LoslegenKostenlos starten

Die AR(1)-GJR-GARCH-Dynamik der MSFT-Renditen

Im Video hast du gesehen, dass das Vorzeichen des autoregressiven Parameters im AR(1)-Modell von der Marktreaktion auf Nachrichten abhängt.

Ein positiver Wert von \(\rho\) passt zur Interpretation, dass Märkte unterreagieren, was zu Momentum in den Renditen führt. Ein negativer Wert von \(\rho\) passt zur Interpretation, dass Märkte überreagieren, was zu einer Umkehr der Renditen führt.

Sind die täglichen Microsoft-Renditen in ihrer AR(1)-Dynamik durch Momentum oder durch Reversal gekennzeichnet? Finde es heraus, indem du die Parameter des AR(1)-GJR-GARCH-Modells mit den täglichen Microsoft-Renditen in msftret schätzt.

Diese Übung ist Teil des Kurses

<Kurs>GARCH-Modelle in R</Kurs>
Kurs ansehen

Übungsanweisungen

  • armaOrder = c(1,2) entspricht einem ARMA(1,2)-Modell. Ein AR(1)-Modell ist dasselbe wie ARMA(1,0).
  • Vervollständige das Argument mean.model in ugarchspec, um das zu verwendende AR(1)-Modell festzulegen.
  • Schätze das Modell.
  • Gib die ersten beiden Koeffizienten des geschätzten GARCH-Modells aus.

Interaktive praktische Übung

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

# Specify AR(1)-GJR GARCH model
garchspec <- ugarchspec(mean.model = list(armaOrder = ___ ),
                        variance.model = list(model = "gjrGARCH"),
                        distribution.model = "sstd")

# Estimate the model
garchfit <- ___

# Print the first two coefficients
___(___)[c(1:2)]
Code bearbeiten und ausführen