Sleduj vliv parametrů modelu
V tomto cvičení znovu zavoláš předdefinovanou funkci simulate_GARCH() a prozkoumáš, jak parametry modelu GARCH ovlivňují simulované výsledky.
Konkrétně nasimulujeme dvě časové řady GARCH(1,1), které mají stejné hodnoty omega a alpha, ale liší se hodnotou beta.
Připomeňme, že v modelu GARCH(1,1) je \(\beta\) koeficient rozptylu s zpožděním 1. Pokud je \(\alpha\) fixní, platí: čím větší \(\beta\), tím déle přetrvává dopad výkyvu volatility. Jinými slovy, období vysoké nebo nízké volatility mají tendenci se prodlužovat. Sleduj vykreslené výsledky a ověř, jak se vliv \(\beta\) projevuje.
Toto cvičení je součástí kurzu
GARCH modely v Pythonu
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# First simulated GARCH
sim_resid, sim_variance = simulate_GARCH(n = ____, omega = ____,
alpha = ____, beta = ____)
plt.plot(sim_variance, color = 'orange', label = 'Variance')
plt.plot(sim_resid, color = 'green', label = 'Residuals')
plt.legend(loc='upper right')
plt.show()