Wähle einen Gewinner anhand der Log-Likelihood

In dieser Übung übst du, mithilfe der Log-Likelihood das Modell mit der besten Anpassung auszuwählen.

GARCH-Modelle schätzen Parameter mit der Maximum-Likelihood-Methode. Allgemein gilt: Je größer die Log-Likelihood, desto besser das Modell, da dies eine höhere Wahrscheinlichkeit impliziert, genau die beobachteten Daten erhalten zu haben.

Zwei GARCH-Modelle mit unterschiedlichen Verteilungsannahmen wurden definiert und mit den Renditedaten des S&P 500 gefittet. Das GARCH mit Normalverteilung ist in normal_result gespeichert, und das GARCH mit schiefer Student‑t‑Verteilung ist in skewt_result gespeichert.

Diese Übung ist Teil des Kurses

<Kurs>GARCH-Modelle in Python</Kurs>

Kurs ansehen

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Print normal GARCH model summary
print(____.____())
# Print skewed GARCH model summary
print(____.____())

# Print the log-likelihood of normal GARCH
print('Log-likelihood of normal GARCH :', ____.____)
# Print the log-likelihood of skewt GARCH
print('Log-likelihood of skewt GARCH :', ____.____)

Code bearbeiten und ausführen