我正在尝试对给定股票未来30天的波动性进行滚动预测(即预测时间t + 1，然后在预测t + 2时使用此预测，依此类推...)

我这样做是使用R的rugarch软件包，该软件包是我使用rpy2软件包在Python中实现的。 (我发现Python软件包的文档记录不清，更难使用。这些软件包中的大多数在R中也已经成熟得多)。

到目前为止，这是我的代码，该模型适用于直到我拥有的最后30天数据的股票回报的整个时间序列。 然后，我对我拥有的未见数据的最后30天进行滚动预测(我认为)。

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

from rpy2.robjects.packages import importr

import rpy2.robjects as robjects

from rpy2.robjects import numpy2ri

ticker = 'AAPL'

forecast_horizon = 30

prices = utils.dw.get(filename=ticker, source='iex', iex_range='5y')

df = prices[['date', 'close']]

df['daily_returns'] = np.log(df['close']).diff() # Daily log returns

df['monthly_std'] = df['daily_returns'].rolling(21).std() # Standard deviation across trading month

df['annual_vol'] = df['monthly_std'] * np.sqrt(252) # Convert monthly standard devation to annualized volatility

df = df.dropna().reset_index(drop=True)

# Initialize R GARCH model

rugarch = importr('rugarch')

garch_spec = rugarch.ugarchspec(

mean_model=robjects.r('list(armaOrder = c(0,0))'),

variance_model=robjects.r('list(garchOrder=c(1,1))'),

distribution_model='std'

)

# Used to convert training set to R list for model input

numpy2ri.activate()

# Train R GARCH model on returns as %

garch_fitted = rugarch.ugarchfit(

spec=garch_spec,

data=df['daily_returns'].values * 100,

out_sample=forecast_horizon

)

numpy2ri.deactivate()

# Model's fitted standard deviation values

# Revert previous multiplication by 100

# Convert to annualized volatility

fitted = 0.01 * np.sqrt(252) * np.array(garch_fitted.slots['fit'].rx2('sigma')).flatten()

# Forecast using R GACRH model

garch_forecast = rugarch.ugarchforecast(

garch_fitted,

n_ahead=1,

n_roll=forecast_horizon - 1

)

# Model's forecasted standard deviation values

# Revert previous multiplication by 100

# Convert to annualized volatility

forecast = 0.01 * np.sqrt(252) * np.array(garch_forecast.slots['forecast'].rx2('sigmaFor')).flatten()

volatility = pd.DataFrame({

'actual': df['annual_vol'].values,

'model': np.append(fitted, forecast),

})

plt.plot(volatility['actual'][:-forecast_horizon], label='Train')

plt.plot(volatility['actual'][-forecast_horizon - 1:], label='Test')

plt.plot(volatility['model'][:-forecast_horizon], label='Fitted')

plt.plot(volatility['model'][-forecast_horizon - 1:], label='Forecasted')

plt.legend()

plt.show()

该代码使用我自己的API检索每日价格，但是可以将其更改为您自己的价格数据以运行该代码。

对于AAPL，此脚本得出以下实际波动率与拟合波动率/预测波动率的关系图：

这导致以下两个问题：

这种对看不见的数据的预测令人惊讶地令人印象深刻，尤其是考虑到苹果最近在测试集中的波动率很高-高于该模型所适用的任何波动率。 此滚动预测是否按我期望的方式工作？ 还是模型在拟合过程中实际上看到了最后30天？

如果此滚动预测能够按我预期的那样工作，那么现在我如何才能使模型适合我迄今拥有的整个训练数据时间序列，然后在未来30天进行滚动预测？ 我无法在文档中找到任何可实现此目的的示例或任何在线示例。 无论该模型对我执行的历史数据进行测试的效果如何，如果不能用于对未来进行实际预测，则完全没有用。