arch

用Python编写的自回归条件异方差(ARCH)和其他金融计量经济学工具(使用Cython和/或Numba来提高性能)

指标
最新版本
持续集成
覆盖率
代码质量
引用
文档

模块内容

• 单变量ARCH模型
• 单位根检验
• 协整检验和分析
• 自助法
• 多重比较检验
• 长期协方差估计

Python 3

arch仅支持Python 3。4.8版本是最后一个支持Python 2.7的版本。

文档

主分支的文档托管在我的GitHub Pages上。

已发布的文档托管在Read the Docs上。

更多关于ARCH

更多关于ARCH和相关模型的信息可以在Kevin Sheppard的网站上的笔记和研究中找到。

贡献

欢迎贡献。有多个层面可以贡献：

• 实现新的波动率过程，例如FIGARCH
• 改进不清晰或有拼写错误的文档字符串
• 提供示例，最好是以IPython notebook的形式

示例

<a id="volatility"></a>

波动率建模

• 均值模型
  • 常数均值
  • 异质自回归(HAR)
  • 自回归(AR)
  • 零均值
  • 带和不带外生回归变量的模型
• 波动率模型
  • ARCH
  • GARCH
  • TARCH
  • EGARCH
  • EWMA/RiskMetrics
• 分布
  • 正态分布
  • 学生t分布
  • 广义误差分布

查看单变量波动率示例notebook以获得更完整的概述。

import datetime as dt
import pandas_datareader.data as web
st = dt.datetime(1990,1,1)
en = dt.datetime(2014,1,1)
data = web.get_data_yahoo('^FTSE', start=st, end=en)
returns = 100 * data['Adj Close'].pct_change().dropna()

from arch import arch_model
am = arch_model(returns)
res = am.fit()

<a id="unit-root"></a>

单位根检验

• 增广迪基-富勒检验
• 迪基-富勒GLS检验
• 菲利普斯-佩龙检验
• KPSS检验
• Zivot-Andrews检验
• 方差比检验

查看单位根检验示例notebook以了解如何对序列进行单位根检验的示例。

<a id="unit-root"></a>

协整检验和分析

• 检验
  • Engle-Granger检验
  • Phillips-Ouliaris检验
• 协整向量估计
  • 标准化协整回归
  • 动态OLS
  • 完全修正OLS

查看协整检验示例notebook以了解如何对序列进行协整检验的示例。

<a id="bootstrap"></a>

自助法

• 自助法
  • IID自助法
• 平稳自助法
• 循环区块自助法
• 移动区块自助法
• 方法
  • 置信区间构建
  • 协方差估计
  • 应用方法在自助样本中估计模型
  • 通用自助法迭代器

查看自助法示例笔记本，了解夏普比率和statsmodels中Probit模型的自助法示例。

# 导入数据
import datetime as dt
import pandas as pd
import numpy as np
import pandas_datareader.data as web
start = dt.datetime(1951,1,1)
end = dt.datetime(2014,1,1)
sp500 = web.get_data_yahoo('^GSPC', start=start, end=end)
start = sp500.index.min()
end = sp500.index.max()
monthly_dates = pd.date_range(start, end, freq='M')
monthly = sp500.reindex(monthly_dates, method='ffill')
returns = 100 * monthly['Adj Close'].pct_change().dropna()

# 计算参数的函数
def sharpe_ratio(x):
    mu, sigma = 12 * x.mean(), np.sqrt(12 * x.var())
    return np.array([mu, sigma, mu / sigma])

# 自助法置信区间
from arch.bootstrap import IIDBootstrap
bs = IIDBootstrap(returns)
ci = bs.conf_int(sharpe_ratio, 1000, method='percentile')

<a id="multiple-comparison"></a>

多重比较程序

• 优越预测能力检验(SPA)，也称为现实检验或自助法数据探索
• 逐步法(StepM)
• 模型置信集(MCS)

查看多重比较示例笔记本，了解多重比较程序的示例。

<a id="long-run-covariance"></a>

长期协方差估计

基于核的长期协方差估计器，包括在计量经济学中被称为Newey-West的Bartlett核。所有协方差估计器都可以使用自动带宽选择。

from arch.covariance.kernel import Bartlett
from arch.data import nasdaq
data = nasdaq.load()
returns = data[["Adj Close"]].pct_change().dropna()

cov_est = Bartlett(returns ** 2)
# 获取长期协方差
cov_est.cov.long_run

要求

这些要求反映了测试环境。arch可能可以在较旧的版本上运行。

• Python (3.9+)
• NumPy (1.19+)
• SciPy (1.5+)
• Pandas (1.1+)
• statsmodels (0.12+)
• matplotlib (3+)，可选

可选要求

• 如果可用，且在不构建二进制模块的情况下安装时，将使用Numba (0.49+)。为确保不构建这些模块，必须设置环境变量ARCH_NO_BINARY=1并在不使用wheel的情况下安装。

export ARCH_NO_BINARY=1
python -m pip install arch

或者在Windows的Powershell中使用

$env:ARCH_NO_BINARY=1
python -m pip install arch

• 运行笔记本需要jupyter和notebook

安装

标准安装需要编译器和Cython。如果没有安装编译器，arch仍然可以安装。你会看到一个警告，但可以忽略。如果没有编译器，强烈推荐使用numba。

pip

发布版本可在PyPI上获得，可以用pip安装。

pip install arch

你也可以从GitHub安装最新版本

pip install git+https://github.com/bashtage/arch.git

设置环境变量ARCH_NO_BINARY=1可以禁用扩展的编译。

Anaconda

conda用户可以从conda-forge安装，

conda install arch-py -c conda-forge

注意：conda-forge上的名称是arch-py。

Windows

使用Python 3.8或更高版本时，使用Visual Studio社区版构建扩展很简单。当安装了numba时，不需要构建，因为即时编译的代码(numba)运行速度与预先编译的扩展一样快。

开发

开发要求是：

• Cython (0.29+，如果不使用ARCH_NO_BINARY=1，支持3.0.0b2+)
• pytest (用于测试)
• sphinx (用于构建文档)
• sphinx-immaterial (用于构建文档)
• jupyter、notebook和nbsphinx (用于构建文档)

安装注意事项

1. 如果未安装Cython，将按照设置ARCH_NO_BINARY=1的方式安装软件包。
2. 安装程序不验证这些要求。请确保已安装这些要求。