معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Library for flexible mean and volatility modelling

ویژگی	مقدار
سیستم عامل	-
نام فایل	armagarch-1.0.2
نام	armagarch
نسخه کتابخانه	1.0.2
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Ian Khrashchevskyi
ایمیل نویسنده	iankhr@yahoo.com
آدرس صفحه اصلی	https://github.com/iankhr/armagarch
آدرس اینترنتی	https://pypi.org/project/armagarch/
مجوز	-

# armagarch package The package provides a flexible framework for modelling time-series data. The main focus of the package is implementation of the ARMA-GARCH type models. **Full documentation is coming soon.** ## Installation The latest stable version can be installed by using pip ``` pip install armagarch ``` The master branch can be installed with ``` git clone https://github.com/iankhr/armagarch cd armagarch python setup.py install ``` ## Example: Modelling conditional volatility of the US excess market returns The code requires: NumPy, Pandas, SciPy, Shutil, Matplotlib, Pandas_datareader and Statsmodels ``` import armagarch as ag import pandas_datareader as web import matplotlib.pyplot as plt import numpy as np # load data from KennethFrench library ff = web.DataReader('F-F_Research_Data_Factors_daily', 'famafrench') ff = ff[0] # define mean, vol and distribution meanMdl = ag.ARMA(order = {'AR':1,'MA':0}) volMdl = ag.garch(order = {'p':1,'q':1}) distMdl = ag.normalDist() # create a model model = ag.empModel(ff['Mkt-RF'].to_frame(), meanMdl, volMdl, distMdl) # fit model model.fit() # get the conditional mean Ey = model.Ey # get conditional variance ht = model.ht cvol = np.sqrt(ht) # get standardized residuals stres = model.stres # make a prediction of mean and variance over next 3 days. pred = model.predict(nsteps = 3) # pred is a list of two-arrays with first array being prediction of mean # and second array being prediction of variance ```` ## Authors * **Ian Khrashchevskyi** - [iankhr](https://github.com/iankhr) ## License This project is licensed under the MIT License - see the [LICENSE.md](LICENSE.md) file for details ## Acknowledgments * Special thanks to Kevin Sheppard for his [Python for Econometrics](https://www.kevinsheppard.com/Python_for_Econometrics), which was an inspiration to write current code

زبان مورد نیاز

مقدار	نام
>=3.6	Python

نحوه نصب

نصب پکیج whl armagarch-1.0.2:

pip install armagarch-1.0.2.whl

نصب پکیج tar.gz armagarch-1.0.2:

pip install armagarch-1.0.2.tar.gz