Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3715
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
До практики в ближайшее время дойти не получается, поэтому пока небольшая порция теории.
Всё никак не доберусь до практики, поэтому очередная порция мыслей про вероятностное МО)
Ещё одна возможная польза от ВМО - разделение случайных колебаний на стационарную и нестационарную составляющие. Правда пока не очень понятно как реализовать это на практике для трейдинга, чтобы был хоть какой-то смысл.
Ещё одна возможная польза от ВМО - разделение случайных колебаний на стационарную и нестационарную составляющие. Правда пока не очень понятно как реализовать это на практике для трейдинга, чтобы был хоть какой-то смысл.
Могу ошибаться, но разве авторегрессия гетероскедастичности, это не о том же?
GARCH? Так это же стационарная модель (при соответствующих условиях на коэффициенты). Меняется там только условная дисперсия а БЕЗусловная остаётся постоянной.
По факту, это попытка загнать наблюдаемую нестационарность (в смысле колебаний волатильности) в рамки стационарной модели.
GARCH?
Ответ deeoseek
применима модель GARCH для временных рядов (нестационарных) типа котировок валют или акций
Отличный вопрос. Вы затронули ключевую тему в современной эконометрике и анализе финансовых рынков.
Короткий ответ: Да, модель GARCH исключительно хорошо применима и широко используется для анализа волатильности таких нестационарных рядов, как котировки акций и валют. Однако есть очень важный нюанс: GARCH применяется не к самим ценам, а к стационарным рядам их доходностей.
Давайте разберем подробно.
1. Проблема нестационарности ценовых рядов
Ряд котировок (например, S(t) – цена акции Apple в момент времени t ) обычно является нестационарным. Это проявляется в:
Тренде: Общее направленное движение (вверх или вниз).
Изменяющейся дисперсии: Периоды спокойствия сменяются периодами высокой волатильности (кластеризация волатильности).
Модели типа ARIMA или GARCH напрямую с такими рядами работать не могут, так как они требуют стационарности.
2. Решение: Переход к доходностям
Чтобы решить проблему нестационарности, мы преобразуем цены в логарфимические доходности (log returns):
r(t) = ln(S(t) / S(t-1)) * 100%
или в простые процентные доходности.
Почему это работает?
Ряд доходностей r(t) обычно является стационарным:
Постоянное среднее: В среднем доходность колеблется вокруг нуля (или некоторой небольшой константы).
Автокорреляция: Часто отсутствует или очень слабая (ряды близки к "белому шуму").
Гетероскедастичность: Дисперсия (волатильность) доходностей непостоянна во времени – те самые кластеры волатильности, которые и призвана объяснить модель GARCH.
Таким образом, мы моделируем не цены, а процесс изменения цен.
3. Как именно применяется GARCH?
Модель GARCH строится для ошибок (остатков) модели, описывающей среднее значение доходности.
Типичный алгоритм применения:
Рассчитать доходности из ценового ряда.
Проверить стационарность ряда доходностей (тест Дики-Фуллера, KPSS). Обычно доходности стационарны.
Определить модель для среднего значения. Часто это просто константа ( r(t) = μ + ε(t) ), либо простая модель ARMA, если в доходностях есть следы автокорреляции.
Проанализировать остатки ( ε(t) ) модели для среднего:
Проверить на автокорреляцию (тест Льюнга-Бокса). Её быть не должно.
Проверить на эффект кластеризации волатильности (например, посмотреть на график квадратов остатков или применить тест ARCH-LM). Если этот эффект есть – пора применять GARCH.
Подобрать модель GARCH для дисперсии остатков. Самая популярная – GARCH(1,1):
σ²(t) = ω + α * ε²(t-1) + β * σ²(t-1)
σ²(t) – это оценка волатильности в момент времени t .
ε²(t-1) – "новость" вчерашнего дня (шок). Параметр α показывает, насколько сильно вчерашние шоки влияют на сегодняшнюю волатильность.
σ²(t-1) – волатильность вчерашнего дня. Параметр β показывает "инерционность" волатильности.
Проверить адекватность модели: остатки полной модели (ARMA + GARCH) должны уже не иметь автокорреляции и эффектов ARCH.
4. Практическая польза GARCH для трейдинга и анализа
Прогнозирование волатильности: Это главное применение. GARCH позволяет строить точные краткосрочные прогнозы волатильности, что критически важно для:
Управления рисками (расчет Value at Risk – VaR).
Ценообразования опционов (волатильность – ключевой параметр в моделях вроде Блэка-Шоулза).
Оптимизации торговых стратегий.
Обнаружение периодов риска: Модель четко показывает, когда рынок переходит в режим высокой неопределенности.
