的回调函数（callback function），提供与优化求解器官方Python接口相近的完备功能。
13017.win10安装WSL2及CUDA开发环境
写给自己的笔记
06-25 780
默认启动进入root用户，修改进入到自定义用户.进入到ubuntu.exe目录。
时间序列中基于python的ARIMA-GARCH模型预测代码
06-03
下面是一个简单的基于Python的ARIMA-GARCH模型预测代码示例： ```python import pandas as pd import numpy as np import matplotlib.pyplot as plt from statsmodels.tsa.arima_model import ARIMA import arch # 读取数据 data = pd.read_csv('data.csv', parse_dates=['date'], index_col='date') # 绘制时序图 plt.plot(data) plt.show() # 拆分训练集和测试集 train_data = data['2010-01-01':'2017-12-31'] test_data = data['2018-01-01':] # ARIMA模型拟合 model = ARIMA(train_data, order=(1, 1, 1)) model_fit = model.fit(disp=0) print(model_fit.summary()) # 预测 predictions = model_fit.forecast(steps=len(test_data))[0] # 绘制预测结果 plt.plot(test_data) plt.plot(predictions, color='red') plt.show() # GARCH模型拟合 residuals = test_data['y'] - predictions garch = arch.arch_model(residuals, p=1, q=1) garch_fit = garch.fit() print(garch_fit.summary()) # GARCH模型预测 garch_predictions = garch_fit.forecast(horizon=len(test_data)) garch_predictions = np.sqrt(garch_predictions.variance.values[-1, :]) plt.plot(test_data) plt.plot(predictions, color='red') plt.plot(predictions + garch_predictions, color='green') plt.plot(predictions - garch_predictions, color='green') plt.show() ``` 代码中首先读取数据，并绘制了数据的时序图。然后将数据拆分成训练集和测试集，并使用ARIMA模型拟合训练集数据。接着进行预测，并绘制预测结果图。最后使用GARCH模型拟合测试集数据的残差，并进行GARCH模型预测。绘制预测结果图时，使用绿色表示预测结果的置信区间。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

荔枝科研社

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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