garch_model.fit(disp='off')

在 `garch_model.fit(disp='off')` 中，`disp` 是 `fit()` 函数的一个参数，用于控制拟合过程中是否显示迭代信息。当 `disp='off'` 时，表示不显示迭代信息；当 `disp='on'` 时，表示显示迭代信息。通常情况下，拟合过程中的迭代信息会占用大量的屏幕空间，因此在实际应用中，我们通常将 `disp` 设置为 `'off'`，以便更好地查看模型的结果。

如果不设置 `disp` 参数，默认情况下 `fit()` 函数会显示迭代信息。如果你希望查看拟合过程中的迭代信息，可以将 `disp` 设置为 `'on'`。例如：

import arch

# 建立GARCH模型
model = arch.arch_model(returns, vol='GARCH', p=1, q=1)

# 拟合模型并显示迭代信息
result = model.fit(disp='on')

在这个例子中，我们将 `disp` 设置为 `'on'`，以便查看拟合过程中的迭代信息。

相关问题

# 计算GARCH模型 returns_data = returns.iloc[:, 1:22] garch_models = [] for i in range(len(returns_data.columns)): garch_model = arch_model(returns_data.iloc[:, i], mean='Zero', vol='GARCH', p=1, q=1) garch_result = garch_model.fit(disp='off') garch_models.append(garch_result) 为什么报错

根据您提供的代码，我无法确定错误的具体原因。但是，您可以通过以下方法来排查代码中的错误：

1. 检查代码中使用的库是否已正确导入。
2. 检查数据是否已经正确加载，并确保数据格式正确。
3. 检查循环变量i是否正确定义和使用。
4. 检查garch_model和garch_result的定义和使用是否正确。
5. 检查代码的格式和缩进是否正确。

如果您仍然无法解决问题，请提供更多的错误提示或者上下文信息，这样我才能更好地帮助您解决问题。

# 使用auto_arima函数选择最佳ARIMA模型 stepwise_model = auto_arima(data, start_p=0, start_q=0, max_p=15, max_q=15, start_P=0, seasonal=True, d=1, D=1, max_P=15, max_Q=15, trace=True, error_action='ignore', suppress_warnings=True, stepwise=False, max_order=None) model_resid = stepwise_model.resid() print(stepwise_model.summary()) model = arch_model(model_resid, mean='AR', lags=2, vol='GARCH', o=0) # 使用 auto_arima 函数自动确定 p 和 q 的值 stepwise_fit = auto_arima(model_resid, start_p=0, start_q=0, max_p=15, max_q=15, start_P=0, seasonal=True, max_P=15, max_Q=15, d=1, D=1, trace=True, error_action='ignore', suppress_warnings=True, stepwise=False, max_order=None) # 根据自动确定的 p 和 q 的值来拟合模型 model = arch_model(model_resid, mean='AR', lags=2, vol='GARCH', p=stepwise_fit.order[1], q=stepwise_fit.order[2], o=0) AGresult = model.fit(disp='off') print(AGresult.summary())后面加上得到标准化残差的代码

如果你想得到标准化残差，可以在自动选择 ARIMA 模型之后，使用 `stepwise_model.predict_in_sample()` 得到模型的预测值，然后用 `model_resid` 减去预测值，再除以模型的标准差 `AGresult.conditional_volatility`，即可得到标准化残差。示例代码如下：

# 得到模型的预测值
forecast = stepwise_model.predict_in_sample()

# 计算标准化残差
standardized_resid = (model_resid - forecast) / AGresult.conditional_volatility