废话不多说，先开始分享：

20210127补充--------------------------------------

很多童鞋都问我要源代码和数据，本来是因为工作原因不想公开的，后来越来越多的人私信跟我反映说没有参照物实在太抽象了，那鉴于时间也比较久了，很多细节我也有点模糊了，一个一个解释不过来，因此，就发布一下原来我项目的源代码和当时用的数据，真的有需要的童鞋可以下载做参考。附下载地址：

黄金期货研究201901.zip_var模型python-金融文档类资源-CSDN下载

20220625补充__________________

所有人！！！！！注意！！！statsmodels里的varmax更新了，里面有个trend参数，再也没有'nc'这个选项了，大家可以直接trend=‘c'。之前下了代码的，第176行的代码改成这个：sm.tsa.VARMAX(dateframe,order = (varLagNum,0),trend='c',exog=None)

看这里！！！！最新官网文档！！我资源包里的代码已经更新了，亲手跑过，改了以后是可以跑出来的

statsmodels.tsa.statespace.varmax.VARMAX — statsmodelshttps://www.statsmodels.org/stable/generated/statsmodels.tsa.statespace.varmax.VARMAX.html#statsmodels.tsa.statespace.varmax.VARMAX

------------------------------------------------------------------------------------------------------------------

1. 首先啥是VAR模型，我这里简略通俗的说一下，想看代码的童鞋直接跳到第3部分就好了：

以金融价格为例，传统的时间序列模型比如ARIMA,ARIMA-GARCH等，只分析价格自身的变化，模型的形式为：

$y_{t} = \beta _{1}\cdot y_{t-1} + \beta _{2}\cdot y_{t-2} + ...$

其中 $y_{t-1}$ 称为自身的滞后项。

但是VAR模型除了分析自身滞后项的影响外，还分析其他相关因素的滞后项对未来值产生的影响，模型的形式为：

$y_{t} = \beta _{1}\cdot y_{t-1} + \alpha _{1}\cdot x_{t-1} +\beta _{2}\cdot y_{t-2} + \alpha _{2}\cdot x_{t-2} + ...$

其中 $x_{t-1}$ 就是其他因子的滞后项。

总结一下，就是可以把VAR模型看做是集合多元线性回归的优点（可以加入多个因子）以及时间序列模型的优点（可以分析滞后项的影响）的综合模型。

VAR其实是一类模型，以上是最基础的VAR模型形式，其他还有SVAR,CVAR,VECM，同统称为VAR类模型。

2. VAR模型的建模步骤

这种数学模型都有固定的建模步骤：

1）画N个因子的序列相关图，计算相关系数 correlation coiffiant，查看一下线性相关度。（相关系数大小只反映线性相关程度，不反应非线性相关，如果等于0，不能排除存在非线性相关的可能。）

2）对N个因子的原始数据进行平稳性检验，也就是ADF检验。

VAR模型要求所有因子数据同阶协整，也就是N个因子里面如果有一个因子数据不平稳，就要全体做差分，一直到平稳为止。

3）对应变量（yt）和影响因子（Xt）做协整检验

一般就是EG协整关系检验了，为了看看Y和各个因子Xi之间是否存在长期平稳的关系，这个检验要放在所有数据都通过ADF检验以后才可以做。如果那个因子通不过协整检验，那基本就要剔除了。

4）然后就是通过AIC,BIC,以及LR定阶。

一般来说是综合判断三者。AIC,BIC要最小的，比如-10的AIC就优于-1AIC，LR反之要最大的。但是具体偏重那个，就看个人偏好，一般来说，博主的经验是看AIC和LR，因为BIC的惩罚力度大于AIC，大多数时间不太好用。

具体的实现步骤一般是，把滞后项的阶数列一个范围，比如1-5，然后直接建模，其他啥都不看，先看AIC,BIC,LR的值。一般符合条件的不会只有一个，可以挑2-3个最好的，继续进行。

