全文链接：https://tecdat.cn/?p=33398

本文的目标是帮助客户应用GARCH模型对ADBL（ABC Development Bank Limited）股票价格的时间序列进行分析和预测，并通过可视化分析的方式展示结果。ADBL是尼泊尔地区最大的商业银行之一，其股票价格波动对投资者和研究者来说具有重要意义。

首先，我们将收集ADBL股票价格的历史数据，并对其进行描述性统计和可视化分析，以获取对股票价格的初步认识。然后，我们将使用GARCH模型对ADBL股票价格的波动进行建模，并通过模型参数的估计和模型检验来验证模型的适应性。

接下来，我们将利用已建立的GARCH模型对ADBL股票价格的未来走势进行预测。预测结果将以图表和可视化方式呈现，以便读者更加直观地理解和分析。

最后，我们将对模型的预测效果进行评估，并讨论模型的局限性和未来研究的方向。通过本文的研究，我们希望为投资者和研究者提供一个有效的工具和方法，帮助他们更好地理解和预测ADBL股票价格的趋势。

导入库

# 广义自回归条件异方差(GARCH模型)


from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error
     

plt.rcParams['figure.figsize'] = (12,6)

这段代码的主要作用是导入所需的库和模块，为接下来的数据处理、图表绘制和模型评估等操作提供必要的工具和函数。

导入数据

# df = df[df['Date'] >= '2015-01-01']
df.head()
     
     

这段代码主要是导入数据并对数据进行处理的操作。具体而言，代码的功能如下：

1. pd.read_csv('ADBL_data.csv'): 使用 pandas 库的 read_csv() 函数读取名为 "ADBL_data.csv" 的 CSV 文件，并将数据加载到一个名为 df 的数据框（DataFrame）中。

2. df['Date'] = pd.to_datetime(df.Date): 将 df 数据框中的 "Date" 列转换为日期时间类型。这里使用 pd.to_datetime() 函数将日期字符串转换为日期时间格式。

3. # df = df[df['Date'] >= '2015-01-01']: 这一行代码是对数据进行筛选的注释，表示根据日期进行过滤，只保留日期大于等于 "2015-01-01" 的数据。注释符号 # 表示该行代码不会被执行。

4. df.head(): 打印输出 df 数据框的前几行数据，默认显示前5行。通过调用 head() 方法可以快速查看数据框的结构和内容。

综上所述，这段代码的作用是读取名为 "ADBL_data.csv" 的 CSV 文件，并将其加载到名为 df 的数据框中。然后对数据进行了格式转换并打印出前几行的数据。 

"ADBL的时间序列图"

plt.ylabel("Price")
plt.show()

---

点击标题查阅往期内容

R语言股票市场指数：ARMA-GARCH模型和对数收益率数据探索性分析

左右滑动查看更多

01

02

03

04

df.reset_index(drop=True, inplace=True)
df

df.returns.plot() 

plt.show()

df.returns.describe()

     

# "平方股票收益的自相关图"
plot_acf(df.returns**2)
plt.show()
     

从ACF图中可以看出，在1个滞后时间步长内，方差存在显著的正相关关系。

识别 p 和 q

# 基于最小AIC确定的最佳p和q项
for p in range(1, 15):
  for q in range(1, 15):
    try:
     
print(f'GARCH order is ({p}, {q})')
     

 这段代码的主要功能是基于最小化赤池信息准则（AIC）来确定 GARCH 模型的最佳 p 和 q 值。具体而言，代码的执行过程如下：

1. 创建一个空字典 dict_aic，用于保存每个不同 p 和 q 值组合对应的 AIC 值。

2. 使用两个嵌套的循环遍历从 1 到 14 的所有整数值。外层循环控制 p 值的范围，内层循环控制 q 值的范围。

3. 在每次循环迭代中，尝试构建一个 GARCH 模型，其中 vol 参数设为 'Garch'，p 参数设为当前的外层循环变量 p，q 参数设为当前的内层循环变量 q。

4. 如果成功拟合模型，则计算该模型的 AIC 值，并将其保存到 dict_aic 字典中对应的键值对中，键为 (p, q)，值为 AIC 值。

综上所述，这段代码的作用是通过遍历多个 p 和 q 值的组合，并拟合 GARCH 模型来计算对应的 AIC 值。然后，基于最小 AIC 值确定最佳的 p 和 q 值，并输出结果。

训练/测试分割

# 将训练集和测试集按照70/30的比例分割
st.shape)

模型训练

model.summary()

 这段代码的目的是使用 GARCH 模型对训练数据进行拟合，并打印出模型的摘要信息。

具体而言，代码的执行流程如下：

1. 创建一个 GARCH 模型对象并将其赋值给变量 model，其中 X_train 是作为训练数据的输入。vol='Garch' 表示使用 GARCH 方式进行建模。p 和 q 是 GARCH 模型中的参数，分别表示 ARCH 部分和 GARCH 部分的滞后阶数。

综上所述，这段代码的作用是创建一个 GARCH 模型对象并使用训练数据进行拟合，然后打印出模型的摘要信息，以便查看模型拟合的结果和相关统计指标。

测试集上的滚动预测

# 基于滚动测试集预测波动性。
forecasts = list()
for i in range(X_test.shape[0]):
 
    forecasts.appe

这段代码的目的是基于滚动测试集预测波动性。

具体而言，代码的执行流程如下：

1. 创建一个空列表 forecasts，用于保存每个时间点的波动性预测结果。

2. 进行一个循环，循环次数根据测试数据的行数来确定，每次循环表示一个时间点的波动性预测。

3. 在每次循环迭代中，首先获取用于预测的测试数据。通过 df.returns[:-(X_test.shape[0] - i)] 获取了从开始到当前循环迭代索引位置的训练数据。

4. 创建一个 GARCH 模型对象，并将预测数据作为输入。模型对象中的 p 和 q 参数由之前确定的值指定。

综上所述，这段代码的作用是在每个时间点上，基于滚动的测试数据来预测波动性。通过一个循环，在每次循环迭代中，根据当前的训练数据来构建 GARCH 模型，并使用该模型进行波动性预测，将预测结果保存在 forecasts 列表中。

损失分析

from sklearn.metri

# 计算均方根误差

testScore = mean_sq

# 参考训练集最后一个指数的实际收盘价，根据预测收益生成收盘价
# 今日值 = 昨日值 + (pct_returns * 昨日值) / 100
pred_vals = []
for i in range(len(forecasts)):
  if pred_vals:
    pre

# 今日值 = 昨日值 + (pct_returns * 昨日值) / 100
testSco

date_range = df['Date'][-X_test.shape[0]:]
     

plt.title(
plt.legend(fontsize=14)
plt.show()

点击文末“阅读原文”

获取全文完整代码数据资料。