Моделирование зависимости: Многомерные модели (например, DCC-GARCH) позволяют анализировать, как изменяется корреляция между разными активами (например, долларом и нефтью) во времени.
5. Развитие и альтернативы классическому GARCH
Классический GARCH(1,1) часто бывает достаточным, но для более сложных случаев есть модификации:
EGARCH: Учитывает асимметричный эффект ("рынки боятся падений сильнее, чем радуются ростам" – плохие новости увеличивают волатильность сильнее, чем хорошие).
TGARCH: Аналогично, моделирует асимметричный эффект.
GARCH-M: Включает волатильность как фактор прямо в уравнение для средней доходности (инвесторы требуют премию за риск).
Многомерные GARCH: Для анализа ковариации и корреляции нескольких активов.
Итог
Модель GARCH не просто применима к нестационарным рядам котировок – она является одним из основных инструментов для их анализа. Важно помнить, что объектом моделирования являются не сами цены, а стационарные ряды доходностей, рассчитанные на их основе. GARCH блестяще справляется с задачей описания и прогнозирования их главной особенности – кластеризации волатильности.
Применяется ли GARCH для моделирования нестационарных процессов?
Ответ Perplexity:
Модель GARCH (Generalized Autoregressive Conditional Heteroskedasticity) по своей классической формулировке применяется к стационарным временным процессам, в частности к стационарным рядам условной гетероскедастичности. Для того чтобы процесс GARCH был ковариационно стационарным, должна выполняться неравенство, при котором сумма коэффициентов авторегрессии и скользящего среднего в модели меньше 1: ∑ α i + ∑ β i < 1 ∑αi+∑βi<1. При этом безусловная дисперсия процесса остается постоянной во времени.
Если сумма коэффициентов равна единице, возникает так называемая интегрированная GARCH-модель (IGARCH), для которой безусловная дисперсия теоретически бесконечна, что соответствует нестационарному процессу.
Таким образом, стандартные GARCH-модели рассчитаны на стационарные ряды, а для работы с нестационарными процессами часто применяют предварительную обработку данных (например, дифференцирование, преобразование), либо используются специальные расширения и обобщения модели GARCH (например, IGARCH, другие интегрированные версии или модели с учетом структурных изменений).
Итог: GARCH применяется для моделирования стационарных процессов. Для нестационарных применяются либо предварительная обработка, либо специализированные расширения, например IGARCH, которая моделирует интегрированную нестационарность в вариации ряда.
Хорошо бы пояснения после ИИ, как понимают это задаватели вопросов. По мне это некое допущение, что в сб есть некие усреднённые или другим путем полученные производные от данных, и они почти стационары. Как то не очень.
Хорошо бы пояснения после ИИ, как понимают это задаватели вопросов. По мне это некое допущение, что в сб есть некие усреднённые или другим путем полученные производные от данных, и они почти стационары. Как то не очень.
Видел достаточно много публикаций об успешности применения гарчей, которые, почему-то, не нашли своего внимания на этом сайте.
Существует более ста разновидностей гарчей.
Смысл всех один: явное моделирование разных аспектов нестационарностей в приращении финансовых временных рядов, т.е. именно в этом фундаментальное отличие от МО. Так сказать, явно пытаемся решить проблему нестационарности приращений, как в виде собственных приращений через ARIFMA, а также моделирование нестационарностей, которые выявляются в распределениях приращений.
Видел статью (лень искать) по выбору конкретной модели гарча на примере ВСЕХ акций, входящих в S&p500 - лучшая модель IGARCH.
Видел достаточно много публикаций об успешности применения гарчей, которые, почему-то, не нашли своего внимания на этом сайте.
Существует более ста разновидностей гарчей.
Смысл всех один: явное моделирование разных аспектов нестационарностей в приращении финансовых временных рядов, т.е. именно в этом фундаментальное отличие от МО. Так сказать, явно пытаемся решить проблему нестационарности приращений, как в виде собственных приращений через ARIFMA, а также моделирование нестационарностей, которые выявляются в распределениях приращений.
Видел статью (лень искать) по выбору конкретной модели гарча на примере ВСЕХ акций, входящих в S&p500 - лучшая модель IGARCH.
GARCH? Так это же стационарная модель (при соответствующих условиях на коэффициенты). Меняется там только условная дисперсия а БЕЗусловная остаётся постоянной.
По факту, это попытка загнать наблюдаемую нестационарность (в смысле колебаний волатильности) в рамки стационарной модели.
Да, я имел в виду GARCH. При практическом его использовании, пытаются выделить что-то стационарное. Но ведь и от ВМО вы надеетесь получить - "разделение случайных колебаний на стационарную и нестационарную составляющие".