CommencezCommencez gratuitement

La dynamique AR(1)-GJR GARCH des rendements de MSFT

Vous avez vu dans la vidéo que le signe du paramètre autorégressif dans le modèle AR(1) dépend de la réaction du marché aux nouvelles

Une valeur positive de \(\rho\) s'accorde avec l'idée que les marchés sous-réagissent aux nouvelles, ce qui crée un effet de momentum dans les rendements. Une valeur négative de \(\rho\) s'accorde avec l'idée que les marchés surgissent trop fortement aux nouvelles, ce qui entraîne un effet de retour à la moyenne dans les rendements.

Les rendements quotidiens de Microsoft présentent-ils un effet de momentum ou de renversement dans leur dynamique AR(1) ? Vérifions-le en estimant les paramètres du modèle AR(1)-GJR GARCH à l'aide des rendements quotidiens de Microsoft dans msftret.

Cette activité fait partie du cours

Modèles GARCH en R

Voir le cours

Instructions de l’exercice

  • armaOrder = c(1,2) correspond à un modèle ARMA(1,2). Un modèle AR(1) équivaut à ARMA(1,0).
  • Complétez l'argument mean.model dans ugarchspec pour définir le modèle AR(1) à utiliser.
  • Estimez le modèle.
  • Affichez les deux premiers coefficients du modèle GARCH estimé.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Specify AR(1)-GJR GARCH model
garchspec <- ugarchspec(mean.model = list(armaOrder = ___ ),
                        variance.model = list(model = "gjrGARCH"),
                        distribution.model = "sstd")

# Estimate the model
garchfit <- ___

# Print the first two coefficients
___(___)[c(1:2)]
Modifier et exécuter le code