CommencezCommencez gratuitement

Effet du modèle de moyenne sur les prévisions de volatilité

La modélisation de la dynamique de la moyenne a généralement un effet majeur sur les rendements prévus obtenus, mais seulement un effet mineur sur les prévisions de volatilité. L'effet sur les prévisions de volatilité est si faible que, si l'on s'intéresse uniquement à la dynamique de la volatilité, on peut généralement ignorer la dynamique de la moyenne et simplement supposer la spécification la plus simple, soit le modèle à moyenne constante.

Mettons cela à l'épreuve pour les rendements quotidiens de Microsoft. La moyenne et la volatilité prévues de l'estimation GARCH sous l'hypothèse de moyenne constante et de AR(1) sont déjà disponibles dans la console sous les variables constmean_mean, ar1_mean, constmean_vol et ar1_vol.

Cette activité fait partie du cours

Modèles GARCH en R

Voir le cours

Instructions de l’exercice

  • Complétez le code pour estimer le modèle GARCH-dans-la-moyenne.
  • Calculez la moyenne et la volatilité prévues.
  • Complétez le code pour calculer la corrélation entre les prédictions de rendement AR(1) et GARCH-dans-la-moyenne.
  • Complétez le code pour calculer la corrélation des trois prévisions de volatilité.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# GARCH-in-Mean specification and estimation
gim_garchspec <- ___( 
  mean.model = list(armaOrder = c(0,0), archm = ___, archpow = ___),
  variance.model = list(model = "gjrGARCH"), distribution.model = "sstd")
gim_garchfit <- ___(data = msftret , ___ = ___)

# Predicted mean returns and volatility of GARCH-in-mean
gim_mean <- ___(___)
gim_vol <- ___(___)

# Correlation between predicted return using AR(1) and GARCH-in-mean models
___(___, ___)

# Correlation between predicted volatilities across mean.models
___(merge(constmean_vol, ar1_vol, gim_vol))
Modifier et exécuter le code