Wähle einen Gewinner basierend auf AIC/BIC
In dieser Übung übst du den Einsatz von Informationskriterien, um ein Modell mit der besten Passung auszuwählen.
Informationskriterien messen den Kompromiss zwischen Güte der Anpassung und Modellkomplexität. AIC und BIC sind zwei häufig genutzte Informationskriterien für die Modellauswahl. Beide bestrafen Modelle mit mehr Parametern bzw. höherer Komplexität. Je niedriger AIC oder BIC, desto besser das Modell.
Ein GJR-GARCH-Modell und ein EGARCH-Modell wurden definiert und mit den Renditedaten des S&P 500 angepasst. Ihre Ergebnisse findest du in gjrgm_result bzw. egarch_result.
Diese Übung ist Teil des Kurses
GARCH-Modelle in Python
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Print the AIC GJR-GARCH
print('AIC of GJR-GARCH model :', ____.____)
# Print the AIC of EGARCH
print('AIC of EGARCH model :', ____.____)
# Print the BIC GJR-GARCH
print('BIC of GJR-GARCH model :', ____.____)
# Print the BIC of EGARCH
print('BIC of EGARCH model :', ____.____)