Python玩转金融时间序列之ARCH与GARCH模型

01 引言

作为金融时间序列的专题推文，【手把手教你】时间序列之日期处理主要介绍了使用Python处理时间序列的日期和统计分析；【Python量化基础】时间序列的自相关性与平稳性主要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；而【手把手教你】使用Python玩转金融时间序列模型主要介绍了AR、MA、ARMA和ARIMA模型的基本原理与Python的实现。从上一篇推文不难看出，使用ARMA等模型对股票收益率的时间序列建模效果不是很理想，主要在于忽略了时间序列的异方差和波动聚集特性。所谓波动性聚集，是指金融时间序列的波动具有大波动接着大波动，小波动接着小波动的特征，即波峰和波谷具有连续性。ARCH和GARCH模型正是基于条件异方差和波动聚集的特性建模的。本次推文着重介绍 ARCH和GARCH模型的基本原理及其Python实现。

02 股票收益率时间序列特点

在介绍ARCH和GARCH模型之前，我们先来看看金融资产收益率的时间序列有哪些比较突出的特点。仍然以沪深300指数为例，考察其收益率时间的分布和统计特性。下面的Python代码与上一篇推文类似，包括导入需要用到的库、定义画图函数和使用tushare获取数据等。遇到问题没人解答，小编创建了一个Python学习交流裙：五二八三九七六一七，寻找有志同道合的小伙伴，互帮互助，群里还有不错的学习视频教程和PDF电子书分享！

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

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))

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

使用tushare获取沪深300交易数据

import tushare as ts

token='输入你的token'

pro=ts.pro_api(token)

df=pro.index_daily(ts_code='000300.SH')

df.index=pd.to_datetime(df.trade_date)

del df.index.name

df=df.sort_index()

df['ret']=np.log(df.close/df.close.shift(1))

#df.head()

ts_plot(df.ret.dropna(),lags=30,title='沪深300收益率')

从上图可以看出，沪深300指数收益率时间序列呈现出以下几个现象，具有一定的普遍性。

自相关性比较弱，但对其进行变换后，如取平方、绝对值等，则表现出很强的自相关性（见后文）；

收益率的条件方差（Conditional Variance）随着时间而变化，即存在条件异方差的特征。

收益率序列的波动具有持续性，即存在波动集聚（Volatility Clustering）的现象。比如2007-2008、2015-2016、2019具有较大的波动性。

QQ图显示，收益率并不服从正态分布，极端值较多，具有厚尾的现象。

03 ARCH模型

ARCH模型全称是自回归条件异方差模型，Autoregressive Conditionally Heteroskedastic Models - ARCH(p)，是Engle在1982年分析英国通货膨胀率时提出的模型，主要用于刻画波动率的统计特征。

一般先假设收益率序列满足某个经典时间序列模型（MA、AR或ARMA），以AR（1）模型为例：

收益率yt的波动率（条件方差）可以使用残差项的波动率进行刻画：

为了刻画资产收益率的这种波动特性，可以令残差项的条件方差与过去残差项的平方相关。因此，ARCH（p）模型可以表示为：

其中，w是均值为0，方差为1的独立同分布时间序列，

，且满足一定条件使得的无条件方差有限。ARCH(p)模型能够很好地刻画金融资产收益率序列的波动特性和厚尾现象，但是其本身并不能用来解释金融资产收益率为何有这样的特征。关于ARCH模型的估计此处不详细展开，感兴趣的可以参见Ruey S. Tray的《金融时间序列分析》和计量经济学教材。下面简要介绍ARCH模型的建模步骤：

（1）检验收益率序列是否平稳，根据自相关性建立合适的均值方程，如ARMA模型，描述收益率如何随时间变化，根据拟合的模型和实际值，得到残差序列。

（2）对拟合的均值方程得到的残差序列进行ARCH效应检验，即检验收益率围绕均值的偏差是否时大时小。检验序列是否具有ARCH效应的方法有两种：Ljung-Box检验和LM检验。

（3）若ARCH效应在统计上显著，则需要再设定一个波动率模型来刻画波动率的动态变化。

（4）对均值方差和波动率方差进行联合估计，即假设实际数据服从前面设定的均值方差和波动率方差后，对均值方差和波动率方差中的参数进行估计，并得到估计的误差。

（5）对拟合的模型进行检验。如果估计结果（残差项）不满足模型本身的假设，则模型的可用性较差。

下面使用Python模拟ARCH模型并对沪深300收益率的ARCH效应进行统计检验。

# 模拟ARCH时间序列

np.random.seed(2)

a0 = 2

a1 = .5

y = w = np.random.normal(size=1000)

Y = np.empty_like(y)

for t in range(1,len(y)):

