拓端数据tecdat|Python随机波动率(SV)模型对标普500指数时间序列波动性预测

原文链接：http://tecdat.cn/?p=22546 

原文出处：拓端数据部落公众号

资产价格具有随时间变化的波动性（逐日收益率的方差）。在某些时期，收益率是高度变化的，而在其他时期则非常平稳。随机波动率模型用一个潜在的波动率变量来模拟这种情况，该变量被建模为随机过程。下面的模型与 No-U-Turn Sampler 论文中描述的模型相似，Hoffman (2011) p21。

这里，r是每日收益率序列，s是潜在的对数波动率过程。

 

建立模型

首先，我们加载标普500指数的每日收益率。

1.  
    
2.  
   returns = (pm.get_data("SP500.csv"))
3.  
   returns[:5]

正如你所看到的，波动性似乎随着时间的推移有很大的变化，但集中在某些时间段。在2500-3000个时间点附近，你可以看到2009年的金融风暴。

1.  
    
2.  
   ax.plot(returns)

指定模型。

1.  
    
2.  
    
3.  
    
4.  
   GaussianRandomWalk('s', hape=len(returns))
5.  
   nu = Exponential( .1)
6.  
   r = StudentT( pm.math.exp(-2*s),
7.  
   obs=returns)

拟合模型

对于这个模型，最大后验(Maximum A Posteriori,MAP)概率估计具有无限的密度。然而，NUTS给出了正确的后验。

1.  
   pm.sample(tune=2000
2.  
   Auto-assigning NUTS sampler...

plot(trace['s']);

观察一段时间内的收益率，并叠加估计的标准差，我们可以看到该模型是如何拟合一段时间内的波动率的。

1.  
   plot(returns)
2.  
   plot(exp(trace[s]);

 np.exp(trace[s])

参考文献

1. Hoffman & Gelman. (2011). The No-U-Turn Sampler: Adaptively Setting Path Lengths in Hamiltonian Monte Carlo.

---

最受欢迎的见解

1.HAR-RV-J与递归神经网络（RNN）混合模型预测和交易大型股票指数的高频波动率

2.WinBUGS对多元随机波动率模型：贝叶斯估计与模型比较

3.波动率的实现：ARCH模型与HAR-RV模型

4.R语言ARMA-EGARCH模型、集成预测算法对SPX实际波动率进行预测

5.使用R语言随机波动模型SV处理时间序列中的随机波动率

6.R语言多元COPULA GARCH 模型时间序列预测

7.R语言基于ARMA-GARCH过程的VAR拟合和预测

8.R语言随机搜索变量选择SSVS估计贝叶斯向量自回归（BVAR）模型

9.R语言对S＆P500股票指数进行ARIMA + GARCH交易策略