Ajusta un GARCH con distribución t asimétrica
La suposición por defecto de distribución normal para los residuales estandarizados en modelos GARCH no representa bien el mundo financiero real. En los datos de rendimientos financieros se observan con frecuencia colas gruesas y asimetría.
En este ejercicio, mejorarás el modelo GARCH usando una suposición de distribución t de Student asimétrica. Además, compararás la volatilidad estimada de este modelo con la de un modelo con suposición de distribución normal, representándolas juntas en un gráfico.
Ya se ha ajustado para ti un modelo GARCH con la suposición normal por defecto, y su estimación de volatilidad se ha guardado en normal_vol.
Este ejercicio forma parte del curso
Modelos GARCH en Python
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# Specify GARCH model assumptions
skewt_gm = arch_model(sp_data['Return'], p = 1, q = 1, mean = 'constant', vol = 'GARCH', ____ = '____')
# Fit the model
skewt_result = skewt_gm.____()