Beta-t-EGARCH长记忆模型¶
简介¶
在Beta-t-EGARCH框架中引入长期和短期成分，使得条件波动率序列能够呈现长记忆性——这是许多金融时间序列的特征，最早由Mandelbrot在1960年代提出：
为了可识别性，我们要求\(\alpha_{1} \neq \alpha_{2}\)。
开发者说明¶
- 该模型类型尚未进行Cython优化，因此性能可能较慢。
示例¶
首先让我们从雅虎财经加载一些金融时间序列数据：
import numpy as np
import pyflux as pf
import pandas as pd
from pandas_datareader import DataReader
from datetime import datetime
import matplotlib.pyplot as plt
%matplotlib inline
jpm = DataReader('JPM', 'yahoo', datetime(2006,1,1), datetime(2016,3,10))
returns = pd.DataFrame(np.diff(np.log(jpm['Adj Close'].values)))
returns.index = jpm.index.values[1:jpm.index.values.shape[0]]
returns.columns = ['JPM Returns']
让我们使用点质量估计\(z^{MLE}\)来拟合一个长记忆\(Beta\)\(t\)\(EGARCH(1,1)\)模型：
model = pf.LMEGARCH(returns,p=1,q=1)
x = model.fit()
x.summary()
LMEGARCH(1,1)
======================================== =================================================
Dependent Variable: JPM Returns Method: MLE
Start Date: 2006-01-05 00:00:00 Log Likelihood: 6660.3439
End Date: 2016-03-10 00:00:00 AIC: -13306.6879
Number of observations: 2562 BIC: -13265.748
==========================================================================================
Latent Variable Estimate Std Error z P>|z| 95% C.I.
========================= ========== ========== ======== ======== ========================
Vol Constant -9.263 0.6113 -15.1536 0.0 (-10.4611 | -8.0649)
Component 1 p(1) 0.2491
Component 1 q(1) 0.0476
Component 2 p(1) 1.0
Component 2 q(1) 0.0935
v 6.095
Returns Constant 0.0008 0.0386 0.0195 0.9844 (-0.075 | 0.0765)
==========================================================================================
转换变量的标准误差未显示。您可以通过向summary传递transformed=False参数来获取未转换变量的该信息。
让我们用plot_fit()来绘制拟合结果:
model.plot_fit(figsize=(15,5))
并使用plot_predict()绘制未来条件波动率的预测图：
model.plot_predict(h=10)
类描述¶
-
class
LMGARCHM(data, p, q, target)¶ 长记忆Beta-t-EGARCH模型
参数 类型 描述 data pd.DataFrame or np.ndarray 包含单变量时间序列 p int 自回归滞后项的数量 \(\sigma^{2}\) q int ARCH项的数量 \(\epsilon^{2}\) target string or int 指定使用DataFrame/array中的哪一列。 属性
-
latent_variables¶ 一个包含模型潜在变量信息的pf.LatentVariables()对象，包括先验设置、任何拟合值、初始值和其他潜在变量信息。当模型被拟合时，这里就是潜在变量被更新/存储的地方。有关此对象内属性的信息以及访问潜在变量信息的方法，请参阅潜在变量文档。
方法
-
add_leverage()¶ 在模型中添加一个杠杆项，意味着波动率可以对消息的符号做出不同反应；详见Harvey和Succarrat(2013)的研究。此时条件波动率将遵循：
\[\lambda_{t\mid{t-1}} = \alpha_{0} + \sum^{p}_{i=1}\alpha_{i}\lambda_{t-i} + \sum^{q}_{j=1}\beta_{j}u_{t-j} + \kappa\left(\text{sgn}\left(-\epsilon_{t-1}\right)(u_{t-1}+1)\right)\]
-
adjust_prior(index, prior)¶ 调整模型潜在变量的先验分布。潜在变量及其索引可以通过打印附加到模型实例的
latent_variables属性来查看。参数 类型 描述 index int 要更改的潜变量索引 prior pf.Family instance Prior distribution, e.g. pf.Normal()返回: void - 修改模型的
