原文链接：http://tecdat.cn/?p=22546

资产价格具备随工夫变动的波动性（逐日收益率的方差）。在某些期间，收益率是高度变动的，而在其余期间则十分安稳。随机稳定率模型用一个潜在的稳定率变量来模仿这种状况，该变量被建模为随机过程。上面的模型与 No-U-Turn Sampler 论文中形容的模型类似，Hoffman (2011) p21。

这里，r是每日收益率序列，s是潜在的对数稳定率过程。

建设模型

首先，咱们加载标普500指数的每日收益率。

returns = (pm.get_data("SP500.csv"))returns\[:5\]

正如你所看到的，波动性仿佛随着工夫的推移有很大的变动，但集中在某些时间段。在2500-3000个工夫点左近，你能够看到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)

对于这个模型，最大后验(_Maximum_ _A_ _Posteriori_,MAP)概率预计具备有限的密度。然而，NUTS给出了正确的后验。

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

plot(trace\['s'\]);

察看一段时间内的收益率，并叠加预计的标准差，咱们能够看到该模型是如何拟合一段时间内的稳定率的。

plot(returns)plot(exp(trace\[s\]);

 np.exp(trace\[s\])

Hoffman & Gelman. (2011). The No-U-Turn Sampler: Adaptively Setting Path Lengths in Hamiltonian Monte Carlo.

最受欢迎的见解

1.HAR-RV-J与递归神经网络（RNN）混合模型预测和交易大型股票指数的高频稳定率

2.WinBUGS对多元随机稳定率模型：贝叶斯预计与模型比拟

3.稳定率的实现：ARCH模型与HAR-RV模型

4.R语言ARMA-EGARCH模型、集成预测算法对SPX理论稳定率进行预测

5.应用R语言随机稳定模型SV解决工夫序列中的随机稳定率

6.R语言多元COPULA GARCH 模型工夫序列预测

7.R语言基于ARMA-GARCH过程的VAR拟合和预测

8.R语言随机搜寻变量抉择SSVS预计贝叶斯向量自回归（BVAR）模型

9.R语言对S＆P500股票指数进行ARIMA + GARCH交易策略