Ajuster un GARCH avec une loi t de Student asymétrique
L'hypothèse par défaut d'une loi normale pour les résidus standardisés utilisés dans les modèles GARCH ne représente pas fidèlement le monde financier réel. Des queues épaisses et de l'asymétrie sont fréquemment observées dans les rendements financiers.
Dans cet exercice, vous allez améliorer le modèle GARCH en adoptant une loi t de Student asymétrique. Vous comparerez aussi la volatilité estimée par ce modèle à celle d'un modèle avec hypothèse de normalité en les traçant sur le même graphique.
Un modèle GARCH avec l'hypothèse par défaut de loi normale a déjà été ajusté pour vous, et son estimation de la volatilité est enregistrée dans normal_vol.
Cette activité fait partie du cours
Modèles GARCH en Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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.____()