Vyber vítěze na základě log-likelihood

V tomto cvičení si procvičíš použití log-likelihood k výběru modelu s nejlepším fitováním.

GARCH modely používají metodu maximální věrohodnosti k odhadování parametrů. Obecně platí, že čím větší je log-likelihood, tím lepší je model – vyšší hodnota totiž naznačuje větší pravděpodobnost, že bychom pozorovali právě naměřená data.

Byla definována a nafitována dvě GARCH modely s různými předpoklady o rozdělení na datech výnosů indexu S&P 500. GARCH s normálním rozdělením je uložen v normal_result a GARCH se zešikmeným Studentovým t-rozdělením je uložen v skewt_result.

Toto cvičení je součástí kurzu

GARCH modely v Pythonu

Zobrazit kurz

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Print normal GARCH model summary
print(____.____())
# Print skewed GARCH model summary
print(____.____())

# Print the log-likelihood of normal GARCH
print('Log-likelihood of normal GARCH :', ____.____)
# Print the log-likelihood of skewt GARCH
print('Log-likelihood of skewt GARCH :', ____.____)

Upravit a spustit kód