Давайте посмотрим, как мы можем построить эту модель на примере акций Tesla и как она может помочь нам оценить риск финансовых активов.
2022 год определенно станет жестким медвежьим рынком для инвесторов. S&P 500 потерял почти 30% от своего максимума. Волатильность повсюду.
Прекрасная возможность попрактиковаться в этой теме с Python!
Мы будем использовать статистическую модель для оценки и прогнозирования волатильности акции.
Давайте возьмем в качестве примера акции Tesla (тикер: «tsla»). Мне интересно учиться, поскольку Тесла считается одним из «генералов» S&P 500, как и Apple. Это означает, что это акции с высокими доходами, которые хорошо сопротивляются даже во время медвежьих рынков.
Так было до сих пор в 2022 году до последних недель, и он потерял 50% с момента своего ATH (абсолютного максимума).
Отказ от ответственности. Эта запись в блоге написана только в образовательных целях. Никаких советов по инвестированию или продвижения каких-либо акций нет.
1. Получите данные об акциях Tesla
Давайте начнем с извлечения данных об акциях Tesla с помощью библиотеки python для Yahoo Finance и импортируем другие необходимые библиотеки.
Тесла имеет тикер «tsla».
2. Рассчитайте и начертите ежедневную доходность
Ежедневная доходность акций указывает на прибыль или убыток за день для данной акции. Мы получаем его, вычитая цену открытия из цены закрытия.
Более подробно я рассказываю в своем предыдущем посте в блоге, который можно найти здесь, со сравнением акций Moderna и Pfizer во время пандемии.
Для расчета ежедневной доходности мы используем метод .pct_change.
Теперь давайте построим это:
3. Рассчитайте дневную, месячную и годовую волатильность
Волатильность акции — это изменение ее цены в течение определенного периода времени.
Давайте рассчитаем его с 3-мя продолжительностями: ежедневно, ежемесячно, ежегодно.
Дневная волатильность: чтобы получить ее, мы вычисляем стандартное отклонение дневной доходности. Напоминаем, что стандартное отклонение помогает нам увидеть, насколько данные разбросаны по среднему или среднему значению.
Месячная волатильность: мы делаем предположение, что в месяце 21 торговый день, поэтому мы умножаем дневную волатильность на квадратный корень из 21.
Годовая волатильность: предполагается, что в календарном году 252 торговых дня, и мы умножаем дневную волатильность на квадратный корень из 252.
Мне нравится представлять результаты в виде таблицы, и для этого я использую библиотеку tabulate. Очень удобно! Я показываю в этом сообщении в блоге, как его использовать.
4. Построить модель GARCH
Процесс обобщенной авторегрессионной условной гетероскедастичности (GARCH) — это эконометрический термин, изобретенный в 1982 г. экономистом Робертом Ф. Энглом, получившим Нобелевскую премию по экономике в 2003 г. GARCH — это метод оценки волатильности на финансовых рынках.
Существуют различные типы моделирования GARCH. Пытаясь предсказать цены и курсы финансовых инструментов, финансовые специалисты часто предпочитают процесс GARCH другим моделям.
Эта модель сложная, поэтому мы будем использовать библиотечную арку, чтобы сделать расчеты за нас:
Давайте распечатаем результаты и посмотрим, что мы можем прочитать:
Первый анализ
Мне нравится использовать альфа и бета здесь.
Альфа акции показывает, насколько хорошо (или плохо) она работает по сравнению с эталонным индексом.
Бета показывает, насколько волатильна была цена акции по сравнению с рынком в целом.
альфа: чем она больше, тем сильнее немедленное влияние на волатильность.
бета: чем она больше, тем продолжительнее влияние волатильности.
Строки 12–13: мы используем здесь the. прогноза для составления прогноза на 5 периодов вперед (horizon=5) и вывода результата в виде отклонения.
Скользящие прогнозы
На данный момент мы разработали модель GARCH, которая может прогнозировать волатильность акций. Теперь мы можем проверить нашу модель, используя исторические данные за n-период времени в процессе непрерывного прогнозирования.
В этом разделе мы создаем обучающий набор в цикле, используя значения дневной доходности акций с первого по день -(тестовый размер-i).
В каждом цикле текущий обучающий набор используется для обучения модели GARCH с параметрами p и q, установленными на 1. Текущая модель прогнозирует волатильность с шагом в 1 раз (горизонт = 1), а затем возводит в квадрат прогнозируемую дисперсию волатильности. Результат (стандартное отклонение) добавляется к скользящим прогнозам.
Является ли модель GARCH точной?
Чтобы проверить это, мы создадим еще один подграфик ежедневной доходности (истинные значения) и наложим его на график скользящей линии прогнозирования.
Из приведенных выше подграфиков видно, что наша прогнозируемая волатильность в целом соответствует дневной доходности.
Это означает, что наша модель GARCH хорошо работает в этой ситуации. Ежедневная доходность высока в областях, где ожидается высокая волатильность.
Заключение
Модель GARCH чрезвычайно эффективна и проста в реализации на Python. Попрактикуйтесь в прогнозировании волатильности на акциях, которые у вас уже есть или которые вы планируете добавить в свой портфель.
Чтобы узнать больше об этом, получите мой бесплатный еженедельный информационный бюллетень «The Mindful Data Path».
Сообщения | Осознанный путь к данным (beehiiv.com)
Каждую неделю я упрощаю тему финансов. Я заставляю вас практиковать науку о данных со мной. Я даю вам один внимательный взгляд на один фрагмент данных.
Использованная литература:
Что такое процесс GARCH? Как это используется в разных формах (investopedia.com)
Альфа против Беты: в чем разница? (investopedia.com)
Подпишитесь на DDIntel Здесь.
Посетите наш сайт здесь: https://www.datadriveninvestor.com
Присоединяйтесь к нашей сети здесь: https://datadriveninvestor.com/collaborate