or
Toto cvičení je součástí kurzu
Rovnou se pustíme do práce. Analýza denních výnosů akcií pomocí klouzavého okna ukazuje, že jejich směrodatná odchylka se v čase výrazně mění. Při pohledu zpět máme jasný důkaz časově proměnlivé volatility. Při pohledu dopředu potřebujeme volatilitu budoucích výnosů odhadnout – a přesně to dělá GARCH model. V této kapitole se naučíš základy práce s balíčkem rugarch: jak specifikovat a odhadnout základní model GARCH(1,1) v R. Na závěr si ukážeme jeho využití v taktické alokaci aktiv.
Trhy jdou nahoru po schodech a dolů výtahem. Tato burzovní moudrost má důležité důsledky pro specifikaci realistického modelu volatility. Vyžaduje opustit předpoklad normality i symetrické reakce volatility na šoky. V této kapitole se seznámíš s GARCH modely s pákovým efektem a inovacemi se zešikmením Studentova t-rozdělení. Na konci budeš schopen/schopna používat GARCH modely pro odhad více než deseti tisíc různých specifikací.
Aktuální cvičení
GARCH modely poskytují předpovědi volatility, které slouží jako vstup pro finanční rozhodování. Jejich praktické využití ale vyžaduje nejprve ověřit kvalitu těchto předpovědí. V této kapitole se naučíš analyzovat statistickou významnost odhadnutých parametrů GARCH modelu, vlastnosti standardizovaných výnosů, interpretaci informačních kritérií a použití klouzavého odhadu GARCH spolu se střední kvadratickou chybou predikce pro hodnocení přesnosti předpovědí volatility.
V tuto chvíli ovládáš standardní specifikaci, odhad i validaci GARCH modelů v balíčku rugarch. Tato kapitola představuje specifické funkce balíčku rugarch pro výpočet hodnoty v riziku, nasazení GARCH modelu v praxi a simulaci výnosů pomocí GARCH. Také zjistíš, že přítomnost GARCH dynamiky v rozptylu má důsledky pro simulaci logaritmických výnosů, odhad beta koeficientu akcie a hledání portfolia s minimálním rozptylem.