全文链接：http://tecdat.cn/?p=31123
分析师：Yihan Mao
本文为客户提供咨询，让个人购买人员了解美国国债期货的特性，以便于进行个人投资及管理。
任务/目标
由于国债期货的方便，可以快速交易，所以无论是用来投机还是用来对冲风险都有很好的作用效果。我们提取美国国债期货的数据,进行波动性，收益率上的分析，并进行价格预测。
相关视频
数据源准备
用python(import YahooFinance)获取美国国债期货近10年的数据作为基本分析数据。同时，由于国债期货的价格受到许多宏观因素的影响，所以并且还需要找到一些其他的影响要素，这里我们提取GDP，CPI，Treasury Yield（收益率）并作为我们的特征。
特征转换
数据预处理。datetime换成标准时间，算出日logreturn（log收益），分别算出15，50，100天的SMA与RSI加入到特征。画出boxplot，通过图过滤掉outliers跟一些不正常的点。用pandas筛选数据，填补过滤掉空数据。
分析收益
画出日收益率，寻找聚集波动性强的点，进行进一步分析。通过图看出在哪一段时间日收益较高，并且寻找近期事件发生的影响。我们发现存在收益相对较高，有投资价值。
分析波动性
波动性可以考虑为标准差的表现。首先直观观察，画出短期SMA与长期SMA，交点较多的地方为潜在波动性强的地方。再画出Bollinger Bands，密集的地方为波动性大的地方。
将这段时间发生的事情结合在一起分析，可以看出人们在发生经济变动的时候会选择用此国债期货进行风险转移。
点击标题查阅往期内容
R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格
左右滑动查看更多
01
02
03
04
建模分析
Regression Model：
由于特征数据有多重因素，我们可以一个多重线性回归。通过画图scatterplot matrix我们发现，很多之间并不是线性，而且存在变量之间的线性关系（由于目标是预测，所以可以忽略），所以我们进行Box-Tidewell Transformation. 然后选取训练集合跟预测集合，建立模型进行回归预测。
ARIMA：
由于国债期货不是商品类型，所以我们不考虑季节性的变化。（ARIMA模型是指将非平稳时间序列转化为平稳时间序列，然后将结果变量做自回归（AR）和自平移（MA）。）
首先画图查看是否存在自相关。用ADF test来检测是否平稳，如果不平稳我们对其进行差分处理，知道检测P-value<0. 然后用Ljung-Box Test 检测白噪声，如果不是白噪声证明可以预测此时间序列。
接下来定阶。Auto-select得知选择ARIMA(1,1,1). 我们建立模型。并对模型进行residual分析，得知模型良好。
同时看出residual可以看做normal分布。
我们选择前80%的数据为训练集合，后20%为测试集合，建立预测。
可以看出预测值与实际值近似。如果假设经济状况平稳，没有重大事情发生的状况下（eg.covid-19），可以参考其变化来进行投机，实际上仍需考虑多方面宏观因素。
随机森林：
用随机的方式建立一个由很多决策树组成的，每一棵树都只负责自己的部分。每一棵树来进行自己的分类运算，最后选择评分最高的来进行预测。
GARCH模型：
金融市场有杠杆效应。方差并不是恒定的，ARCH模型是一个很好的解决方法。
由于国债期货长达30年，很多宏观因素的变化对其有很大的影响。
预测取决于我们的目的，如果我们的目的仅仅是投机，我们只需要观察价格的变化走势，同时受到一些宏观因素的影响。比如我们还可以通过画出RSI的变化，来训练什么时候应该买入卖出。
同时根据交易量（Volume）的变化可以看出人们的活动状况，尤其是在宏观事件影响的时候。这个对于风险管理有很重要的参考价值。
改进：
可以根据每周工作日设置indicator变量，更好的反应时间因素。同时可以设置他们的相互作用（interaction effect）。
选取的宏观因素可以进一步增加。
关于作者
在此对Yihan Mao对本文所作的贡献表示诚挚感谢，他毕业于厦门大学(马来西亚分校)，专长金融数学，数据分析可视化。
点击文末“阅读原文”
获取全文完整代码数据资料。
本文选自《python用回归、arima、随机森林、GARCH模型分析国债期货波动性、收益率、价格预测》。
点击标题查阅往期内容
R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列
R语言使用多元AR-GARCH模型衡量市场风险
R语言GARCH模型对股市sp500收益率bootstrap、滚动估计预测VaR、拟合诊断和蒙特卡罗模拟可视化
R语言单变量和多变量（多元）动态条件相关系数DCC-GARCH模型分析股票收益率金融时间序列数据波动率
R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格
GARCH-DCC模型和DCC（MVT）建模估计
R语言预测期货波动率的实现：ARCH与HAR-RV与GARCH，ARFIMA模型比较
ARIMA、GARCH 和 VAR模型估计、预测ts 和 xts格式时间序列
PYTHON用GARCH、离散随机波动率模型DSV模拟估计股票收益时间序列与蒙特卡洛可视化
极值理论 EVT、POT超阈值、GARCH 模型分析股票指数VaR、条件CVaR：多元化投资组合预测风险测度分析
Garch波动率预测的区制转移交易策略
金融时间序列模型ARIMA 和GARCH 在股票市场预测应用
时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格
R语言风险价值：ARIMA，GARCH，Delta-normal法滚动估计VaR（Value at Risk）和回测分析股票数据
R语言GARCH建模常用软件包比较、拟合标准普尔SP 500指数波动率时间序列和预测可视化
Python金融时间序列模型ARIMA 和GARCH 在股票市场预测应用
MATLAB用GARCH模型对股票市场收益率时间序列波动的拟合与预测
R语言极值理论 EVT、POT超阈值、GARCH 模型分析股票指数VaR、条件CVaR：多元化投资组合预测风险测度分析
Python 用ARIMA、GARCH模型预测分析股票市场收益率时间序列
R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格
R语言ARIMA-GARCH波动率模型预测股票市场苹果公司日收益率时间序列
Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模拟进行股价预测
R语言时间序列GARCH模型分析股市波动率
R语言ARMA-EGARCH模型、集成预测算法对SPX实际波动率进行预测
matlab实现MCMC的马尔可夫转换ARMA - GARCH模型估计
Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模拟进行股价预测
使用R语言对S＆P500股票指数进行ARIMA + GARCH交易策略
R语言用多元ARMA,GARCH ,EWMA, ETS,随机波动率SV模型对金融时间序列数据建模
R语言股票市场指数：ARMA-GARCH模型和对数收益率数据探索性分析
R语言多元Copula GARCH 模型时间序列预测
R语言使用多元AR-GARCH模型衡量市场风险
R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格
R语言用Garch模型和回归模型对股票价格分析
GARCH（1,1），MA以及历史模拟法的VaR比较
matlab估计arma garch 条件均值和方差模型
好文推荐
您阅读本篇文章共花了：
发表评论