Začněte nyníZačněte zdarma

Dynamika AR(1)-GJR GARCH pro výnosy akcií MSFT

Ve videu jsi viděl/a, že znaménko autoregresního parametru v modelu AR(1) závisí na tom, jak trh reaguje na novinky:

Kladná hodnota \(\rho \) odpovídá situaci, kdy trh na novinky reaguje pomalu – dochází k mometu ve výnosech. Záporná hodnota \(\rho \) odpovídá situaci, kdy trh na novinky reaguje přehnaně – dochází k reverzi výnosů.

Jsou denní výnosy akcií Microsoftu charakterizovány momentem, nebo reverzí v rámci dynamiky AR(1)? Zjistíme to odhadnutím parametrů modelu AR(1)-GJR GARCH na základě denních výnosů Microsoftu uložených v msftret.

Toto cvičení je součástí kurzu

GARCH modely v R

Zobrazit kurz

Pokyny k cvičení

  • armaOrder = c(1,2) odpovídá modelu ARMA(1,2). Model AR(1) je totéž co ARMA(1,0).
  • Doplň argument mean.model ve funkci ugarchspec tak, aby specifikoval model AR(1).
  • Odhadni model.
  • Vypiš první dva koeficienty odhadnutého modelu GARCH.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Specify AR(1)-GJR GARCH model
garchspec <- ugarchspec(mean.model = list(armaOrder = ___ ),
                        variance.model = list(model = "gjrGARCH"),
                        distribution.model = "sstd")

# Estimate the model
garchfit <- ___

# Print the first two coefficients
___(___)[c(1:2)]
Upravit a spustit kód