文章 "用于预测波动性的计量经济学工具：GARCH模型" - 页 2

新评论
 
测试结果显示没有明显差异，任何合理滤波参数下的残差都被认为是静止的：)
 
Maxim Dmitrievsky #

由于样条曲线对新数据不起作用，因此可以对 HP 或其他滤波器进行重做。如果希望建立精确的模型，可以使用以下方法
是什么阻碍了你训练普通的线性回归？
你为什么还要坚持使用这些样条曲线，有无数更好的方法....。
 
Maxim Dmitrievsky #:

我 在上帝的 帮助下制作了 LLM DeepSeek。你可以用自己的数据代替。

解释

在优化过程中，为了使残差尽可能接近正态分布，可以使用一致准则（如 Shapiro-Wilk 准则或 Kolmogorov-Smirnov 准则）来评估残差的正态性。然后可以对 参数 k k 和 s s进行优化 ，使 残差与正态分布的偏差最小。

  1. 关于残差正态性的误差函数：引入了一个新的 函数 spline_error_with_normality，用于计算残差并使用 Shapiro-Wilk 准则评估残差的正态性。负 p 值被最小化，以最大化残差的正态性。

  2. 优化：最小化 用于 根据新 的 误差函数优化 参数 k k 和 s s。

这种方法可以调整样条曲线参数，使残差分布的正态性最大化，从而提高模型的质量和结果的可解释性。

由于样条函数对新数据不起作用，因此可以在 HP 或任何其他滤波器下重做。如果希望建立一个特定的模型。

在尝试运行时，我在第 49 行遇到了一个错误--名称 "norm "未定义。这可能是我对 Collab 缺乏经验造成的。但从代码中可以看出，总体思路还是很清晰的。

主要问题在于，劈叉（以及其他任何试图建立确定性函数的尝试）对新数据不起作用。因此，在处理期权的严肃办公室中，严肃的数学家通常会为波动率建立严肃的随机模 型，其精神与正在讨论的文章中的模型类似。与此同时，当你观察小型期权交易者的推理时，你会感觉到他们背后的想法是波动率 波动的确定性，其精神与斯捷潘诺夫文章中的想法相似。

 
Aleksey Nikolayev #:

当我尝试运行它时，在第 49 行出现了错误--名称 "norm "未定义。这个问题可能是我对 collab 缺乏经验造成的。但从代码中可以看出，总体思路还是很清晰的。

主要问题在于，劈叉（以及其他试图建立确定性函数的尝试）对新数据不起作用。因此，在处理期权的严肃办公室中，严肃的数学家通常会为波动率建立严肃的随机模 型，其精神与正在讨论的文章中的模型类似。与此同时，当你观察小型期权交易者的推理时，你会感觉到他们的背后是关于波动率 波动确定性的想法，其精神与斯捷潘诺夫文章中的想法相似。

是的，更正了，没有导入库

需要
from scipy.stats import shapiro, norm

我将它用于其他目的（在历史交易中做标记），所以我通过任何曲线来做，看看能得到什么:)

在按顶点标记时，您可以将其与之字形进行比较。在这里，您可以根据与花键的偏差进行标记。

嗯，就是这样，在无意义的顺序中，文章的主题并不适用。

 
mytarmailS #:
你为什么不教普通的线性回归？
你为什么还要用这些斜线呢？

我已经在 MO 主题中写过，对于我的问题，线性回归被证明是更糟糕的。此外，样条曲线也是由回归（分段）建立的。

也就是说，我不会用这条样条曲线预测任何事情。我使用曲线来标记历史交易。
12
新评论