Y[t] = w[t] * np.sqrt((a0 + a1*y[t-1]**2))

ts_plot(Y, lags=30,title='模拟ARCH')

def ret_plot(ts, title=''):

ts1=ts**2

ts2=np.abs(ts)

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

fig = plt.figure(figsize=(12, 6))

layout = (2, 1)

ts1_ax = plt.subplot2grid(layout, (0, 0), colspan=2)

ts2_ax = plt.subplot2grid(layout, (1, 0))

ts1.plot(ax=ts1_ax)

ts1_ax.set_title(title+'日收益率平方')

ts2.plot(ax=ts2_ax)

ts2_ax.set_title(title+'日收益率绝对值')

plt.tight_layout()

return

ret_plot(df.ret.dropna(), title='沪深300')

从沪深300的日收益平方和绝对值走势图可以看出，存在较明显的波动聚集的现象，初步可以判断出沪深300日收益序列存在ARCH效应。下面使用Ljung-Box统计量对收益率平方的自相关性进行统计检验。计算Q统计量和LB统计量都是用python中statsmodels模块acorr_ljungbox方法. 默认情况下, acorr_ljungbox只计算LB统计量, 只有当参数boxpierce=True时, 才会输出Q统计量。由LB白噪声检验可以看出，Q统计量的p值都在0.05以下, 表明原假设成立的概率极小, 可以拒绝沪深300收益率的平方是白噪音序列的原假设，说明原序列（沪深300收益率）存在ARCH效应。

def whitenoise_test(ts):

'''计算box pierce 和 box ljung统计量'''

from statsmodels.stats.diagnostic import acorr_ljungbox

q,p=acorr_ljungbox(ts)

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

fig = plt.figure(figsize=(10, 4))

axes = fig.subplots(1,2)

axes[0].plot(q, label='Q统计量')

axes[0].set_ylabel('Q')

axes[1].plot(p, label='p值')

axes[1].set_ylabel('P')

axes[0].legend()

axes[1].legend()

plt.tight_layout()

return

ret=df.ret.dropna()

whitenoise_test(ret**2)

04 GARCH模型

GARCH模型是Bollerslev在1986年提出来的，全称为广义自回归条件异方差模型，Generalized Autoregressive Conditionally Heteroskedastic Models - GARCH(p,q)，是ARCH模型的扩展。GARCH模型认为时间序列每个时间点变量的波动率是最近p个时间点残差平方的线性组合，与最近q个时间点变量波动率的线性组合加起来得到。即GARCH模型的条件方差不仅是滞后残差平方的线性函数，还是滞后条件方差的线性函数，因而GARCH模型适合在计算量不大时，方便地描述高阶的ARCH过程，具有更大的适用性。

其中，

为白噪音，

，否则模型将是非平稳的。GARCH模型的估计与ARCH模型类似，具体推导过程参见计量经济学相关书籍。在实际应用中，GARCH(1,1)和GARCH(2,1)一般可以满足对自回归条件异方差的描述。下面使用Python对GARCH(1,1)模型进行模拟和估计。

Python中的ARCH包

先来看下arch包中arch_model函数各参数的含义以及模型设定方法。

arch.arch_model(y, x=None, mean='Constant', lags=0, vol='Garch', p=1, o=0, q=1, power=2.0, dist='Normal', hold_back=None)

各参数含义:

y : 因变量。

x : 外生变量，如果没有外生变量则模型自动省略。

mean: 均值模型的名称，可选: ‘Constant’, ‘Zero’, ‘ARX’ 以及 ‘HARX’。

lags:滞后阶数。

vol :波动率模型，可选: ‘GARCH’ （默认）, ‘ARCH’, ‘EGARCH’, ‘FIARCH’ 以及 ‘HARCH’。

p :– 对称随机数的滞后阶,即扣除均值后的部分。

o ：非对称数据的滞后阶。

q ：波动率或对应变量的滞后阶。

power：使用GARCH或相关模型的精度。

dist：误差分布，可选：正态分布: ‘normal’, ‘gaussian’ (default)；学生T分布: ‘t’, ‘studentst’；偏态学生T分布: ‘skewstudent’, ‘skewt’；通用误差分布: ‘ged’, ‘generalized error”。

hold_back：对同一样本使用不同的滞后阶来比较模型时使用该参数。

# 模拟GARCH(1, 1) 过程

np.random.seed(1)

a0 = 0.2

a1 = 0.5

b1 = 0.3

n = 10000

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

garch = np.zeros_like(w)

sigsq = np.zeros_like(w)

for i in range(1, n):

sigsq[i] = a0 + a1*(garch[i-1]**2) + b1*sigsq[i-1]

garch[i] = w[i] * np.sqrt(sigsq[i])

_ = ts_plot(garch, lags=30,title='模拟GARCH')

