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
GARCH-Modelle in Python
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# 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 :', ____.____)