Začněte nyníZačněte zdarma

Urči a vyzkoušej různé varianty GARCH modelu

V dalších kapitolách uvidíš, že GARCH modely existují v mnoha variantách. Proto je potřeba nejprve specifikovat model střední hodnoty, model rozptylu a rozdělení chyb, které chceš použít. Nejvhodnější model závisí vždy na konkrétní aplikaci. Realistická GARCH analýza tedy zahrnuje specifikaci, odhad a testování různých modelů.

V R je to snadné díky balíčku rugarch od Alexiose Ghalanosse. Tento balíček je pro tebe již načten. Použiješ ho k analýze denních výnosů v sp500ret.

Toto cvičení je součástí kurzu

GARCH modely v R

Zobrazit kurz

Pokyny k cvičení

  • Pomocí ugarchspec() urči, že chceš odhadnout standardní GARCH(1,1) model s konstantní střední hodnotou a normálním rozdělením chyb předpovědi.
  • Pomocí ugarchfit() odhadni model metodou maximální věrohodnosti.
  • Metodou sigma() získej odhadnuté volatility.
  • Vykresli předpovědi volatility pro rok 2017.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Specify a standard GARCH model with constant mean
garchspec <- ___(mean.model = list(armaOrder = ___),
                 variance.model = list(model = "___"), 
                 distribution.model = "___")

# Estimate the model
garchfit <- ___(data = ___, spec = ___)

# Use the method sigma to retrieve the estimated volatilities 
garchvol <- ___ 

# Plot the volatility for 2017
___(___["2017"])
Upravit a spustit kód