Choisir le meilleur modèle selon la log‑vraisemblance
Dans cet exercice, vous allez vous exercer à utiliser la log‑vraisemblance pour choisir le modèle qui s'ajuste le mieux.
Les modèles GARCH estiment les paramètres par la méthode du maximum de vraisemblance. En général, plus la log‑vraisemblance est grande, meilleur est le modèle, car cela implique une probabilité plus élevée d'avoir observé les données obtenues.
Deux modèles GARCH avec des hypothèses de distribution différentes ont été définis et ajustés sur les rendements du S&P 500. Le GARCH à distribution normale est enregistré dans normal_result, et le GARCH à distribution t de Student asymétrique (skewed) est enregistré dans skewt_result.
Cette activité fait partie du cours
Modèles GARCH en Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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 :', ____.____)