5）定阶完成后，就是估计参数，看参数的显著性。

好的模型所有参数的要通过显著性检验。

6）对参数进行稳定性检验

VAR除了对原始数据要进行平稳处理，估计出来的参数还需要检验参数稳定性。

这是为了查看模型在拟合时，数据样本有没有发生结构性变化。

有两张检验方法，这两种方法的基本概念是：

第一个是：AR根，VAR模型特征方程根的绝对值的倒数要在单位圆里面。

第二个是：cusum检验，模型残差累积和在一个区间内波动，不超出区间。

这里要注意的是CUSUM检验的原价设(H0)：系数平稳，备择假设才是不平稳。所以CUSUM结果要无法拒绝原假设才算通过。

只有通过参数稳定性检验的模型才具有预测能力,进行脉冲响应和方法分解分析才有意义。

7）使用乔里斯基正交化残差进行脉冲响应分析

举例：要分析和预测的是Y，影响Y的有两个因子X1，X2。

脉冲响应是1对1，根据以上条件，就要做两个脉冲响应分析,分别是：Y和X1，Y和X2。

看看不同因子上升或者下降，对Y的冲击的程度和方式（Y上升还是下降），以及持续时间。

8）使用乔里斯基正交化残差进行方差分解分析

举例：要分析和预测的是Y，影响Y的有两个因子X1，X2。

方差分解是1对1，根据以上条件，就要做两个方差分解分析,分别是：Y和X1，Y和X2。

9）为什么使用乔里斯基正交化残差？

因为进行方差分解和脉冲响应分析的时候，要求模型的残差为白噪声。但是！现实中，我们很难把所有影响Y的因素都囊括进方程，这就导致，现实中VAR模型的残差一般都不是白噪声。因此使用乔里斯基正交化来处理模型的残差。

VAR建模的时候以上面的条件为例，其实模型估计参数时会给出三个3个方程(应变量各自不同）：

方程1： $y_{t} = \beta _{1}\cdot y_{t-1} + \alpha _{1}\cdot X1_{t-1} +\Theta_{1}\cdot X2_{t-1} + \varepsilon _{t}$

方程2： $X1_{t} = \beta _{1}\cdot X1_{t-1} + \alpha _{1}\cdot y_{t-1} +\Theta_{1}\cdot X2_{t-1}+ \eta _{t}$

方程3： $X2_{t} = \beta _{1}\cdot X2_{t-1} + \alpha _{1}\cdot y_{t-1} +\Theta_{1}\cdot X1_{t-1}+ \omega_{t}$

方程1的残差序列： $\varepsilon _{t}$

方程2的残差序列： $\eta _{t}$

方差3的残差序列： $\omega_{t}$

三个方程的乔里斯基正交化的步骤就是：

正交1： $\frac{\eta _{t}}{\varepsilon _{t}}$

正交2： $\frac{\omega _{t}}{\varepsilon _{t}}$

正交3： $\frac{\omega _{t}}{\eta _{t}}$

正交4： $\frac{\frac{\eta _{t}}{\varepsilon _{t}}}{\frac{\omega _{t}}{\varepsilon _{t}}}$

正交5： $\frac{\frac{\eta _{t}}{\varepsilon _{t}}}{\frac{\omega _{t}}{\eta _{t}}}$

最后用正交4/正交5，得到的序列就是乔里斯基正交化残差了。

乔里斯基正交化之前要对方程的变量按重要性排序，更重要的放在分子上。

3. 然后就是如何使用PYTHON 实现VAR模型的建模了：

以上的步骤是不是很庞大，看着很麻烦？但是电脑都会一下子嗖嗖嗖处理好的。

1）导入模块

# 模型相关包
import statsmodels.api as sm
import statsmodels.stats.diagnostic
# 画图包
import matplotlib.pyplot as plt
# 其他包
import pandas as pd
import numpy as np

2）画序列相关图

fig = plt.figure(figsize=(12,8))
plt.plot(changeXAUUSD,'r',label='XAU USD')
plt.plot(shfeXAU,'g',label='SHFE XAU')
plt.title('Correlation: ' + str(correlation))
plt.grid(True)
plt.axis('tight')
plt.legend(loc=0)
plt.ylabel('Price')
plt.show()

3）ADF单位根

python里的ADF检验结果就是下面的adfResult，我这里用output整理了一下，方便浏览。童鞋们也可以print结果，然后自行整理。

这里的数据格式应该是DataFrame里面的series格式，不过dataframe应该也可以吧，没试过。

adfResult = sm.tsa.stattools.adfuller(data,maxlags)
output = pd.DataFrame(index=['Test Statistic Value', "p-value", "Lags Used", "Number of Observations Used","Critical Value(1%)", "Critical Value(5%)", "Critical Value(10%)"],columns=['value'])output['value']['Test Statistic Value'] = adfResult[0]output['value']['p-value'] = adfResult[1]output['value']['Lags Used'] = adfResult[2]output['value']['Number of Observations Used'] = adfResult[3]output['value']['Critical Value(1%)'] = adfResult[4]['1%']output['value']['Critical Value(5%)'] = adfResult[4]['5%']output['value']['Critical Value(10%)'] = adfResult[4]['10%']

4）协整检验

python里面的协整检验通过coint（）这个函数进行的，返回P-value值，越小，说明协整关系越强。

result = sm.tsa.stattools.coint(data1,data2)