latent_variables属性
-
fit(method, **kwargs)¶ 估计模型的潜在变量。用户选择一个推断选项，该方法会返回一个结果对象，同时更新模型的
latent_variables属性。参数 类型 描述 method str 推断选项：例如 'M-H' 或 'MLE' 请参阅文档中的贝叶斯推断和经典推断部分，了解完整的推断选项列表。可以输入与所选特定推断模式相关的可选参数。
返回: 包含估计潜在变量信息的pf.Results实例
-
plot_fit(**kwargs)¶ 绘制模型对数据的拟合情况。可选参数包括figsize，即绘图图形的尺寸。
返回 : void - 显示一个matplotlib绘图
-
plot_ppc(T, nsims)¶ 绘制后验预测检查的直方图，使用用户选择的差异度量。此方法仅在使用贝叶斯推断进行拟合时有效。
参数 类型 描述 T function Discrepancy, e.g. np.meanornp.maxnsims int PPC需要进行多少次模拟 返回值: void - 显示一个matplotlib绘图
-
plot_predict(h, past_values, intervals, **kwargs)¶ 绘制模型的预测结果，并附带置信区间。
参数 类型 描述 h int 预测向前多少步 past_values int 要绘制的历史数据点数量 intervals boolean 是否绘制区间 可选参数包括figsize - 图表绘制的尺寸。请注意 如果您使用最大似然估计或变分推断，显示的区间将不会 反映潜在变量的不确定性。只有Metropolis-Hastings方法能提供完全贝叶斯 预测区间。由于平均场推断的局限性（无法考虑后验相关性）， 变分推断的贝叶斯区间不予显示。
返回 : void - 显示一个matplotlib绘图
-
plot_predict_is(h, fit_once, fit_method, **kwargs)¶ 绘制模型在样本内的滚动预测。这意味着用户假装数据的最后一部分是样本外的，并在每个时间段后进行预测并评估其表现。用户可以选择是在开始时一次性拟合参数，还是在每个时间步都进行拟合。
参数 类型 描述 h int 使用多少个先前的时间步 fit_once boolean 是否只拟合一次，还是每个时间步都拟合 fit_method str 选择哪种推断方法，例如'MLE' 可选参数包括figsize - 要绘制的图形尺寸。h是一个整数，表示要模拟性能的前几步。
返回 : void - 显示一个matplotlib绘图
-
plot_sample(nsims, plot_data=True)¶ 绘制模型后验预测密度的样本。此方法仅适用于通过贝叶斯推断拟合的模型。
参数 类型 描述 nsims int 需要抽取的样本数量 plot_data boolean 是否同时绘制真实数据 返回 : void - 显示一个matplotlib绘图
-
plot_z(indices, figsize)¶ 返回潜在变量及其相关不确定性的绘图。
参数 类型 描述 indices int or list 要绘制的潜变量索引 figsize tuple matplotlib图形的大小 返回 : void - 显示一个matplotlib绘图
-
ppc(T, nsims)¶ 返回后验预测检验的p值。此方法仅在您使用贝叶斯推断进行拟合时才有效。
参数 类型 描述 T function Discrepancy, e.g. np.meanornp.maxnsims int PPC需要进行多少次模拟 返回值: int - 差异检验的p值
-
predict(h, intervals=False)¶ 返回模型预测结果的DataFrame。
参数 类型 描述 h int 预测向前多少步 intervals boolean 是否返回预测区间 请注意，如果您使用最大似然估计或变分推断，显示的区间将不会反映潜在变量的不确定性。只有Metropolis-Hastings方法能提供完全贝叶斯预测区间。由于平均场推断的局限性（未考虑后验相关性），变分推断的贝叶斯区间未予显示。
返回 : pd.DataFrame - 模型预测结果
-
predict_is(h, fit_once, fit_method)¶ 返回模型样本内滚动预测的DataFrame。
参数 类型 描述 h int 使用多少个先前的时间步 fit_once boolean 是否只拟合一次，还是每个时间步都拟合 fit_method str 选择哪种推断方法，例如'MLE' 返回 : pd.DataFrame - 模型预测结果
-
sample(nsims)¶ 返回从后验预测密度中抽取的数据的np.ndarray数组。此方法仅在您使用贝叶斯推断拟合模型时才有效。
参数 类型 描述 nsims int 进行多少次后验抽样 返回值 : np.ndarray - 来自后验预测密度的样本。
-
参考文献¶
布莱克, F. (1976) 股票价格波动变化研究。见: 美国统计协会1976年会议论文集。第171-181页。
Fernandez, C., & Steel, M. F. J. (1998a). 关于厚尾和偏态的贝叶斯建模研究。美国统计学会期刊，93卷，359-371页。
哈维，A.C. 和 查克拉瓦蒂，T. (2008) Beta-t-(E)GARCH。剑桥大学经济系经济学工作论文0840号，2008年。[第137页]
Harvey, A.C. & Sucarrat, G. (2013) 具有厚尾、偏态和杠杆效应的EGARCH模型。《计算统计与数据分析》，即将出版，2013年。网址 http://dx.doi.org/10.1016/j.csda.2013.09。022. [第138、139、140、143页]
曼德尔布罗特, B.B. (1963) 某些投机价格的变化. 《商业杂志》, XXXVI (1963). 第392–417页
Nelson, D. B. (1991) 资产回报的条件异方差性：一种新方法。 Econometrica 59, 347—370.