Přizpůsobení GARCH modelů kryptoměnám
Finanční trhy reagují na pozitivní a negativní zprávy velmi odlišně – dobrým příkladem jsou dramatické výkyvy na trhu kryptoměn, které jsme mohli pozorovat v posledních letech.
V tomto cvičení implementuješ v Pythonu modely GJR-GARCH a EGARCH, které jsou oblíbenou volbou pro modelování asymetrické reakce volatility. Budeš pracovat s datasetem bitcoin_data, který obsahuje dva sloupce: cenu "Close" a výnos "Return".
Dataset bitcoin_data je pro tebe předem načtený a historické ceny ve sloupci "Close" jsou zobrazeny v grafu.
Toto cvičení je součástí kurzu
GARCH modely v Pythonu
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Specify model assumptions
gjr_gm = arch_model(bitcoin_data['Return'], p = 1, q = 1, o = ____, vol = 'GARCH', dist = 't')
# Fit the model
gjrgm_result = gjr_gm.fit(disp = 'off')
# Print model fitting summary
print(____.____())