Passe GARCH‑Modelle auf Kryptowährungen an
Finanzmärkte reagieren auf positive und negative Nachrichtenschocks oft sehr unterschiedlich – ein Beispiel dafür sind die starken Ausschläge, die in den letzten Jahren am Kryptomarkt zu beobachten waren.
In dieser Übung implementierst du in Python ein GJR‑GARCH‑ und ein EGARCH‑Modell, zwei gängige Ansätze, um asymmetrische Reaktionen der Volatilität abzubilden. Du arbeitest mit dem Kryptowährungs‑Datensatz bitcoin_data, der zwei Spalten enthält: den "Close"‑Preis und die "Return"‑Rendite.
Der Datensatz bitcoin_data ist bereits für dich geladen, und die historischen Preise in der Spalte "Close" wurden visualisiert.
Diese Übung ist Teil des Kurses
<Kurs>GARCH-Modelle in Python</Kurs>Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# Specify model assumptions
gjr_gm = arch_model(bitcoin_data['Return'], p = 1, q = 1, o = ____, vol = 'GARCH', dist = 't')
# Fit the model
gjrgm_result = gjr_gm.fit(disp = 'off')
# Print model fitting summary
print(____.____())