关于Python的ARCH包(八)

1.7 波动率过程

波动率过程用于添加到均值模型来捕获时变的波动性。

1.7.1 常数方差

class arch.univariate.ConstantVariance[source]

常数波动率过程

注意:

模型在所有期间具有相同方差

backcast(resids)[source]

构建回测值来启动递归

Parameters: resids (ndarray) – 残差向量 (接近)
Returns: backcast – 在波动率递归回测中使用的值
Return type: 浮点(float)

bounds(resids)[source]

参数的收益率边界

Parameters: resids (ndarray) – 残差向量 (接近)
Returns: bounds –最大最小值的边界列表 (lower, upper).
Return type: list[tuple[float,float]]

compute_variance(parametersresidssigma2backcastvar_bounds)[source]

计算ARCH模型的方差

Parameters:
  • parameters (ndarray) –模型参数
  • resids (ndarray) – 0均值方差向量
  • sigma2 (ndarray) – 与残差同样大小的数组,用来存储条件方差。
  • backcast ({floatndarray}) – 初始化ARCH递归时使用的值.当模型包含多个组成时,可以是一个多维数组。
  • var_bounds (ndarray) – 包含列上下边界的数组

constraints()[source]

为参数估计构建参数约束数组

Returns:
  • A (ndarray) – 参数约束. 大小为约束条件个数乘以参数个数。
  • b (ndarray) – 约束值,对应于每一个约束条件。

注意:

构建线性非均衡约束模型时A.dot(parameters) - b >= 0,使用返回值。

simulate(parametersnobsrngburn=500initial_value=None)[source]

模拟模型数据

Parameters:
  • parameters ({ndarraySeries}) – 模拟波动率模型的参数
  • nobs (int) – 模拟的数据点
  • rng (callable) –可调用函数,输入为单一整型而返回一个随机向量。
  • burn (intoptional) – 初始化模拟时要生成的额外观察值的个数
  • initial_value ({floatndarray}optional) – 初始化模拟时使用的标量或数组
Returns:

 

  • resids (ndarray) – 模拟残差
  • variance (ndarray) – 模拟方差

 

starting_values(resids)[source]

返回ARCH模型的起始值

Parameters: resids (ndarray) –计算起始值时的残差数组(无偏)
Returns: sv – 起始值数组
Return type: ndarray

1.7.2 GARCH

class arch.univariate.GARCH(p=1o=0q=1power=2.0)[source]

GARCH以及相关的模型估计

下列模型可以使用GARCH模型时进一步具体化:

  • ARCH(p)
  • GARCH(p,q)
  • GJR-GARCH(p,o,q)
  • AVARCH(p)
  • AVGARCH(p,q)
  • TARCH(p,o,q)
  • 主观的,预定义精度的模型
Parameters:
  • p (int) –对称计算的阶数
  • o (int) –非对称计算的阶数
  • q (int) –滞后条件方差(变化的)的阶数。
  • power (floatoptional) – 计算精度,abs(e) ** power. 默认为 2.0, 这适应于ARCH 及相关模型。1.0适合 AVARCH 及相关模型。其他的精度也可以选择,但都应该严格为正,且通常大于0.25. 

num_params

int – 模型参数个数。

举例:

>>> from arch.univariate import GARCH
标准 GARCH(1,1)
>>> garch = GARCH(p=1, q=1)
非对称GJR-GARCH 过程
>>> gjr = GARCH(p=1, o=1, q=1)
非对称TARCH过程
>>> tarch = GARCH(p=1, o=1, q=1, power=1.0)
注意:

在该过程类中,方差的动态变化表示如下:

 

backcast(resids)[source]

开始递归的回测值构建

Parameters: resids (ndarray) – 残差向量(一致)
Returns: backcast – 波动率递归中使用的回测值
Return type: float

bounds(resids)[source]

收益率参数边界

Parameters: resids (ndarray) –残差向量(一致)
Returns: bounds – 边界值列表 (lower, upper).
Return type: list[tuple[float,float]]

compute_variance(parametersresidssigma2backcastvar_bounds)[source]

计算ARCH模型的方差

Parameters:
  • parameters (ndarray) – 模型参数
  • resids (ndarray) – 0均值误差向量
  • sigma2 (ndarray) –存储条件方差与残差同等大小的数组
  • backcast ({floatndarray}) – 初始化ARCH递归使用的值.当模型包含多个要素时可为一个多维数组。
  • var_bounds (ndarray) – 包含多个上下界的数组

constraints()[source]

