Python基于波动率模型(ARCH和GARCH)进行股票数据分析项目实战

本文涉及的产品
交互式建模 PAI-DSW,每月250计算时 3个月
模型在线服务 PAI-EAS,A10/V100等 500元 1个月
模型训练 PAI-DLC,100CU*H 3个月
简介: Python基于波动率模型(ARCH和GARCH)进行股票数据分析项目实战

说明:这是一个机器学习实战项目(附带数据+代码+文档+视频讲解),如需数据+代码+文档+视频讲解可以直接到文章最后获取。

image.png

image.png

1.项目背景

在衍生产品定价和风险管理中,对当前波动率是很感兴趣的,这是因为需要对单一金融资产或者投资组合在一个 较短时间内的价值变化进行估计。同时,在对衍生产品定价时,往往需要对衍生产品整个期限内的波动率进行预测,这就需要用到波动率模型。波动率模型的一个显著特点是假设波动率不是常数,具体而言就是在某些时间段内波动率可能相对较低,而在其他时间段内可能相对较高。常用的波动率模型主要有两个,一个是自回归条件异方差模型(ARCH),另一个是广义自回归条件异方差模型(GARCH) 

2.数据获取

本次建模数据来源于网络(本项目撰写人整理而成),数据项统计如下

编号 

变量名称

描述

0

date

 

1

open

 

2

high

 

3

low

 

4

close

 

5

volume

 

数据详情如下(部分展示):

image.png

3.数据预处理

3.1 用Pandas工具查看数据

使用Pandas工具的head()方法查看前五行数据:

image.png

关键代码:

image.png

3.2查看数据集摘要

使用Pandas工具的info()方法查看数据集的摘要信息:

image.png

从上图可以看到,总共有1259条数据,5个数据项,数据中没有缺失值。

关键代码:

image.png

4.探索性数据分析

4.1股票收盘价趋势分析

用Pandas工具的plot()方法进行展示,如下图所示:

image.png

从上图中可以看到,TDG公司的股票每年呈增长趋势。

4.2 股票每日收益率趋势分析

用Pandas工具的plot()方法进行分析,结果如下:

image.png

通过上图可以看到,整体呈上下波动趋势,个别时间点波动性较大。

4.3 股票每日收益率自相关图

statsmodels工具的plot_acf()方法进行分析,结果如下:

image.png

在均值附近比较平稳地波动,说明序列为平稳序列。

4.4 股票每日收益率偏自相关图

statsmodels工具的plot_pacf()方法进行分析,结果如下:

image.png

偏自相关性图波动也比较平稳,未显示出明显的拖尾性。

4.5 股票每日收益率白噪声检验

statsmodels工具的acorr_ljungbox ()方法进行分析,结果如下:

image.png

从上图可以看出,输出的P值都大于0.05,说明是平稳白噪声序列。

5.构建GARCH模型 

5.1模型参数

编号

模型名称

参数

1

GARCH模型

vol='GARCH'

2

p=1

3

q=1

4

dist='normal'

模型残差图:

image.png

标准残差密度图和标准残差概率图:

image.png

标准残差自相关性图:

image.png

标准残差偏自相关性图:

image.png

模型结果的输出:

image.png

omega 是模型的基线方差,因此omega的平方根是回报的标准差,为60%。这意味着,当我们的平均值约为0时,我们可以预期我们的回报为0,标准偏差为60%,这是非常不稳定的。

alpha衡量的是今天的波动性冲击在多大程度上影响了下一时期的波性。在我们的模型中,6%的可渗透期波动性将传递到第二天。Beta是我们的持久性参数,如果beta大于1,则会导致小冲击的正向反馈循环,从而产生失控的波动性。alpha和beta的总和测量我们的波动率衰减的速度,如果alpha加beta等于1,那么我们的模型具有持续的波动性。

根据文本市场风险分析,在稳定的市场中,alpha的通常范围是0.05<α<0.1,参数beta是0.85<β<0.98。的价值。 接下来,我们有 t 统计量和 p 值。T 是我们的估计值除以标准误差,用于计算我们的p值。通常的原假设是我们的系数没有影响,但如果我们的 p 值小于 alpha (0.05),我们可以否定原值。当我们开始拥有具有更多参数的模型时,注意 p 值会很有帮助。

此我们将继续搜索更好的模型参数。我们可以看到,至少第25个滞后存在明显的自相关,并且标准化残差看起来不像白噪声。我们将使用具有大范围p和q的网格搜索来找到最适合波动性的模型。

关键代码如下:

image.png

6.模型优化与评估

6.1模型优化、评估

通过网格搜索算法确定最优的p、q值:

最优模型残差图:

image.png

最优模型标准残差密度图和标准残差概率图:

image.png

最优模型标准残差自相关性图:

image.png

最优模型标准残差偏自相关性图:

image.png

关键代码如下:

image.png

输出网格搜索模型的p、q值:

image.png

从上图可以看出,p、q的最优值分别为17/25

输出模型的结果:

image.png

image.png

关键代码:

image.png

6.2模型预测

image.png

关键代码如下:

image.png

7.结论与展望

综上所述,本文采用了GARCH模型,最终证明了我们提出的模型效果良好。不足之处是"TDG"似乎是一个非常不稳定的股票,有一些非常大的跌幅,显然在我们最终模型的残差中持续存在。如果您使用此内核对另一只股票进行建模,则最好选择波动性和趋势较小的股票。

