Mittlere quadratische Prognosefehler
Das GJR-GARCH-Modell ist eine Verallgemeinerung des GARCH-Modells. Es sollte daher zu einer besseren Anpassung in Form niedrigerer Mean Squared Errors (MSE) führen. Prüfen wir das anhand der Microsoft-Renditen msftret, wobei garchfit der Schätzung mit dem Standard-GARCH(1,1)-Modell entspricht und gjrfit der Schätzung mit dem GJR-Modell. Denk daran: Du kannst den Vektor der Prognosefehler \(e\) für den Mittelwert mit der Methode residuals() berechnen. Der Prognosefehler für die Varianz entspricht der Differenz zwischen \(e^2\) und der vorhergesagten GARCH-Varianz.
Diese Übung ist Teil des Kurses
<Kurs>GARCH-Modelle in R</Kurs>Übungsanweisungen
- Berechne den Vektor der Prognosefehler für die Mittelwerte mit der Methode
residuals(). - Vervollständige den Code zur Berechnung des MSE für das Schätzungsergebnis
garchfit. - Berechne das MSE für das Schätzungsergebnis
gjrfit.
Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# Compute prediction errors
garcherrors <- ___(garchfit)
gjrerrors <- ___(gjrfit)
# Compute MSE for variance prediction of garchfit model
___((___(garchfit)___ - garcherrors^2)___)
# Compute MSE for variance prediction of gjrfit model
___