Volatilita in-sample vs. na klouzavém okně
Pro danou časovou řadu výnosů můžeš odhadnout volatilitu GARCH modelu pomocí metody sigma() aplikované na výstup z ugarchfit, nebo pomocí metody as.data.frame() aplikované na výstup z ugarchroll. Rozdíl spočívá v tom, že ugarchfit poskytuje in-sample odhad volatility – model se odhadne pouze jednou na celé časové řadě – zatímco ugarchroll model opakovaně přeodhaduje a využívá vždy jen ty výnosy, které jsou v daném okamžiku skutečně dostupné. V tomto cvičení porovnáš výsledné předpovědi volatility pro denní výnosy indexu S&P 500 pomocí modelu AR(1) GJR GARCH se zešikmeným Studentovým t rozdělením. Specifikace GARCH modelu je již připravena a dostupná jako garchspec, data jsou uložena v sp500ret.
Toto cvičení je součástí kurzu
GARCH modely v R
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Estimate the GARCH model using all the returns and compute the in-sample estimates of volatility
garchinsample <- ___(data = sp500ret, spec = garchspec)
garchvolinsample <- ___(___)