GARCH mit schiefer t-Verteilung fitten
Die Standardannahme einer Normalverteilung für die standardisierten Residuen in GARCH-Modellen bildet die echte Finanzwelt nicht gut ab. In Renditedaten treten häufig fette Tails und Schiefe auf.
In dieser Übung verbesserst du das GARCH-Modell, indem du eine schiefe Student-t-Verteilungsannahme verwendest. Außerdem vergleichst du die vom Modell geschätzte Volatilität mit der eines Modells mit Normalverteilungsannahme, indem du beide zusammen darstellst.
Ein GARCH-Modell mit der Standardannahme einer Normalverteilung wurde bereits für dich gefittet, und seine Volatilitätsschätzung ist in normal_vol gespeichert.
Diese Übung ist Teil des Kurses
GARCH-Modelle in Python
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Specify GARCH model assumptions
skewt_gm = arch_model(sp_data['Return'], p = 1, q = 1, mean = 'constant', vol = 'GARCH', ____ = '____')
# Fit the model
skewt_result = skewt_gm.____()