Elige un ganador según la log-verosimilitud
En este ejercicio, practicarás cómo usar la log-verosimilitud para elegir el modelo que mejor se ajusta.
Los modelos GARCH utilizan el método de máxima verosimilitud para estimar parámetros. En general, cuanto mayor sea la log-verosimilitud, mejor será el modelo, ya que implica una mayor probabilidad de haber observado los datos que obtuviste.
Se han definido y ajustado dos modelos GARCH con supuestos de distribución distintos usando los rendimientos del S&P 500. El GARCH con distribución normal se guarda en normal_result, y el GARCH con distribución t de Student asimétrica (skewed) se guarda en skewt_result.
Este ejercicio forma parte del curso
Modelos GARCH en Python
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# Print normal GARCH model summary
print(____.____())
# Print skewed GARCH model summary
print(____.____())
# Print the log-likelihood of normal GARCH
print('Log-likelihood of normal GARCH :', ____.____)
# Print the log-likelihood of skewt GARCH
print('Log-likelihood of skewt GARCH :', ____.____)