全文链接:https://tecdat.cn/?p=33809
原文出处：拓端数据部落公众号
随机波动模型（Stochastic volatility models）经常被客户用来对股票价格随时间的变动性进行建模。波动性（volatility）是随时间的对数收益的标准差。与假设波动性恒定不变不同，随机波动模型具有隐变量参数，可以在每个时刻对波动性进行建模。
import numpy as np这个例子使用了随机变分推断（stochastic variational inference）。
数据
我们将对标普500指数按日回报的波动性进行建模。让我们加载过去三年的数据。
python
df = pd.read_csv('Pt.csv')我们可以查看随时间的原始指数值：
python
# 绘制原始标普500指数性能
plt.plot(df['S&P 500'])
......但我们也可以计算对数收益的差异，然后将其建模以估计波动性。
python
# 计算对数收益
y = df['S&P 500'].values
......
# 绘图
plt.plot(y.T)
......模型
在每个时间点 ((i))，我们将对该时间点的对数收益进行建模 ((y_i))。模型允许随时间改变波动性，因此每个时间点的波动性由该时间点的参数 ((s_i)) 控制。
然而，我们不能让每个时间点的尺度参数 ((s_i)) 完全独立，否则模型会过度拟合数据！
我们将使用正态分布作为每个 (s) 参数的变分后验分布，对于 (\nu) 和 (\sigma)：
让我们使用 ProbFlow 构建这个模型。
class Stolity(pf.Model):
def __init__(self, N):
......1),
transform=tf.exp)
def __call__(self):
......
self.add_kl_loss(s_posteriors, s_priors)
return pf.StudentT(self.nu(), 0, tf.exp(self.s()))然后我们可以实例化该模型，
model = Stocty(N)并将其拟合到数据上！
model.fit(y,
......)检查拟合结果
我们可以查看参数 (\sigma) 和 (\nu) 的后验分布：
model.posterior_plot([
......)但更重要的是，我们可以绘制随时间变化的波动性的 MAP 估计：
plt.plot(y.T)
......由于这是一个贝叶斯模型，我们还可以对每个时间点的波动性量进行不确定性估计：
# 从后验分布中抽样
Ns = 50
......
# 绘制随时间变化的后验分布
plt.plot(y.T)
......
plt.show()最受欢迎的见解
1.用机器学习识别不断变化的股市状况—隐马尔科夫模型(HMM)的应用