---

可下载资源

本文的目标是帮助客户应用GARCH模型对ADBL（ABC Development Bank Limited）股票价格的时间序列进行分析和预测，并通过可视化分析的方式展示结果。ADBL是尼泊尔地区最大的商业银行之一，其股票价格波动对投资者和研究者来说具有重要意义。

接下来，我们将利用已建立的GARCH模型对ADBL股票价格的未来走势进行预测。预测结果将以图表和可视化方式呈现，以便读者更加直观地理解和分析。

导入数据

# df = df[df['Date'] >= '2015-01-01']
df.head()
     
     

这段代码主要是导入数据并对数据进行处理的操作。具体而言，代码的功能如下：

“ADBL的时间序列图”

plt.ylabel("Price")
plt.show()

---

---

df.reset_index(drop=True, inplace=True)
df

df.returns.plot() 

plt.show()

df.returns.describe()

     

# "平方股票收益的自相关图"
plot_acf(df.returns**2)
plt.show()
     

从ACF图中可以看出，在1个滞后时间步长内，方差存在显著的正相关关系。

# 基于最小AIC确定的最佳p和q项
for p in range(1, 15):
  for q in range(1, 15):
    try:
     
print(f'GARCH order is ({p}, {q})')
     

 这段代码的主要功能是基于最小化赤池信息准则（AIC）来确定 GARCH 模型的最佳 p 和 q 值。具体而言，代码的执行过程如下：

训练/测试分割

# 将训练集和测试集按照70/30的比例分割
st.shape)

模型训练

model.summary()

 这段代码的目的是使用 GARCH 模型对训练数据进行拟合，并打印出模型的摘要信息。

具体而言，代码的执行流程如下：

1. 创建一个 GARCH 模型对象并将其赋值给变量 model，其中 X_train 是作为训练数据的输入。vol='Garch' 表示使用 GARCH 方式进行建模。p 和 q 是 GARCH 模型中的参数，分别表示 ARCH 部分和 GARCH 部分的滞后阶数。

综上所述，这段代码的作用是创建一个 GARCH 模型对象并使用训练数据进行拟合，然后打印出模型的摘要信息，以便查看模型拟合的结果和相关统计指标。

测试集上的滚动预测

# 基于滚动测试集预测波动性。
forecasts = list()
for i in range(X_test.shape[0]):
 
    forecasts.appe

这段代码的目的是基于滚动测试集预测波动性。

具体而言，代码的执行流程如下：

1. 创建一个空列表 forecasts，用于保存每个时间点的波动性预测结果。
2. 进行一个循环，循环次数根据测试数据的行数来确定，每次循环表示一个时间点的波动性预测。
3. 在每次循环迭代中，首先获取用于预测的测试数据。通过 df.returns[:-(X_test.shape[0] - i)] 获取了从开始到当前循环迭代索引位置的训练数据。
4. 创建一个 GARCH 模型对象，并将预测数据作为输入。模型对象中的 p 和 q 参数由之前确定的值指定。

综上所述，这段代码的作用是在每个时间点上，基于滚动的测试数据来预测波动性。通过一个循环，在每次循环迭代中，根据当前的训练数据来构建 GARCH 模型，并使用该模型进行波动性预测，将预测结果保存在 forecasts 列表中。

损失分析

from sklearn.metri

# 计算均方根误差

testScore = mean_sq

# 参考训练集最后一个指数的实际收盘价，根据预测收益生成收盘价
# 今日值 = 昨日值 + (pct_returns * 昨日值) / 100
pred_vals = []
for i in range(len(forecasts)):
  if pred_vals:
    pre

# 今日值 = 昨日值 + (pct_returns * 昨日值) / 100
testSco

date_range = df['Date'][-X_test.shape[0]:]
     

plt.title(
plt.legend(fontsize=14)
plt.show()