garch-calculator 1.0.4

High-Performance GARCH Calculator with Incremental Updates

GARCH Calculator - 高性能增量波动率建模库

一个专为实时金融数据分析设计的高性能GARCH（广义自回归条件异方差）波动率建模库。支持增量计算，无需重新计算整个历史数据，特别适合高频交易和实时风险管理场景。

🚀 核心特性

⚡ 高性能增量计算

• 增量更新: 新增数据点时无需重新计算整个模型
• O(1)复杂度: 每次更新的时间复杂度为常数
• 内存优化: 使用循环缓冲区，内存占用固定
• 零拷贝设计: 最小化数据复制和内存分配

🎯 完整的GARCH建模

• GARCH(1,1)模型: 标准的GARCH波动率建模
• 广义误差分布(GED): 支持非正态分布假设
• 最大似然估计: 自动参数优化和收敛检测
• 多步预测: 支持任意时间范围的波动率预测

🔧 强大的工程特性

• 线程安全: 可选的多线程安全模式
• C++后端: 核心算法使用C++17实现，性能卓越
• Python接口: 简洁的Python API，完美集成NumPy
• 数值稳定: 优化的数值计算，避免溢出和精度损失

📊 丰富的统计功能

• 风险指标: VaR、Expected Shortfall自动计算
• 模型诊断: AIC、BIC信息准则
• 自相关检验: Ljung-Box检验统计量
• 置信度评估: 实时的预测置信度评分

🛠️ 安装方法

系统要求

• Python 3.7+
• C++17兼容编译器 (GCC 7+, Clang 5+, MSVC 2017+)
• Boost库 (版本 1.65+)
• NumPy

从源码安装

# 克隆仓库
git clone https://github.com/garch-lib/garch-calculator.git
cd garch-calculator

# 安装依赖
pip install -r requirements.txt

# 编译安装
python setup.py install

# 或者开发模式安装
python setup.py build_ext --inplace

使用pip安装 (发布后)

pip install garch-calculator

📖 快速开始

基本用法

import garch_calculator as gc
import numpy as np

# 创建GARCH计算器
calc = gc.GarchCalculator(
    history_size=1000,    # 历史数据窗口大小
    min_samples=50        # 参数估计最小样本数
)

# 模拟价格数据
np.random.seed(42)
prices = np.random.lognormal(0, 0.02, 500) * 100

# 方法1: 逐个添加数据点 (增量模式)
for price in prices:
    calc.add_price_point(price)
    calc.update_model()  # 实时更新模型

# 方法2: 批量添加数据
# calc.add_prices_numpy(prices)

print(f"数据点数量: {calc.get_data_size()}")
print(f"当前波动率: {calc.get_current_volatility():.6f}")

参数估计和预测

# 估计GARCH参数
result = calc.estimate_parameters()

if result.converged:
    print("参数估计成功!")
    print(f"参数: {result.parameters}")
    print(f"对数似然: {result.log_likelihood:.4f}")
    print(f"AIC: {result.aic:.4f}")
    print(f"收敛时间: {result.convergence_time_ms:.2f}ms")
    
    # 多步波动率预测
    forecasts = []
    for horizon in [1, 5, 10, 20]:
        forecast = calc.forecast_volatility(horizon)
        forecasts.append(forecast)
        print(f"{horizon}步预测波动率: {forecast.volatility:.6f}")

实时增量更新

# 模拟实时数据流
import time

calc = gc.GarchCalculator()

# 初始化历史数据
initial_prices = np.random.lognormal(0, 0.02, 200) * 100
calc.add_prices_numpy(initial_prices)
calc.estimate_parameters()

print("开始实时更新...")

# 模拟新数据到达
for i in range(100):
    # 生成新的价格点
    new_price = calc.get_current_volatility() * np.random.normal() + 100
    
    # 增量更新 (O(1)时间复杂度)
    start_time = time.time()
    calc.add_price_point(new_price)
    calc.update_model()
    update_time = (time.time() - start_time) * 1000
    
    # 获取最新预测
    forecast = calc.forecast_volatility(horizon=1)
    
    if i % 20 == 0:
        print(f"更新 {i+1}: 波动率={forecast.volatility:.6f}, "
              f"耗时={update_time:.3f}ms")

风险指标计算

# 获取当前波动率
current_vol = calc.get_current_volatility()

# 计算风险指标
var_95 = gc.calculate_var(current_vol, confidence_level=0.05)
var_99 = gc.calculate_var(current_vol, confidence_level=0.01)
es_95 = gc.calculate_expected_shortfall(current_vol, confidence_level=0.05)

print(f"VaR (95%): {var_95:.6f}")
print(f"VaR (99%): {var_99:.6f}")
print(f"Expected Shortfall (95%): {es_95:.6f}")

