Začněte nyníZačněte zdarma

Vliv modelu střední hodnoty na předpovědi volatility

Modelování dynamiky střední hodnoty má obvykle velký vliv na předpovězené výnosy, ale jen minimální vliv na předpovědi volatility. Tento vliv je natolik malý, že pokud nás zajímá pouze dynamika volatility, můžeme dynamiku střední hodnoty zanedbat a zvolit nejjednodušší specifikaci – model s konstantní střední hodnotou.

Otestujme to na denních výnosech Microsoftu. Předpovězená střední hodnota a volatilita z odhadu GARCH za předpokladu konstantní střední hodnoty a AR(1) jsou již dostupné v konzoli jako proměnné constmean_mean, ar1_mean, constmean_vol a ar1_vol.

Toto cvičení je součástí kurzu

GARCH modely v R

Zobrazit kurz

Pokyny k cvičení

  • Dokonči kód pro odhad modelu GARCH-in-mean.
  • Vypočítej předpovězenou střední hodnotu a volatilitu.
  • Dokonči kód pro výpočet korelace mezi předpověďmi výnosů z modelu AR(1) a GARCH-in-mean.
  • Dokonči kód pro výpočet korelace všech tří předpovědí volatility.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# GARCH-in-Mean specification and estimation
gim_garchspec <- ___( 
  mean.model = list(armaOrder = c(0,0), archm = ___, archpow = ___),
  variance.model = list(model = "gjrGARCH"), distribution.model = "sstd")
gim_garchfit <- ___(data = msftret , ___ = ___)

# Predicted mean returns and volatility of GARCH-in-mean
gim_mean <- ___(___)
gim_vol <- ___(___)

# Correlation between predicted return using AR(1) and GARCH-in-mean models
___(___, ___)

# Correlation between predicted volatilities across mean.models
___(merge(constmean_vol, ar1_vol, gim_vol))
Upravit a spustit kód