为参数估计构建约束数组

Returns:
  • A (ndarray) – 约束参数,大小与参数个数一致。
  • b (ndarray) – 约束值,对应于每一个约束条件。

注意:

构建线性非均衡约束模型时A.dot(parameters) - b >= 0,使用返回值。

simulate(parametersnobsrngburn=500initial_value=None)[source]

模拟模型数据

Parameters:
  • parameters ({ndarraySeries}) – 模拟波动率模型的参数
  • nobs (int) – 模拟的数据点
  • rng (callable) –可调用函数,输入为单一整数而返回一个随机向量
  • burn (intoptional) – 初始化模拟时生成的额外观察值个数
  • initial_value ({floatndarray}optional) – 初始化模拟时使用的标量或数组
Returns:

 

  • resids (ndarray) – 模拟残差
  • variance (ndarray) – 模拟方差

 

starting_values(resids)[source]

为ARCH模型返回起始值

Parameters: resids (ndarray) – 计算起始值时使用的残差数组 (一致)
Returns: sv – 起始值数组
Return type: ndarray

1.7.3 部分协整GARCH:(FI) GARCH

class arch.univariate.FIGARCH(p=1q=1power=2.0truncation=1000)[source]

FIGARCH 模型

Parameters:
  • p ({01}) – 对称项阶数
  • q ({01}) –条件方差滞后阶数 (转换后)
  • power (floatoptional) – 计算精度, abs(e) ** power. 默认 2.0, 对应于 FIGARCH 及相关模型。 1.0对应于 FIAVARCH 及相关模型.其他精度也可以选择,但是严格为正,通常大于0.25.
  • truncation (intoptional) – ARCH中的簇点 ARCH(∞∞) ,默认1000.

num_params

int – 模型参数个数

举例:

>>> from arch.univariate import FIGARCH
标准 FIGARCH
>>> figarch = FIGARCH()

FIARCH

>>> fiarch = FIGARCH(p=0)

FIAVGARCH 过程

>>> fiavarch = FIGARCH(power=1.0)
注意:

在该过程类中,方差变化表述如下:

 L为滞后算子,d为分布差分参数.模型使用 ARCH(∞∞)估计:

权重设置:

递归等式:

精度不是2, ARCH(∞∞) 仍旧成立。

backcast(resids)[source]

为回测开始递归计算构建值

Parameters: resids (ndarray) – 残差向量 (一致)
Returns: backcast – 波动性递归中回测使用的值
Return type: float

bounds(resids)[source]

返回参数界限

Parameters: resids (ndarray) – 残差向量 (一致)
Returns: bounds – 参数上下界 (lower, upper).
Return type: list[tuple[float,float]]

compute_variance(parametersresidssigma2backcastvar_bounds)[source]

计算ARCH模型方差

Parameters:
  • parameters (ndarray) – 模型参数
  • resids (ndarray) – 0均值向量
  • sigma2 (ndarray) –存储条件方差且与残差同等大小的数组
  • backcast ({floatndarray}) – 初始化ARCH递归时使用的值,如果模型包含多项则为多维数组。
  • var_bounds (ndarray) – 包含上下界的列数组

constraints()[source]

为参数估计构建参数约束。

Returns:
  • A (ndarray) – 参数约束。大小与参数个数一致。
  • b (ndarray) – 约束值对应于每个约束条件。

注意:

在构建线性非均衡约束时使用了返回值: A.dot(parameters) - b >= 0

simulate(parametersnobsrngburn=500initial_value=None)[source]

模拟模型数据

Parameters:
  • parameters ({ndarraySeries}) – 模拟波动率模型的参数
  • nobs (int) –模拟数据点
  • rng (callable) – 可调用函数,输入为整数返回一个随机向量。
  • burn (intoptional) – 初始化模拟时要生成的额外观察值数。
  • initial_value ({floatndarray}optional) –初始化模拟时的标量或数组
Returns:

 

  • resids (ndarray) – 模拟残差
  • variance (ndarray) – 模拟方差

 

starting_values(resids)[source]

返回ARCH模型的起始值l

Parameters: resids (ndarray) – 计算起始值时的残差数组 (一致)
Returns: sv – 起始值数组
Return type: ndarray