模型诊断

# 获取诊断统计
log_returns = calc.get_log_returns()
stats = gc.calculate_basic_stats(log_returns)

print(f"收益率统计:")
print(f"  均值: {stats.mean:.8f}")
print(f"  标准差: {stats.std_dev:.6f}")
print(f"  偏度: {stats.skewness:.4f}")
print(f"  峰度: {stats.kurtosis:.4f}")

# 自相关检验
autocorr = gc.calculate_autocorrelation(log_returns, max_lag=10)
ljung_box = gc.calculate_ljung_box_statistic(log_returns, lag=10)

print(f"Ljung-Box统计量: {ljung_box:.4f}")

🏗️ 架构设计

核心组件

garch_calculator/
├── include/
│   └── garch_calculator.h     # C++ 头文件
├── src/
│   └── garch_calculator.cpp   # C++ 实现
├── python/
│   └── garch_bindings.cpp     # Python 绑定
├── tests/
│   ├── test_garch.py         # Python 测试
│   └── test_garch.cpp        # C++ 测试
├── setup.py                  # Python 安装脚本
├── CMakeLists.txt           # CMake 配置
└── README.md                # 文档

性能优化

1. 循环缓冲区: 使用Boost循环缓冲区管理历史数据
2. 缓存优化: 缓存频繁计算的密度函数值
3. SIMD友好: 数据结构对齐，支持向量化操作
4. 零拷贝: 最小化内存分配和数据复制
5. 数值稳定: 使用对数似然和数值约束确保稳定性

📊 性能基准

在Intel i7-10700K @3.8GHz上的性能测试结果：

操作	平均耗时	数据规模
增量更新	0.05ms	1000点历史
参数估计	15ms	1000点数据
波动率预测	0.02ms	任意horizon
批量添加	0.02ms/点	1000点

🔬 算法详解

GARCH(1,1)模型

波动率建模使用标准GARCH(1,1)方程：

σ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁

其中：

• σ²ₜ: t时刻的条件方差
• ω: 常数项 (omega)
• α: ARCH项系数 (alpha)
• β: GARCH项系数 (beta)
• ε²ₜ₋₁: 前期收益率的平方

增量更新算法

1. O(1)方差更新: 直接使用GARCH方程更新当前方差
2. 循环缓冲区: 自动管理固定大小的历史数据
3. 惰性参数估计: 仅在必要时重新估计参数
4. 数值稳定性: 使用边界约束和正则化

最大似然估计

使用数值梯度下降优化对数似然函数：

L(θ) = Σᵢ log f(εᵢ | σᵢ, ν)

其中f是广义误差分布(GED)的密度函数。

🧪 测试和验证

运行完整测试套件：

# Python测试
python tests/test_garch.py

# C++测试 (如果使用CMake)
mkdir build && cd build
cmake ..
make test_garch
./test_garch

测试覆盖：

• ✅ 基本功能测试
• ✅ 参数估计收敛性
• ✅ 增量更新性能
• ✅ 数值稳定性
• ✅ 线程安全性
• ✅ NumPy集成
• ✅ 边界情况处理

📈 应用场景

高频交易

• 实时波动率监控
• 动态风险调整
• 算法交易信号生成

风险管理

• 实时VaR计算
• 压力测试
• 投资组合优化

量化研究

• 波动率建模研究
• 策略回测
• 因子分析

🤝 贡献指南

我们欢迎各种形式的贡献！

开发环境设置

git clone https://github.com/garch-lib/garch-calculator.git
cd garch-calculator

# 创建虚拟环境
python -m venv venv
source venv/bin/activate  # Linux/Mac
# 或 venv\Scripts\activate  # Windows

# 安装开发依赖
pip install -r requirements-dev.txt

# 开发模式安装
python setup.py build_ext --inplace

代码规范

• C++代码遵循Google C++风格指南
• Python代码遵循PEP 8
• 提交前运行所有测试
• 添加适当的文档和注释

📄 许可证

本项目使用MIT许可证 - 详见LICENSE文件

📞 联系我们

• 🐛 Bug报告: GitHub Issues
• 💡 功能请求: GitHub Discussions
• 📧 邮件: [e-mail]
• 📖 文档: ReadTheDocs

🙏 致谢

感谢以下开源项目的支持：

• pybind11 - Python/C++绑定
• Boost - C++库集合
• Eigen - 线性代数库
• NumPy - Python数值计算

---

⭐ 如果这个项目对您有帮助，请给我们一个star！