Vereinfache das Modell mit p-Werten
Leonardo da Vinci sagte einmal: "Einfachheit ist die höchste Stufe der Vollendung." Das gilt auch für das Modellieren in der Data Science. In dieser Übung übst du, p-Werte zu nutzen, um über die Notwendigkeit von Modellparametern zu entscheiden, und ein sparsames Modell ohne unbedeutende Parameter zu definieren.
Die Nullhypothese lautet, dass der Parameterwert null ist. Ist der p-Wert größer als ein vorgegebenes Konfidenzniveau, kann die Nullhypothese nicht verworfen werden. Das bedeutet: Der Parameter ist statistisch nicht signifikant und somit nicht erforderlich.
Ein GARCH-Modell wurde definiert und mit den Bitcoin-Renditen geschätzt. Das Modellergebnis ist in gm_result gespeichert.
Diese Übung ist Teil des Kurses
GARCH-Modelle in Python
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Print model fitting summary
print(gm_result.____())
# Get parameter stats from model summary
para_summary = pd.DataFrame({'parameter':gm_result.____,
'p-value': gm_result.____})
# Print out parameter stats
print(____)