5）模型估计+定阶

这里PYTHON真的很烦，python有两套var估计，一个是VARMAX，一个是VAR。我看了官方文档后，觉得估计参数和定阶还是用VARMAX最好，因为可以返回很多东西，尤其是summary()里面的统计结果特别详细，直接包含了AIC,BIC,HQIC。

这里要注意，PYTHON定阶没有LR这个指标，要看LR的童鞋只能用EVIEWS和R了。不过AIC，BIC也够用了。

这里插入的数据只能是DATAFRAME格式的，不然就报错。

给大家看一下数据构造吧：

lnDataDict = {'lnSHFEDiff':lnSHFEDiff,'lnXAUDiff':lnXAUDiff}
lnDataDictSeries = pd.DataFrame(lnDataDict,index=lnSHFEDiffIndex)
data = lnDataDictSeries[['lnSHFEDiff','lnXAUDiff']]

这里的fitMod和resid变量后面会用到哦~~

#建立对象，dataframe就是前面的data，varLagNum就是你自己定的滞后阶数
orgMod = sm.tsa.VARMAX(dataframe,order=(varLagNum,0),trend='nc',exog=None)
#估计：就是模型
fitMod = orgMod.fit(maxiter=1000,disp=False)
# 打印统计结果
print(fitMod.summary())
# 获得模型残差
resid = fitMod.resid
result = {'fitMod':fitMod,'resid':resid}

6）系数平稳检验：CUSUM检验

这里也注意，Python这里不像EVIEWS，python没有办法算AR根，弄不到AR根图，但是python可以进行cusum检验。返回3各变量，第2个是P-value值，记得我之前说的吗，cusum检验要无法拒绝原假设，也就是说P-value值要大于0.05

这里的resid就是前面模型的resid

# 原假设：无漂移（平稳），备择假设：有漂移（不平稳）
result = statsmodels.stats.diagnostic.breaks_cusumolsresid(resid)

7）脉冲响应图

orthogonalized=True代表使用乔里斯基正交，这里很奇葩，官方文档没有加plt.show(),但是博主亲身试验，一定要加，不然画不出来。terms代表周期数。

# orthogonalized=True，代表采用乔里斯基正交
ax = fitMod.impulse_responses(terms, orthogonalized=True).plot(figsize=(12, 8))
plt.show()

8）方差分解图

这里要注意：

VARMAX很怪，没有做方差分解的方法，但是VAR这个方法里面有。（python就是这么任性！）

所以这里就用VAR重新估计，然后直接使用fevd进行方差分解。

打印summary（）可以看到方差分解的具体结果，plot可以画图，要记得加plt.show()哦~~

这里的dataFrame就是前面的data噢~~

md = sm.tsa.VAR(dataFrame)
re = md.fit(2)
fevd = re.fevd(10)
# 打印出方差分解的结果
print(fevd.summary())
# 画图
fevd.plot(figsize=(12, 16))
plt.show()

以上就是今日份的分享~~然后博主要开始吐槽了！

博主真是苦逼，最近定期要写研报，博主挑了个向量自回归模型（VAR）来研究，然而博主之前接触过的就只有MATLAB和python，matlab虽然做这种统计很方便，但是一个是博主好久不用啦有点生疏，还有一个是跟项目开发合在一起的话不方便。

然后博主现在天天用python，所以为了赶稿子，也只能硬着头皮用python搞一波了。但是，博主发现，全网，基本没有人用python搞过这种高级计量经济学模型，因为连范文都找不到1篇！！！！博主亲身尝试摸索后，虽然完成了研报，但是！博主还是要说，统计类的东西，要么用R，要么用EVIEWS，用Python真心苦逼！！！

主要是各个函数都藏在不知道什么旮旯角落里！！！有些还没有！比如AR根和AR图，要不是靠参考链接里R语言的一篇样板文，我都不知道还有个检验系数稳定性的方法叫cusum，再从另一篇样例里面找到python做cusum的样例。cusum的原假设和备择假设还跟普通检验不一样，反过来的，我查了好多中外文献，才确定这一点。python里面还没有EG因果关系检验，而协整关系检验的名字竟然叫coint……也是从另一篇样例文中找到的！！！都是泪…………