#update_freq=0表示不输出中间结果，只输出最终结果

# 使用模拟的数据进行 GARCH(1, 1) 模型拟合

#arch_model默认建立GARCH（1,1）模型

am = arch_model(garch)

res = am.fit(update_freq=0)

print(res.summary())

#拟合沪深300收益率数据

Y=ret*100.0

am = arch_model(Y,p=1, o=1, q=1, dist='StudentsT')

res = am.fit(update_freq=0)

#update_freq=0表示不输出中间结果，只输出最终结果

print(res.summary())

res.resid.plot(figsize=(12,5))

plt.title('沪深300收益率拟合GARCH(1,1)残差',size=15)

plt.show()

res.conditional_volatility.plot(figsize=(12,5),color='r')

plt.title('沪深300收益率条件方差',size=15)

plt.show()

05 结语

本文简要介绍了ARCH和GARCH模型的基本原理和Python实现，关于其应用还有待进一步拓展和挖掘。ARCH和GARCH模型能够较好的刻画金融资产收益率的波动性聚集和厚尾现象，因此在量化投资上的应用主要表现在波动率的估计上，尤其是金融工程（期权波动率）和风险管理（VaR模型）的应用上。同时，我们也注意到，ARCH和GARCH模型在应用中也存在一定的局限性和不足：首先，模型假定波动是对称的，即过去的波动对现在条件方差的影响是相同的，但学术上的实证结果却表明，当坏（好）消息发布时，股票收益率的波动会增加（减小）；其次，模型对参数的限制条件较强，尤其是高阶模型，参数需要满足的约束非常复杂。最后，模型并没有提供关于波动率变化的更进一步解释，而仅仅是拟合波动率变化的统计行为。针对现有模型的不足，学者们在GARCH模型的基础上又提出了一系列模型，简称GARCH模型族，包括IGARCH、TGARCH、EGARCH等，更复杂的还有BEKK-GARCH、Coupla-GARCH等模型。当然，模型并非越复杂越好，特别地，学术上用到的复杂模型，在现实的量化投资中能用到的往往很少。

Python玩转金融时间序列之ARCH与GARCH模型相关推荐

arch检验python_Python玩转金融时间序列之ARCH与GARCH模型
01 引言作为金融时间序列的专题推文,[手把手教你]时间序列之日期处理主要介绍了使用Python处理时间序列的日期和统计分析:[Python量化基础]时间序列的自相关性与平稳性主要介绍了时间序列的一 ...
时间序列异方差ARCH和GARCH模型
实验数据来源于1926年-1991年标准普尔500股票价值加权月度收益序列: 图形检验: 首先对1926年-1991年标准普尔500股票价值加权月度收益序列的进行集群效应:集群效应为在波动大的地方波动 ...
ARCH与GARCH模型
之前我们讨论过AR模型和ARMA模型,这两个模型是对时间序列数据的拟合与预测,此外时间序列模型对波动性的应用也较为广泛.(如:股票波动). ARIMA(这是我写的):链接一.波动率的特征存在波动率 ...
【更新7】ARCH和GARCH模型
ARCH模型(Autoregressive conditional heteroskedasticity model)全称"自回归条件异方差模型",在现代高频金融时间序列中,数据经 ...
R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列...
原文链接:http://tecdat.cn/?p=26897 风险价值 (VaR) 是金融风险管理中使用最广泛的市场风险度量,也被投资组合经理等从业者用来解释未来市场风险(点击文末"阅读原文 ...
Python金融大数据分析：用pandas处理金融时间序列数据的基础知识
时间是阻止所有事情同时发生的力量.--雷•卡明斯本节使用的是以CSV文件形式在本地存储的金融数据集形式为本地存储的CSV文件.从技术上讲,CSV文件是包含数据行结构的文本文件,其特征是以逗号分隔单个 ...
金融时间序列描述性统计分析【python复现】
金融时间序列描述性统计分析前言金融时间序列是金融市场的一个重要组成部分.在研究金融市场的各种现象以及对进行建模时,金融时间序列的描述性统计分析都是一项基础的且必不可少的工作. 本章主要介绍描述性统 ...
Python 用ARIMA、GARCH模型预测分析股票市场收益率时间序列
最近我们被客户要求撰写关于时间序列的研究报告,包括一些图形和统计输出. 相关视频:时间序列分析:ARIMA GARCH模型分析股票价格数据时间序列分析模型 ARIMA-ARCH GARCH模型分析股 ...
python短期预测图_Python中利用长短期记忆模型LSTM进行时间序列预测分析
原文链接:http://tecdat.cn/?p=6663 此示例中,神经网络用于使用2011年4月至2013年2月期间的数据预测都柏林市议会公民办公室的能源消耗. 每日数据是通过总计每天提供的15分 ...

Python玩转金融时间序列之ARCH与GARCH模型

Python玩转金融时间序列之ARCH与GARCH模型相关推荐

最新文章

热门文章