1.7.4 EGARCH

classarch.univariate.EGARCH(p=1o=0q=1)[source]

EGARCH 模型估计

Parameters:
  • p (int) – 对象项阶数
  • o (int) – 非对称项阶数
  • q (int) – 滞后条件方差阶数 (转换后)

num_params

int – 模型参数数量

举例:

>>> from arch.univariate import EGARCH
对称 EGARCH(1,1)
>>> egarch = EGARCH(p=1, q=1)
标准 EGARCH 过程
>>> egarch = EGARCH(p=1, o=1, q=1)
指数ARCH过程
>>> earch = EGARCH(p=5)
注意:

在该类中,方差变化表述如下:

backcast(resids)[source]

构建回测值来启动递归

Parameters: resids (ndarray) –残差向量 (一致)
Returns: backcast –波动率递归使用的值
Return type: float

bounds(resids)[source]

返回参数上下界

Parameters: resids (ndarray) – 残差向量(一致)
Returns: bounds – 列出上下界 (lower, upper).
Return type: list[tuple[float,float]]

compute_variance(parametersresidssigma2backcastvar_bounds)[source]

计算ARCH 模型方差

Parameters:
  • parameters (ndarray) –模型参数
  • resids (ndarray) – 0均值向量
  • sigma2 (ndarray) – 存储条件方差且与残差大小一致的数组
  • backcast ({floatndarray}) – 初始化ARCH递归时使用的值.当包含多项时可以是多维数组。
  • var_bounds (ndarray) –包含多列上下界的数组。

constraints()[source]

构建参数约束用于参数估计

Returns:
  • A (ndarray) – 参数约束.大小与参数个数一致。
  • b (ndarray) – 约束值,对应于每个约束条件。

注意:

构建线性非均衡约束时,使用返回值的形式: A.dot(parameters) - b >= 0

simulate(parametersnobsrngburn=500initial_value=None)[source]

模拟模型数据

Parameters:
  • parameters ({ndarraySeries}) –用来模拟波动率模型的参数
  • nobs (int) – 模拟的数据点个数
  • rng (callable) – 可调用函数,输入为整数返回一个随机向量。
  • burn (intoptional) – 初始化模拟时要生成的额外观察值个数
  • initial_value ({floatndarray}optional) –初始化模拟时使用的标量或原始值数组。
Returns:

 

  • resids (ndarray) – 模拟残差
  • variance (ndarray) – 模拟方差

 

starting_values(resids)[source]

返回ARCH模型的起始值

Parameters: resids (ndarray) –计算起始值时的残差数组 (一致) 
Returns: sv – 起始值数组
Return type: ndarray

1.7.5 HARCH

class arch.univariate.HARCH(lags=1)[source]

异方差ARCH过程

Parameters: lags ({listarrayint}) – 模型滞后阶数列表,或如为标量包括所有趋近该值的滞后阶数

num_params

int – 模型参数个数

举例:

>>> from arch.univariate import HARCH

Lag-1 HARCH,与 ARCH(1)一致

>>> harch = HARCH()

更有用且显示的滞后长度:

>>> harch = HARCH(lags=[1, 5, 22])
注意:

在一个异方差ARCH过程中,方差变化表述如下:

当滞后阶数为[1,5,22], 模型为:

HARCH过程是ARCH过程的一种特殊情况,其中一般情况下ARCH过程更为通用的参数受到限制。

backcast(resids)

构建回测值以开始递归

Parameters: resids (ndarray) – 残差向量(一致)
Returns: backcast –波动率递归回测时使用的值
Return type: float

bounds(resids)[source]

返回参数上下界

Parameters: resids (ndarray) – 参数向量 (一致)
Returns: bounds – 上下界列表 (lower, upper).
Return type: list[tuple[float,float]]

compute_variance(parametersresidssigma2backcastvar_bounds)[source]

计算ARCH模型的方差

Parameters:
  • parameters (ndarray) –模型参数
  • resids (ndarray) – 0均值残差向量
  • sigma2 (ndarray) – 存储条件方差且与残差同样大小的数组
  • backcast ({floatndarray}) – 初始化ARCh递归使用的值. 当模型包含多项时可以是多维数组.
  • var_bounds (ndarray) – 包含多列上下界数据的数组

constraints()[source]

