Křivka dopadu zpráv

Negativní zprávy o výnosech ovlivňují rozptyl více než zprávy pozitivní. Model GJR GARCH umožňuje asymetrickou reakci rozptylu na pozitivní a negativní zprávy. Křivka dopadu zpráv je užitečný nástroj pro vizualizaci toho, jak rozptyl reaguje na překvapení ve výnosech.

Které z následujících tvrzení je nesprávné?

Toto cvičení je součástí kurzu

GARCH modely v R

Zobrazit kurz

Interaktivní praktické cvičení

Proměňte teorii v praxi s jedním z našich interaktivních cvičení

Začít cvičení

Toto cvičení je součástí kurzu

GARCH modely v R

SkillTag.level.advancedSkillTag.label

4.8+

97 reviews

Začněte kurz zdarma

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.

Exercise 1: Analýza volatility Exercise 2: Výpočet výnosů Exercise 3: Směrodatná odchylka na podvzorcích Exercise 4: Klouzavé okno v akci Exercise 5: Rovnice GARCH pro predikci volatility Exercise 6: Reakce GARCH(1,1) na jednorázové šoky Exercise 7: Chyby predikce Exercise 8: Rekurzivní povaha rozptylu v modelu GARCH Exercise 9: Balíček rugarch Exercise 10: Urči a vyzkoušej různé varianty GARCH modelu Exercise 11: Předpověď mimo vzorek Exercise 12: Cílení volatility 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.

Exercise 1: Nenormalita standardizovaných výnosů Exercise 2: Parametry zešikmeného Studentova t-rozdělení Exercise 3: Odhad nenormálního GARCH modelu Exercise 4: Standardizované výnosy Exercise 5: Efekt páky Exercise 6: Křivka dopadu zpráv

Aktuální cvičení

Exercise 7: Odhad modelu GJR GARCH Exercise 8: Model střední hodnoty Exercise 9: Předpovídání výnosů Exercise 10: Dynamika AR(1)-GJR GARCH pro výnosy akcií MSFT Exercise 11: Vliv modelu střední hodnoty na předpovědi volatility Exercise 12: Vyhni se zbytečné složitosti Exercise 13: Volba modelu Exercise 14: Fixace parametrů GARCH modelu Exercise 15: Meze parametrů a jejich vliv na prognózy Exercise 16: Cílování rozptylu

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.

Exercise 1: Statistická významnost Exercise 2: Testování statistické významnosti Exercise 3: Analýza výstupu odhadů Exercise 4: Lepší model pro výnosy EUR/USD Exercise 5: Kvalita modelu Exercise 6: Princip parsimonie Exercise 7: Střední kvadratická chyba předpovědi Exercise 8: Porovnání věrohodnosti a informačních kritérií Exercise 9: Diagnostika absolutních standardizovaných výnosů Exercise 10: Ověření předpokladů GARCH modelu Exercise 11: Korelogram a Ljung-Boxův test Exercise 12: Změna estimačního vzorku Exercise 13: Backtesting pomocí ugarchroll Exercise 14: Argumenty funkce ugarchroll Exercise 15: Volatilita in-sample vs. na klouzavém okně Exercise 16: Souboj modelů

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.

Exercise 1: Value at risk Exercise 2: Graf VaR Exercise 3: Souvztažnost předpovězené volatility a VaR Exercise 4: Citlivost pokrytí na distribučním modelu Exercise 5: Pro produkci a simulaci Exercise 6: Skutečné versus simulované výnosy Exercise 7: Použití v produkci Exercise 8: Využití v simulaci Exercise 9: Modelové riziko Exercise 10: Robustníci Exercise 11: Počáteční hodnoty Exercise 12: GARCH kovariance Exercise 13: Odhad bety Exercise 14: Váhy portfolia s minimálním rozptylem Exercise 15: GARCH & Co Exercise 16: Gratulujeme!