Graphique ACF
Si un modèle GARCH fait bien le travail, les résidus normalisés ne devraient pas présenter d'autocorrélations. Dans cet exercice, vous pratiquerez l'utilisation d'un graphique ACF pour détecter les autocorrélations dans les données.
Le coefficient de corrélation entre deux valeurs d'une série chronologique est appelé fonction d'autocorrélation (ACF), et un graphique ACF est une représentation visuelle des corrélations entre différents retards (lags). Des fonctions prédéfinies dans le module statsmodels de Python vous permettent de générer facilement des graphiques ACF.
Un modèle GARCH a été ajusté aux rendements du S&P 500 et ses résidus normalisés ont été calculés et enregistrés dans std_resid. matplotlib.pyplot a été importé sous le nom plt.
Cette activité fait partie du cours
Modèles GARCH en Python
Instructions de l’exercice
- Importez, à partir du module
statsmodels, l'outil nécessaire pour tracer des graphiques ACF. - Tracez les résidus normalisés du modèle GARCH enregistrés dans
std_resid. - Générez un graphique ACF des résidus normalisés et fixez le niveau de confiance à 0.05.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Import the Python module
from statsmodels.graphics.tsaplots import ____
# Plot the standardized residuals
plt.plot(____)
plt.title('Standardized Residuals')
plt.show()
# Generate ACF plot of the standardized residuals
____(std_resid, ____ = ____)
plt.show()