为估计参数构建参数约束

Returns:
  • A (ndarray) –参数约束,大小与参数个数一致。
  • b (ndarray) – 约束值,对应于每一个约束条件。

注意:

构建线性非均衡约束时以该方式使用返回值:A.dot(parameters) - b >= 0

simulate(parametersnobsrngburn=500initial_value=None)[source]

模拟模型值:

Parameters:
  • parameters ({ndarraySeries}) –模拟波动率模型的参数
  • nobs (int) –模拟的数据点个数
  • rng (callable) – 可调用函数,输入为整数返回一个随机向量。
  • burn (intoptional) – 初始化模拟时要生成的额外观察值个数
  • initial_value ({floatndarray}optional) –初始化模拟时使用的标量或原始值数组。
Returns:

 

  • resids (ndarray) – 模拟残差
  • variance (ndarray) – 模拟方差

starting_values(resids)[source]

返回ARCH模型的起始值

Parameters: resids (ndarray) – 计算起始值时的残差数组(一致)
Returns: sv – 起始值数组
Return type: ndarray

1.7.6 MIDAS Hyperbolic

class arch.univariate.MIDASHyperbolic(m=22asym=False)[source]

MIDAS 双曲ARCH 过程

Parameters:
  • m (int) – 模型中包含的最大滞后阶长度
  • asym (bool) – 是否包含非对称项

num_params

int – 模型参数个数

举例:

>>> from arch.univariate import MIDASHyperbolic

22-lag MIDAS 双曲过程

>>> harch = MIDASHyperbolic()

Longer 66-period lag

>>> harch = MIDASHyperbolic(m=66)
非对称 MIDAS 双曲过程
>>> harch = MIDASHyperbolic(asym=True)
注意:

在一个 MIDAS双曲过程中,方差表述如下:

其中

参考:

[*] Foroni, Claudia, and Massimiliano Marcellino. “A survey of Econometric Methods for Mixed-Frequency Data”. Norges Bank. (2013).
[†] Sheppard, Kevin. “Direct volatility modeling”. Manuscript. (2018).

backcast(resids)

构建回测值以开始递归

Parameters: resids (ndarray) – 残差向量(一致)
Returns: backcast – 波动率递归中回测使用的值
Return type: float

bounds(resids)[source]

Returns bounds for parameters

Parameters: resids (ndarray) – 残差向量(一致)
Returns: bounds –上下界列表 (lower, upper).
Return type: list[tuple[float,float]]

compute_variance(parametersresidssigma2backcastvar_bounds)[source]

计算ARCH模型方差

Parameters:
  • parameters (ndarray) –模型参数
  • resids (ndarray) – 0均值残差向量
  • sigma2 (ndarray) –存储条件方差与残差同等大小的数组
  • backcast ({floatndarray}) – 初始化ARCH递归使用的值,包含多项时可以是多维数组。
  • var_bounds (ndarray) – 包含多列上下界数据的数组。

constraints()[source]

约束

注意:

参数为(omega, alpha, gamma, theta)

A.dot(parameters) - b >= 0

  1. omega >0
  2. alpha>0 or alpha + gamma > 0
  3. alpha<1 or alpha+0.5*gamma<1
  4. theta > 0
  5. theta < 1

simulate(parametersnobsrngburn=500initial_value=None)[source]

模拟模型数据

Parameters:
  • parameters ({ndarraySeries}) –用来模拟波动率模型的参数
  • nobs (int) – 模拟的数据点个数
  • rng (callable) – 可调用函数,输入一个整数,返回一个随机向量。
  • burn (intoptional) – 初始化模拟时生成的额外观察值个数。
  • initial_value ({floatndarray}optional) –初始化模拟时使用的标量或初始值数组。 
Returns:

 

  • resids (ndarray) – 模拟残差
  • variance (ndarray) – 模拟方差

 

starting_values(resids)[source]

返回ARCH模型的起始值

Parameters: resids (ndarray) – 起算起始值时使用的残差数组(一致)
Returns: sv – 起始值数组
Return type: ndarray

1.7.7 ARCH

classarch.univariate.ARCH(p=1)[source]

ARCH 过程

Parameters: p (int) – 对称项阶数

num_params

int –模型参数个数

举例:

ARCH(1)过程

>>> from arch.univariate import ARCH

ARCH(5) 过程

>>> arch = ARCH(p=5)

注意:

方差变化表述如下:

backcast(resids)