然后，python只能对VAR模型，VECM模型进行估计，其他var类模型，各位别白废力气寻找了，直接用EVIEWS或者R吧。

好啦~吐槽结束，博主可以保证，这是全网唯一的，最完整的利用python进行VAR模型建模的教程文了~~~

参考文献：

1. VARMAX官方样例

VARMAX models — statsmodels

2. VARMAX官方文档

statsmodels.tsa.statespace.varmax.VARMAX — statsmodels

3.VARMAX fit官方文档

statsmodels.tsa.statespace.varmax.VARMAX.fit — statsmodels

4.VARMAX fit返回值

statsmodels.tsa.statespace.mlemodel.MLEResults — statsmodels

5. CUSUM检验文献：平稳过程趋势项变点的CUSUM检验

平稳过程趋势项变点的CUSUM检验_爱学术

6. CUSUM检验文献：关于CUSUM检验的改进

百度文库

7. cusum外文文献

https://doc.docsou.com/b77f40843604bd6fcc70f6d0b-10.html

8.python实现时间序列

https://max.book118.com/html/2017/1006/136205976.shtm

9.VAR python W3Cschool样例

Example: Interactions and ANOVA Statsmodels官方教程 _w3cschool

10.R语言实现VAR模型

向量自回归模型（VAR）及其R语言实现_1ia0的博客-CSDN博客_r语言var模型

11. python statsmodel手册

Python手册(Machine Learning)--statsmodels(TimeSeries)_WilenWu的博客-CSDN博客_statsmodels文档

12. python cusum检验方法说明：breaks_cusumolsresid

https://www.cherylgood.cn/doc/statsmodels/statsmodels-statistics/5bacda5744e2a52489c5292a.html

13.python 进行cusum检验样例

回归模型的不稳定性_coderpai的博客-CSDN博客_模型准确率不稳定

Python实现向量自回归（VAR）模型——完整步骤相关推荐

R语言实现向量自回归VAR模型
澳大利亚在2008 - 2009年全球金融危机期间发生了这种情况.政府发布了一揽子刺激计划,其中包括2008年12月的现金支付,恰逢圣诞节支出.因此,零售商报告销售强劲,经济受到刺激,收入增加了. 最 ...
回归模型分类（自回归AR模型、向量自回归VAR模型等）
Stata广义矩量法GMM面板向量自回归PVAR模型选择、估计、Granger因果检验分析投资、收入和消费数据
最近我们被客户要求撰写关于广义矩量法GMM的研究报告,包括一些图形和统计输出. 摘要面板向量自回归(VAR)模型在应用研究中的应用越来越多.虽然专门用于估计时间序列VAR模型的程序通常作为标准功能包 ...
【视频】向量自回归VAR数学原理及R软件经济数据脉冲响应分析实例
最近我们被客户要求撰写关于向量自回归VAR的研究报告,包括一些图形和统计输出. 向量自回归 (VAR) 是一种用于多变量时间序列分析的统计模型,尤其是在变量具有相互影响关系的时间序列中,本视频中我们介 ...
adf检验代码 python_第22期：向量自回归（VAR）模型预测——Python实现
一.向量自回归模型简介经典回归模型都存在一个强加单向关系的局限性,即被解释变量受到解释变量的影响,但反之不成立.然而,在许多情况下所有变量都相互影响.向量自回归(VAR)模型允许这类双向反馈关系,所 ...
决策树模型回归可视化分析_【时间序列分析】在论文中用向量自回归（VAR）模型时应注意哪些问题？...
在论文的写作中,向量自回归(VAR)模型是经常用的一个模型,同时它也是多维时间序列模型的最核心内容之一. 首先要清楚,VAR模型主要是考察多个变量之间的动态互动关系,从而解释各种经济冲击对经济变量形成 ...
R语言EG(Engle-Granger)两步法协整检验、RESET、格兰杰因果检验、VAR模型分析CPI和PPI时间序列关系...
全文链接:http://tecdat.cn/?p=31108 作为衡量通货膨胀的基本指标,消费者价格指数CPI和生产者价格指数PPI的作用关系与传导机制一直是宏观经济研究的核心问题.(点击文末&quo ...
Matlab用向量误差修正VECM模型蒙特卡洛Monte Carlo预测债券利率时间序列和MMSE 预测...
原文链接:http://tecdat.cn/?p=27246 此示例说明如何从 VEC( q ) 模型生成 Monte Carlo 预测.该示例将生成的预测与最小均方误差 (MMSE) 预测和来自V ...
Eviews用向量自回归模型VAR实证分析公路交通通车里程与经济发展GDP协整关系时间序列数据和脉冲响应可视化...
全文下载链接:http://tecdat.cn/?p=27784 河源市是国务院1988年1月7日批准设立的地级市,为了深入研究河源市公路交通与经济发展的关系,本文选取了1988-2014年河源市建市 ...
多元时间序列回归模型_多元时间序列分析和预测：将向量自回归（VAR）模型应用于实际的多元数据集...
多元时间序列回归模型 Multivariate Time Series Analysis 多元时间序列分析 A univariate time series data contains only on ...

Python实现向量自回归（VAR）模型——完整步骤