Dincolo de Arma-Garch: Utilizarea oricărui model statistic pentru prognoza volatilității

Remarcă: Acum există un buton pentru copierea bucăților de cod. Este util; Aveam nevoie.

Această postare este o continuare a dincolo de arma-garch: învățarea modelelor-agnostice a modelelor-agnostice și predicția conformală pentru prognoza nonparametrică probabilistică a stocurilor (ML-Arch) și versiunea Python a Arma-Garch: Utilizarea modelelor-agnostice a rețelelor quasi-randomizate și a predicției conforme pentru non-parlametrice probabilistice prognozate (ML-parte).

noutate în această postare este că: puteți utiliza orice statistic Model (adică theta, ARIMA, netezire exponențială etc.) pentru previziuni de volatilitate. Acesta va fi adaptat la versiunea Python (linkul anterior) în următoarele zile. Nu uitați că modelele utilizate mai jos nu sunt reglate și că trebuie să le reglați pentru a reduce incertitudinea de prognoză.

Instalarea pachetului

options(repos = c(
                techtonique = "https://r-packages.techtonique.net",
                CRAN = "https://cloud.r-project.org"
            ))            

install.packages("ahead")

Theta

# Default model for volatility (Ridge regression for volatility)
(obj_ridge <- ahead::mlarchf(fpp2::goog200, h=20L, B=500L, ml=FALSE, stat_model=forecast::thetaf))
plot(obj_ridge)

Prognoză medie

(obj_ridge <- ahead::mlarchf(fpp2::goog200, h=20L, B=500L, ml=FALSE, stat_model=forecast::meanf))
plot(obj_ridge)

Auto Arima

(obj_ridge <- ahead::mlarchf(fpp2::goog200, h=20L, B=500L, ml=FALSE, stat_model=forecast::auto.arima))
plot(obj_ridge)

Netezire exponențială

(obj_ridge <- ahead::mlarchf(fpp2::goog200, h=20L, B=500L, ml=FALSE, stat_model=forecast::ets))
plot(obj_ridge)