Makine Öğrenimi - Python Autoregressive Conditional Heteroskedasticity (ARCH)

import pandas as pd
from arch import arch_model

# Veriyi yükleyin ve 'Close' sütununu kullanın
data_filename = 'xu100/petkm.IS.CSV'
data = pd.read_csv(data_filename)
returns = data['Close']

best_aic = float('inf')
best_bic = float('inf')
best_p = 0
best_q = 0
best_vol = ''

# p ve q değerlerini ara
for p in range(5):
    for q in range(5):
        for vol_type in ['Garch', 'EGarch', 'TGarch', 'CGarch', 'Harch', 'RiskMetrics', 'ConstantMean', 'AGarch']:
            try:
                model = arch_model(returns, vol=vol_type, p=p, q=q)
                model_fit = model.fit()
                aic = model_fit.aic
                bic = model_fit.bic
                if aic < best_aic:
                    best_aic = aic
                    best_bic = bic
                    best_p = p
                    best_q = q
                    best_vol = vol_type
            except Exception as e:
                pass

# En iyi p, q ve volatilite modeli ile modeli oluşturun ve eğitin
best_model = arch_model(returns, vol=best_vol, p=best_p, q=best_q)
best_model_fit = best_model.fit()

# Tahminleri yapın
forecast_volatility = best_model_fit.conditional_volatility

# Sonuçları bir dosyaya yazdırma
result_filename = 'model_selection_results.txt'  # Sonuç dosyasının adı

# Hisse adını ve belirtilen sonuçları çıktı dosyasına yazın
with open(result_filename, 'a') as f:
    f.write(f"Analiz edilen veri dosyası: {data_filename}\n")
    f.write(f"En iyi AIC değeri: {best_aic}\n")
    f.write(f"En iyi BIC değeri: {best_bic}\n")
    f.write(f"En iyi p değeri: {best_p}\n")
    f.write(f"En iyi q değeri: {best_q}\n")
    f.write(f"En iyi volatilite modeli: {best_vol}\n")
    
    # Tahmin sonuçlarını yazın
    f.write("Tahmin Sonuçları:\n")
    f.write(forecast_volatility.tail().to_string() + "\n")

print(f"Analiz sonuçları '{result_filename}' adlı dosyaya kaydedildi.")

import pandas as pd
from arch import arch_model

# Veriyi yükleyin ve 'Close' sütununu kullanın
data_filename = 'xu100/TAVHL.IS.CSV'
data = pd.read_csv(data_filename)
returns = data['Close']

best_aic = float('inf')
best_bic = float('inf')
best_p = 0
best_q = 0

# p ve q değerlerini ara
for p in range(5):
    for q in range(5):
        try:
            model = arch_model(returns, vol='Garch', p=p, q=q)
            model_fit = model.fit()
            aic = model_fit.aic
            bic = model_fit.bic
            if aic < best_aic:
                best_aic = aic
                best_bic = bic
                best_p = p
                best_q = q
        except Exception as e:
            pass

print(f"En iyi AIC değeri: {best_aic}")
print(f"En iyi BIC değeri: {best_bic}")
print(f"En iyi p değeri: {best_p}")
print(f"En iyi q değeri: {best_q}")

# En iyi p ve q değerleriyle EGARCH modelini oluşturun ve eğitin
best_model = arch_model(returns, vol='Garch', p=best_p, q=best_q)
best_model_fit = best_model.fit()

# Model sonuçlarını görüntüleyin
print(best_model_fit.summary())

# Tahminleri yapın
forecast_volatility = model_fit.conditional_volatility
print(forecast_volatility.tail())

# En iyi p ve q değerlerini bir dosyaya yazdırma
result_filename = 'best_p_q_values.txt'  # Sonuç dosyasının adı

# En iyi p ve q değerlerini bir dosyaya yazdırma
with open(result_filename, 'a') as f:
    f.write(f"Analiz edilen veri dosyası: {data_filename}\n")
    f.write(f"En iyi p değeri: {best_p}\n")
    f.write(f"En iyi q değeri: {best_q}\n")

print(f"Analiz edilen veri dosyası adı ve en iyi p ve q değerleri '{result_filename}' adlı dosyaya yazıldı.")