当前位置：首页 > news >正文

保姆级教程：用Python和GARCH(1,1)模型实战预测A股波动率（附完整代码）

news 2026/5/3 13:46:42

从零构建GARCH(1,1)模型：Python实战上证指数波动率预测

金融市场的波动如同海洋的潮汐，既有规律可循又充满不确定性。对于量化分析师和金融数据科学家而言，准确预测资产价格的波动率是风险管理和衍生品定价的核心。本文将手把手带您用Python实现GARCH(1,1)模型对上证指数波动率的完整预测流程，即使您刚接触时间序列分析，也能通过这份保姆级教程掌握实战技能。

1. 环境准备与数据获取

工欲善其事，必先利其器。我们首先需要配置适合的Python环境：

# 推荐使用Anaconda创建虚拟环境 conda create -n garch python=3.9 conda activate garch # 安装必要库 pip install pandas numpy matplotlib arch yfinance

获取上证指数历史数据有多种途径，这里我们使用yfinance库直接从Yahoo Finance获取：

import yfinance as yf # 获取上证指数数据（代码SSEC） ssec = yf.download("^SSEC", start="2010-01-01", end="2023-12-31") returns = 100 * ssec['Close'].pct_change().dropna()

关键点检查：

数据时间跨度建议至少10年以包含完整市场周期
收益率计算采用百分比形式（乘以100）便于后续分析
使用dropna()清除缺失值

2. 数据预处理与平稳性检验

金融时间序列分析的第一步是验证数据的平稳性。我们使用ADF检验和可视化方法双重验证：

from statsmodels.tsa.stattools import adfuller # ADF检验函数封装 def check_stationarity(series, title=''): result = adfuller(series) print(f'ADF Statistic ({title}): {result[0]:.4f}') print(f'p-value: {result[1]:.4f}') if result[1] > 0.05: print("序列非平稳，需要差分处理") else: print("序列平稳，可直接建模") check_stationarity(returns, '原始收益率')

典型输出结果示例：

ADF Statistic (原始收益率): -12.4567 p-value: 0.0000 序列平稳，可直接建模

可视化诊断：

import matplotlib.pyplot as plt fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(12, 8)) returns.plot(ax=ax1, title='上证指数日收益率') ax1.set_ylabel('收益率(%)') # 绘制20日滚动波动率 returns.rolling(20).std().plot(ax=ax2, title='20日滚动波动率') ax2.set_ylabel('波动率(%)') plt.tight_layout() plt.show()

3. AR模型定阶与ARCH效应检验

在建立GARCH模型前，我们需要先确定均值方程的合适阶数：

from statsmodels.graphics.tsaplots import plot_acf, plot_pacf # 自相关与偏自相关分析 fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(12, 8)) plot_acf(returns, lags=30, ax=ax1) plot_pacf(returns, lags=30, ax=ax2) plt.tight_layout() plt.show()

根据PACF截尾位置，我们选择AR(7)作为均值方程。接下来检验ARCH效应：

from statsmodels.stats.diagnostic import acorr_ljungbox # 对残差平方进行Ljung-Box检验 resid = returns - returns.rolling(7).mean().shift(1).dropna() lb_test = acorr_ljungbox(resid**2, lags=[10], return_df=True) print(f"Ljung-Box检验p值: {lb_test['lb_pvalue'].values[0]:.4f}")

当p值小于0.05时，表明存在显著的ARCH效应，适合建立GARCH模型。

4. GARCH(1,1)模型构建与参数解读

使用arch库构建GARCH模型：

from arch import arch_model # 构建AR(7)-GARCH(1,1)模型 model = arch_model(returns, mean='AR', lags=7, vol='GARCH', p=1, q=1) result = model.fit(update_freq=5) print(result.summary())

模型输出关键参数解读：

参数	值	经济意义
μ	0.02	长期平均收益率
α₁	0.10	新息冲击对波动的影响
β₁	0.85	波动持续性
ω	0.05	波动率基准水平

模型诊断要点：

α₁ + β₁ ≈ 0.95，显示波动具有较强持续性
所有系数p值应小于0.05，表明统计显著
标准化残差应近似白噪声

5. 波动率预测与可视化

基于拟合模型进行向前多步预测：

# 预测未来20天的波动率 forecasts = result.forecast(horizon=20) forecast_variance = forecasts.variance.iloc[-1] plt.figure(figsize=(12, 6)) plt.plot(forecast_variance, 'r--', label='波动率预测') plt.title('上证指数波动率20日预测') plt.ylabel('条件方差(%)') plt.legend() plt.show()

预测结果应用场景：

期权定价：作为波动率输入参数
风险管理：计算VaR值
资产配置：动态调整组合权重

6. 风险价值(VaR)计算实战

在95%置信度下计算每日VaR：

# 正态分布假设下的VaR z_score = 1.645 # 95%置信度 conditional_vol = result.conditional_volatility VaR_normal = - (result.params['mu'] - z_score * conditional_vol) # t分布假设下的VaR from scipy.stats import t dof = 5 # 通过MLE估计得到 t_score = t.ppf(0.95, dof) VaR_t = - (result.params['mu'] - t_score * conditional_vol) # 可视化对比 plt.figure(figsize=(12, 6)) plt.plot(VaR_normal, label='正态分布VaR') plt.plot(VaR_t, label='t分布VaR') plt.legend() plt.title('上证指数95%置信度VaR') plt.ylabel('损失百分比(%)') plt.show()

VaR穿透率验证：

actual_losses = -returns.shift(-1) # 次日实际损失 normal_exceptions = actual_losses > VaR_normal t_exceptions = actual_losses > VaR_t print(f"正态分布穿透率: {normal_exceptions.mean():.2%}") print(f"t分布穿透率: {t_exceptions.mean():.2%}")

典型实证结果：

正态分布假设往往会低估实际风险（穿透率>5%）
t分布假设更符合金融数据厚尾特征

7. 模型优化与生产部署建议

基础模型构建完成后，我们还可以从以下维度进行优化：

1. 分布假设改进：

# 使用广义误差分布(GED) model = arch_model(returns, mean='AR', lags=7, vol='GARCH', p=1, q=1, dist='ged')

2. 非对称波动建模（EGARCH）：

# 考虑杠杆效应 model = arch_model(returns, mean='AR', lags=7, vol='EGARCH', p=1, q=1)

3. 滚动预测与模型更新：

# 滚动窗口预测实现 window = 1000 forecasts = [] for i in range(window, len(returns)): train = returns[i-window:i] model = arch_model(train, mean='AR', lags=7, vol='GARCH', p=1, q=1) res = model.fit(disp='off') forecasts.append(res.forecast(horizon=1).variance.iloc[-1,0])

实际部署时建议：