Как установить модель ARMA-GARCH в Python
Я пытаюсь сделать модель ARMA-GARCH на python и использую пакет arch.
Но в пакете арки я не могу найти среднюю модель ARMA.
Я попытался использовать среднюю модель ARX и пусть lags = [1,1], но сводка не похожа на модель ARMA.
Включает ли этот пакет среднюю модель ARMA?
0 ответов
Я изучил эту технику от Джейсона Браунли, доктора философии и автора более 18 книг, касающихся прикладного машинного обучения, математики и статистики:
Чтобы отдать должное, я цитирую свой источник знаний, полученных мной с помощью этого материала:
Цитирование справочника:
Введение в прогнозирование временных рядов с помощью Python© Copyright 2020 Jason Brownlee. Все права защищены. Версия: v1.10
Джейсон Браунли, доктор философии в области машинного обучения
Спасибо, Джейсон, за бесчисленные часы и, без сомнения, головные боли и напряжение глаз. Вы научили меня, что машинное обучение может быть интересным!
Модели ARCH и GARCH в Python
# create a simple white noise with increasing variance
from random import gauss
from random import seed
from matplotlib import pyplot
# seed pseudorandom number generator
seed(1)
# create dataset
data = [gauss(0, i*0.01) for i in range(0,100)]
# plot
pyplot.plot(data)
pyplot.show()
# create dataset
data = [gauss(0, i*0.01) for i in range(1,100+1)]
# check correlations of squared observations
from random import gauss
from random import seed
from matplotlib import pyplot
from statsmodels.graphics.tsaplots import plot_acf
# seed pseudorandom number generator
seed(1)
# create dataset
data = [gauss(0, i*0.01) for i in range(0,100)]
# square the dataset
squared_data = [x**2 for x in data]
# create acf plot
plot_acf(np.array(squared_data))
pyplot.show()
# split into train/test
n_test = 10
train, test = data[:-n_test], data[-n_test:]
# example of ARCH model
from random import gauss
from random import seed
from matplotlib import pyplot
from arch import arch_model
# seed pseudorandom number generator
seed(1)
# create dataset
data = [gauss(0, i*0.01) for i in range(0,100)]
# split into train/test
n_test = 10
train, test = data[:-n_test], data[-n_test:]
# define model
model = arch_model(train, mean='Zero', vol='ARCH', p=15)
# fit model
model_fit = model.fit()
# forecast the test set
yhat = model_fit.forecast(horizon=n_test)
# plot the actual variance
var = [i*0.01 for i in range(0,100)]
pyplot.plot(var[-n_test:])
# plot forecast variance
pyplot.plot(yhat.variance.values[-1, :])
pyplot.show()
# example of ARCH model
# seed pseudorandom number generator
seed(1)
# create dataset
data = [gauss(0, i*0.01) for i in range(0,100)]
# split into train/test
n_test = 10
train, test = data[:-n_test], data[-n_test:]
# define model
model = arch_model(train, mean='Zero', vol='GARCH', p=15, q=15)
# fit model
model_fit = model.fit()
# forecast the test set
yhat = model_fit.forecast(horizon=n_test)
# plot the actual variance
var = [i*0.01 for i in range(0,100)]
pyplot.plot(var[-n_test:])
# plot forecast variance
pyplot.plot(yhat.variance.values[-1, :])
pyplot.show()
# define model
model = arch_model(train, mean='Zero', vol='GARCH', p=15, q=15)
и увидеть результаты очень похожи, но с чуть более чем вдвое большим количеством итераций...
Цитирование справочника:
Введение в прогнозирование временных рядов с помощью Python© Copyright 2020 Jason Brownlee. Все права защищены. Версия: v1.10
Джейсон Браунли, доктор философии в области машинного обучения