# 本次机器学习项目实战所需的资料,项目资源如下:
 
# 项目说明:
 
# 获取方式一:
 
# 项目实战合集导航:
 
https://docs.qq.com/sheet/DTVd0Y2NNQUlWcmd6?tab=BB08J2
 
# 获取方式二:
 
链接:https://pan.baidu.com/s/16rQt-QfnZo0EcXGF5nR6JA 
提取码:4xkq
相关实践学习
使用PAI+LLaMA Factory微调Qwen2-VL模型,搭建文旅领域知识问答机器人
使用PAI和LLaMA Factory框架,基于全参方法微调 Qwen2-VL模型,使其能够进行文旅领域知识问答,同时通过人工测试验证了微调的效果。
机器学习概览及常见算法
机器学习(Machine Learning, ML)是人工智能的核心,专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能,它是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。 本课程将带你入门机器学习,掌握机器学习的概念和常用的算法。
相关文章
|
2月前
|
数据采集 数据可视化 搜索推荐
Python数据分析全流程指南:从数据采集到可视化呈现的实战解析
在数字化转型中,数据分析成为企业决策核心,而Python凭借其强大生态和简洁语法成为首选工具。本文通过实战案例详解数据分析全流程,涵盖数据采集、清洗、探索、建模、可视化及自动化部署,帮助读者掌握从数据到业务价值的完整技能链。
373 0
|
1月前
|
机器学习/深度学习 算法 数据挖掘
【数据分析】基于matlab私家车充电模型(含私家车日行驶距离概率密度及累加函数,电动汽车出发时间(或者称开始充电的时间)概率)(Matlab代码实现)
【数据分析】基于matlab私家车充电模型(含私家车日行驶距离概率密度及累加函数,电动汽车出发时间(或者称开始充电的时间)概率)(Matlab代码实现)
|
4月前
|
机器学习/深度学习 数据采集 数据可视化
Python数据分析,别再死磕Excel了!
Python数据分析,别再死磕Excel了!
190 2
|
9月前
|
机器学习/深度学习 数据可视化 数据挖掘
使用Python进行数据分析的入门指南
本文将引导读者了解如何使用Python进行数据分析,从安装必要的库到执行基础的数据操作和可视化。通过本文的学习,你将能够开始自己的数据分析之旅,并掌握如何利用Python来揭示数据背后的故事。
|
7月前
|
存储 数据采集 数据库
Python爬虫实战:股票分时数据抓取与存储
Python爬虫实战:股票分时数据抓取与存储
|
6月前
|
机器学习/深度学习 传感器 数据采集
基于机器学习的数据分析:PLC采集的生产数据预测设备故障模型
本文介绍如何利用Python和Scikit-learn构建基于PLC数据的设备故障预测模型。通过实时采集温度、振动、电流等参数,进行数据预处理和特征提取,选择合适的机器学习模型(如随机森林、XGBoost),并优化模型性能。文章还分享了边缘计算部署方案及常见问题排查,强调模型预测应结合定期维护,确保系统稳定运行。
684 0
|
7月前
|
机器学习/深度学习 存储 数据可视化
这份Excel+Python飞速搞定数据分析手册,简直可以让Excel飞起来
本书介绍了如何将Python与Excel结合使用,以提升数据分析和处理效率。内容涵盖Python入门、pandas库的使用、通过Python包操作Excel文件以及使用xlwings对Excel进行编程。书中详细讲解了Anaconda、Visual Studio Code和Jupyter笔记本等开发工具,并探讨了NumPy、DataFrame和Series等数据结构的应用。此外,还介绍了多个Python包(如OpenPyXL、XlsxWriter等)用于在无需安装Excel的情况下读写Excel文件,帮助用户实现自动化任务和数据处理。
|
9月前
|
数据采集 数据可视化 索引
Pandas数据应用:股票数据分析
本文介绍了如何使用Pandas库进行股票数据分析。首先,通过pip安装并导入Pandas库。接着,从本地CSV文件读取股票数据,并解决常见的解析错误。然后,利用head()、info()等函数查看数据基本信息,进行数据清洗,处理缺失值和重复数据。再者,结合Matplotlib和Seaborn进行数据可视化,绘制收盘价折线图。最后,进行时间序列分析,设置日期索引、重采样和计算移动平均线。通过这些步骤,帮助读者掌握Pandas在股票数据分析中的应用。
358 5
|
10月前
|
机器学习/深度学习 算法 数据挖掘
数据分析的 10 个最佳 Python 库
数据分析的 10 个最佳 Python 库
数据分析的 10 个最佳 Python 库
|
10月前
|
存储 数据可视化 数据挖掘
Python数据分析项目:抖音短视频达人粉丝增长趋势
Python数据分析项目:抖音短视频达人粉丝增长趋势

推荐镜像

更多