我正在测试 ARCH 包以使用 GARCH(1,1) 预测两个系列的方差(标准偏差)。
这是我的代码的第一部分
import pandas as pd
import numpy as np
from arch import arch_model
returns = pd.read_csv('ret_full.csv', index_col=0)
returns.index = pd.to_datetime(returns.index)
Ibovespa 回归
第一个系列是 Ibovespa 指数的第一个期货合约,观察到的年化波动率非常接近 Garch 预测。
我发现的第一个问题是您需要将样本重新缩放 100。为此,您可以将返回序列乘以 100 或rescale=True
在arch_model
函数中设置参数。
为什么有必要这样做?
# Ibov
ret_ibov = returns['IBOV_1st']
model_ibov = arch_model(ret_ibov, vol='Garch', p=1, o=0, q=1, dist='Normal', rescale=True)
res_ibov = model_ibov.fit()
在拟合模型后,我预测了方差(只需 5 个步骤来说明问题),得到标准偏差并将其年化。Obs:由于我必须重新调整我的回报系列,我将我的预测除以 10000(100**2,因为重新调整)
# Forecast
forecast_ibov = res_ibov.forecast(horizon=5)
# Getting Annualized Standard Deviation
# Garch Vol
vol_ibov_for = (forecast_ibov.variance.iloc[-1]/10000)**0.5 * np.sqrt(252) * 100
# Observed Vol
vol_ibov = ret_ibov.std() * np.sqrt(252) * 100
这就是预测输出
vol_ibov_for
h.1 24.563208
h.2 24.543245
h.3 24.523969
h.4 24.505357
h.5 24.487385
哪个非常接近 Observed Vol23.76
这是我所期待的结果。
IRFM 回报
当我对波动较小的系列进行完全相同的处理时,我得到了一个非常奇怪的结果。
# IRFM
ret_irfm = returns['IRFM1M']
model_irfm = arch_model(ret_irfm, vol='Garch', p=1, o=0, q=1, dist='Normal', rescale=True)
res_irfm = model_irfm.fit()
# Forecast
forecasts_irfm = res_irfm.forecast(horizon=5)
# Getting Annualized Standard Deviation
# Garch Vol
vol_irfm_for = (forecasts_irfm.variance.iloc[-1]/10000)**0.5 * np.sqrt(252) * 100
# Observed Vol
vol_irfm = ret_irfm.std() * np.sqrt(252) * 100
预测输出:
vol_irfm_for
h.1 47.879679
h.2 49.322351
h.3 50.519282
h.4 51.517356
h.5 52.352894
这与观察到的波动率有很大不同5.39
为什么会这样?也许是因为重新调整?我必须在预测之前再做一次调整吗?
谢谢