Fitování GARCH modelu se zešikmeným t-rozdělením
Výchozí předpoklad normálního rozdělení standardizovaných reziduí v GARCH modelech neodpovídá reálnému finančnímu světu. Ve finančních výnosových datech se totiž často vyskytují tučné chvosty a šikmost.
V tomto cvičení vylepšíš GARCH model tak, že místo normálního rozdělení použiješ předpoklad zešikmeného Studentova t-rozdělení. Navíc porovnáš odhadovanou volatilitu z tohoto modelu s volatilitou modelu s předpokladem normálního rozdělení – vykreslíš je společně do jednoho grafu.
GARCH model s výchozím předpokladem normálního rozdělení už byl nafitován za tebe a jeho odhad volatility je uložen v normal_vol.
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 GARCH model assumptions
skewt_gm = arch_model(sp_data['Return'], p = 1, q = 1, mean = 'constant', vol = 'GARCH', ____ = '____')
# Fit the model
skewt_result = skewt_gm.____()