构建回测值以开始递归

Parameters: resids (ndarray) – 残差向量(一致)
Returns: backcast – 波动率递归回测中使用的值。
Return type: float

bounds(resids)

返回参数上下界

Parameters: resids (ndarray) – 残差向量(一致)
Returns: bounds –上下界列表 (lower, upper).
Return type: list[tuple[float,float]]

compute_variance(parametersresidssigma2backcastvar_bounds)

计算ARCH模型方差

Parameters:
  • parameters (ndarray) – 模型参数
  • resids (ndarray) – 0均值残差向量
  • sigma2 (ndarray) – 存储条件方差且与残差同等大小的数组
  • backcast ({floatndarray}) – 初始化ARCH递归使用的值.如包含多项则为多维数组。
  • var_bounds (ndarray) – 包含多个上下界列数据的数组

constraints()

为估计参数构建参数约束

Returns:
  • A (ndarray) – 参数约束,大小与参数个数一致。
  • b (ndarray) – 约束值,对应于每个约束条件。

注意:

使用返回值以该方式构建线性非均衡约束 A.dot(parameters) - b >= 0

simulate(parametersnobsrngburn=500initial_value=None)

模拟模型数据

Parameters:
  • parameters ({ndarraySeries}) – 模拟波动率模型的参数
  • nobs (int) –模拟的数据点个数
  • rng (callable) – 可调用函数,输入为一个整数返回一个随机向量。
  • burn (intoptional) – 初始化模拟时要生成的额外观察值个数
  • initial_value ({floatndarray}optional) – 初始化模拟时使用的标量或原始值数组
Returns:

 

  • resids (ndarray) – 模拟残差
  • variance (ndarray) – 模拟方差

starting_values(resids)[source]

返回ARCH模型的起始值

Parameters: resids (ndarray) –计算起始值时使用的残差数组(一致)
Returns: sv – 起始值数组
Return type: ndarray

1.7.8 非参方差过程

一些波动率过程使用固定参数,因而无参数可以估计.

EWMA Variance

classarch.univariate.EWMAVariance(lam=0.94)[source]

Bases: arch.univariate.volatility.VolatilityProcess

指数加权移动平均(RiskMetrics) 方差过程

Parameters: lam ({floatNone}optional) – 平滑参数,默认为 0.94. 若设置为none则同其他模型参数一起估计lam

num_params

int – 模型参数个数

举例:

每日 RiskMetrics EWMA 过程

>>> from arch.univariate import EWMAVariance
>>> rm = EWMAVariance(0.94)
注意:

方差动态变化表述如下:

若lam给出,既然平滑参数按固定参数对待,则该模型没有参数。设定 lam 为 None,则在拟合模型时联合估计该参数。

backcast(resids)

构建回测值以开始递归

Parameters: resids (ndarray) – 残差向量(一致)
Returns: backcast – 在波动率递归中回测使用的值。
Return type: float

bounds(resids)[source]

返回参数上下界

Parameters: resids (ndarray) –残差向量(一致)
Returns: bounds – 上下界列表 (lower, upper).
Return type: list[tuple[float,float]]

compute_variance(parametersresidssigma2backcastvar_bounds)[source]

计算ARCH模型方差

Parameters:
  • parameters (ndarray) – 模型参数
  • resids (ndarray) – 0均值残差模型
  • sigma2 (ndarray) – 存储条件方差且与残差同等大小的数组
  • backcast ({floatndarray}) – 初始化ARCH递归时使用的值,如果包含多项则可以为多维数组。
  • var_bounds (ndarray) –包含多列上下界数据的数组

constraints()[source]

为估计参数构建参数约束

Returns:
  • A (ndarray) – 参数约束,大小与参数个数一致。
  • b (ndarray) – 约束值,对应于每个约束条件。t

注意:

使用返回值在构建线性非均衡约束时采用该形式:A.dot(parameters) - b >= 0

simulate(parametersnobsrngburn=500initial_value=None)[source]

模拟模型数据

Parameters:
  • parameters ({ndarraySeries}) – 模拟波动率模型的参数
  • nobs (int) – 模拟的数据点个数
  • rng (callable) – 可调用函数,输入为一个整数,返回一个随机向量。
  • burn (intoptional) – 初始化模拟时生成的额外观察值个数
  • initial_value ({floatndarray}optional) – 初始化模拟时使用的标量或原始值数组。
Returns:

