MAモデルを適用する
株価がビッドとアスクの間で行き来することで、1期先の自己相関が負になり、ラグ1より大きいラグでは自己相関がなくなります。これはMA(1)モデルのACFパターンと同じです。そこで、前の演習で扱った日中株価データにMA(1)モデルを当てはめてみます。
最初のステップは、intraday にある価格から1分ごとのリターンを計算し、自己相関関数をプロットすることです。ACFはMA(1)過程のそれに似ているはずです。続いて、シミュレーションデータで行ったのと同じ方法で、データにMA(1)をフィットさせます。
この演習はコースの一部です
Pythonで学ぶ時系列解析
演習の手順
- statsmodels から
plot_acfとARIMAモジュールをインポートします - 価格から1分ごとのリターンを計算します:
.pct_change()メソッドでリターンを計算します- pandas の
.dropna()メソッドで、NaN になる最初の行を落とします
- ラグ60分までのACFをプロットします
- リターンデータにMA(1)モデルをフィットし、MA(1)のパラメータを出力します
実践的なインタラクティブ演習
このサンプルコードを完成させて、この演習に挑戦してみましょう。
# Import plot_acf and ARIMA modules from statsmodels
from statsmodels.graphics.tsaplots import plot_acf
from statsmodels.tsa.arima.model import ARIMA
# Compute returns from prices and drop the NaN
returns = intraday.___
returns = returns.___
# Plot ACF of returns with lags up to 60 minutes
plot_acf(___, ___)
plt.show()
# Fit the data to an MA(1) model
mod = ARIMA(___, order=(0,0,1))
res = mod.fit()
print(res.params[1])