金融时间序列分析

自选金融资产数据，整理并计算：（1）简单收益率；（2）对数收益率。

计算统计指标，并据此进行描述性统计分析；

绘制数据的分布图形。

检验分布是否服从正态分布。

import pandas as pd
data=pd.read_excel("data.xls")
close = data['close']  #得到收盘价
#计算简单收益率和删除第一个空白值
returns=close/close.shift(1)-1
returns=returns.dropna()
#或者returns=close.pct_change(1)
#计算对数收益率
returns_log = np.log(close/close.shift(1))
returns_log = returns_log.dropna()

#描述性统计分析

import numpy as np
import scipy.stats as scs
mean=np.mean(returns)
std=np.std(returns)
skew=scs.skew(returns)
kur=scs.kurtosis(returns)
#股票收盘价图
import matplotlib.pyplot as plt
count=close.count()
ls=np.arange(1,count+1)
plt.plot(ls,close)
plt.show()

绘制收益率数据的直方图和核密度曲线

import seaborn as sns
sns.distplot(returns)

检验数据是否服从正态分布

from scipy import stats
stats.kstest(returns,'norm')
#P值小于0.05拒绝原假设，因此收益率不服从正态分布
#绘制QQ图
stats.probplot(returns,plot=plt)  
plt.show()

结果汇总

result2=pd.DataFrame(stats.kstest(returns,'norm'))
result2.columns=['returns']  
result2.index=['统计量','P值']  
result3=pd.DataFrame(stats.kstest(returns_log,'norm'))
result3.columns=['returns_log']  
result3.index=['统计量','P值']  
pd.concat([result2,result3],axis=1)

自选金融资产，对数据进行必要整理

（1）绘制ADF与PADF图形；

（2）检验数据的平稳性；

（3）构建ARIMA模型；

（4）对数据进行5阶外推预测。

检验平稳性

from statsmodels.tsa.stattools import adfuller as ADF
ADF(close)
diff1 = close.diff(1).dropna() #若不平稳则进行差分
ADF(diff1)

绘制ACF图和PACF图

from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
plot_acf(diff1).show()
plot_pacf(diff1).show()

AIC、BIC定阶

import statsmodels.api as sm
AIC = sm.tsa.arma_order_select_ic(data["close"], max_ar=6, max_ma=4, ic='aic')['aic_min_order']
BIC = sm.tsa.arma_order_select_ic(close, max_ar=6, max_ma=4, ic='bic')['bic_min_order']
print('AIC is{}\n'.format(AIC))

ARIMA模型

from statsmodels.tsa.arima_model import ARIMA
model = ARIMA(close,order=(4,1,3))#导入ARIMA模型
result = model.fit()
print(result.summary())

五阶外推预测

result.forecast(5)[0]

（1）检验对数收益率是否存在ARCH效应；

（2）用前95%数据构建ARCH模型，并用剩余5%数据进行检验；

（3）选用其他ARCH族模型进行构建与检验，比较得到较优模型。

resid=result.resid
resid2=resid*resid
from statsmodels.tsa import stattools
LjungBox=stattools.q_stat(stattools.acf(resid2),len(resid2))
LjungBox[1][-1]
resid2.count()
resid2_train=resid2[:int(resid2.count()*0.95)]
from statsmodels.tsa.stattools import adfuller as ADF
ADF(resid2_train)
diff1 = resid2_train.diff(1).dropna()
from statsmodels.tsa.stattools import adfuller as ADF
ADF(diff1)
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
plot_acf(diff1).show()
plot_pacf(diff1).show()
import statsmodels.api as sm
AIC = sm.tsa.arma_order_select_ic(resid2_train, max_ar=6, max_ma=4, ic='aic')['aic_min_order']
BIC = sm.tsa.arma_order_select_ic(resid2_train, max_ar=6, max_ma=4, ic='bic')['bic_min_order']
print('AIC is{}\n'.format(AIC))
from statsmodels.tsa.arima_model import ARIMA
model1 = ARIMA(resid2,order=(4,1,3))#导入ARIMA模型
result1 = model1.fit()
print(result1.summary())
result1.forecast(5)[0]