 

  • resids (ndarray) – 模拟残差
  • variance (ndarray) – 模拟方差

 

starting_values(resids)[source]

返回ARCH模型的起始值

Parameters: resids (ndarray) –计算起始值时使用的残差数组(一致)
Returns: sv – 起始值数组
Return type: ndarray

1.7.9 风险指标 (2006)

class arch.univariate.RiskMetrics2006(tau0=1560tau1=4kmax=14rho=1.4142135623730951)[source]

Bases: arch.univariate.volatility.VolatilityProcess

RiskMetrics 2006 方差过程

Parameters:
  • tau0 (intoptional) – 长周期长度,默认 1560.
  • tau1 (intoptional) – 短周期长度,默认 4.
  • kmax (intoptional) – 因子个数,默认 14.
  • rho (floatoptional) – 毗邻周期相关度,默认 sqrt(2)

num_params

int – 模型参数个数

举例:

Daily RiskMetrics 2006 process

>>> from arch.univariate import RiskMetrics2006
>>> rm = RiskMetrics2006()
注意:

该模型的方差变化以加权平均EWMA方差过程方式呈现,平滑系数和权重分别由tau0, tau1 和 rho决定.

既然平滑参数固定,则该模型没有参数。

backcast(resids)[source]

构建回测值以开始递归

Parameters: resids (ndarray) –残差向量(一致)
Returns: backcast – 对应于每个EWMA项的回测值
Return type: ndarray

bounds(resids)[source]

返回参数上下界

Parameters: resids (ndarray) – 残差向量(一致)
Returns: bounds – 列出每个元素上下界 (lower, upper).
Return type: list[tuple[float,float]]

compute_variance(parametersresidssigma2backcastvar_bounds)[source]

计算ARCH模型方差

Parameters:
  • parameters (ndarray) – 模型参数
  • resids (ndarray) – 0均值残差向量。
  • sigma2 (ndarray) –存储条件方差且与残差同等大小的数组
  • backcast ({floatndarray}) –初始化ARCH递归时使用的值,如果包含多项则为多维数组。
  • var_bounds (ndarray) –包含多列上下界的数组

constraints()[source]

为估计参数构建参数约束。

Returns:
  • A (ndarray) –参数约束,大小与参数个数一致。
  • b (ndarray) – 约束值,对应于每个约束条件。

注意:

使用返回值在构建非均衡线性约束时以该形式构建: A.dot(parameters) - b >= 0

simulate(parametersnobsrngburn=500initial_value=None)[source]

模拟模型数据

Parameters:
  • parameters ({ndarraySeries}) – 模拟波动率模型的参数
  • nobs (int) – 模拟的数据点个数
  • rng (callable) – 可调用函数,输入一个整数返回一个随机向量。
  • burn (intoptional) –初始化模拟时生成的额外观察值个数
  • initial_value ({floatndarray}optional) – 初始化模拟时使用的标量或原始值数组
Returns:

 

  • resids (ndarray) – 模拟残差
  • variance (ndarray) –模拟方差

 

starting_values(resids)[source]

ARCH模型的收益率起始值

Parameters: resids (ndarray) – 计算起始值时使用的残差数组(一致)
Returns: sv – 起始值数组
Return type: ndarray

1.7.10 固定方差

固定方差 FixedVariance class 是一个特殊用途的波动性过程,它允许'之'字形(zig-zag)的波动率过程。具体参考实例。

class arch.univariate.FixedVariance(varianceunit_scale=False)[source]

基类: arch.univariate.volatility.VolatilityProcess

固定波动率过程

Parameters:
  • variance ({arraySeries}) –包含所用方差的数组,应该与所用数据同样大小。
  • unit_scale (booloptional) – 是否采取单位比例方式计算。如果为假False,则所有参数都与方差variance成比例。反之,模型方差则为方差集。

注意:

当估计均值模型时,本类允许使用GLS方法,来使用固定不变的系列方差。

1.7.11 编写新波动率过程

所有的波动率过程必须继承自该类:class:VolatilityProcess,该类提供全部public方法.

class arch.univariate.volatility.VolatilityProcess[source]

ARCH模型的抽象基类。该类允许条件均值模型独立于条件方差,即使参数时联合估计得出的。 

你可能感兴趣的:(ARCH,Python,GARCH)