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

 最近我们被客户要求撰写关于随机波动率(SV)模型的研究报告，包括一些图形和统计输出。

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。

 

 

returns = (pm.get_data("SP500.csv"))
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。

 

 

 

ax.plot(returns)

指定模型。

 

 

GaussianRandomWalk('s', hape=len(returns))
nu = Exponential(  .1)
r = StudentT(  pm.math.exp(-2*s),
                    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。

 

 

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

 

html

 

 

 

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。

 

 

plot(returns)
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.

---