ARCH项、GARCH项、IGARCH项、TGARCH项的计算

最新推荐文章于 2024-03-12 14:28:19 发布

weixin_47178719

最新推荐文章于 2024-03-12 14:28:19 发布

阅读量896

点赞数

文章标签： python numpy 开发语言

本文链接：https://blog.csdn.net/weixin_47178719/article/details/125561958

版权

为提升股票市场预测准确度，本文介绍如何利用Python和NumPy计算ARCH、GARCH、TGARCH及IGARCH项。通过tushare获取数据，逐步解析计算过程。

摘要由CSDN通过智能技术生成

考虑到针对股票市场的复杂性，我们尝试在预测模型中加入garch项来增强预测效果。

第一步：使用tushare获取数据：

pip  install tushare


```javascript
#获取使用接口
def get_token():
    ts.set_token("xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx")
    pro=ts.pro_api()
    return pro



##获取数据列表
def get_data_list(cursor,sql,conn):
    cursor.execute(sql)
    res=cursor.fetchall()
    conn.commit()
    ts_codes_list=list(res)
    ts_codes_list=[",".join(list(x)) for x in ts_codes_list]
    return ts_codes_list
##获取数据
def get_data(ts_codes_list,pro):
    daily=pd.DataFrame(columns=["ts_code","trade_date","open","close","high","low","volume"]) ##获取相应的列信息
    for i in range(0,len(ts_codes_list),100):  
        j=i+100
        if(j>=len(ts_codes_list)):
            j=len(ts_codes_list)
        name=",".join(ts_codes_list[i:j])
        part= pro.daily(ts_code=name, trade_date=get_date())[["ts_code","trade_date","open","close","high","low","volume"]]
        daily=pd.concat([daily,part],ignore_index=True) 
    daily["trade_date"]=daily["trade_date"].apply(get_date_format)
    return daily

第二步：计算GARCH项

#需要的包
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline
import math
import statsmodels.api as sm
from scipy.optimize import minimize


def load_return(file):
    Stock = file
    Stock['date'] = pd.to_datetime