Vliv modelu střední hodnoty na predikce volatility

V praxi se výnosy a volatilita modelují odděleně. Předpoklady o střední hodnotě zpravidla ovlivňují predikované výnosy, ale na odhady volatility mají jen malý vliv.

V tomto cvičení prozkoumáš, jak předpoklady o střední hodnotě v modelu GARCH ovlivňují odhady volatility — porovnáš dva modely GARCH s různými předpoklady o střední hodnotě, oba nafitované na datech indexu S&P 500.

Model s předpokladem „konstantní střední hodnoty" má výsledky uložené v cmean_result a odhadnutou volatilitu v cmean_vol. Model s předpokladem „AR(1)", tedy autoregresní střední hodnotou s jedním zpožděním, má výsledky uložené v armean_result a odhadnutou volatilitu v armean_vol. Moduly matplotlib.pyplot a numpy jsou importovány jako plt, resp. np.

Toto cvičení je součástí kurzu

GARCH modely v Pythonu

Zobrazit kurz

Pokyny k cvičení

Vypiš a prohlédni si shrnutí fitování obou modelů — cmean_result a armean_result.
Vykresli odhady volatility cmean_vol a armean_vol z obou modelů.
Pomocí funkce .corrcoef() z balíčku numpy vypočítej korelační koeficient.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Print model summary of GARCH with constant mean
print(____.____())
# Print model summary of GARCH with AR mean
print(____.____())

# Plot model volatility 
plt.plot(____, color = 'blue', label = 'Constant Mean Volatility')
plt.plot(____, color = 'red', label = 'AR Mean Volatility')
plt.legend(loc = 'upper right')
plt.show()

# Check correlation of volatility estimations
print(np.____(____, ____)[0,1])

Upravit a spustit kód