CommencezCommencez gratuitement

Erreurs quadratiques moyennes de prévision

Le modèle GJR-GARCH est une généralisation du modèle GARCH. Il devrait donc offrir un meilleur ajustement, c'est‑à‑dire des erreurs quadratiques moyennes (EQM, ou MSE) plus faibles. Vérifions cela sur les rendements de Microsoft msftret, pour lesquels garchfit correspond à l'estimation avec le modèle GARCH(1,1) standard, tandis que gjrfit correspond au modèle GJR. Rappelez-vous que vous pouvez calculer le vecteur des erreurs de prévision \(e\) pour la moyenne à l'aide de la méthode residuals(). L'erreur de prévision pour la variance correspond à la différence entre \(e^2\) et la variance GARCH prévue.

Cette activité fait partie du cours

Modèles GARCH en R

Voir le cours

Instructions de l’exercice

  • Calculez le vecteur des erreurs de prévision pour les moyennes à l'aide de la méthode residuals().
  • Complétez le code pour calculer l'EQM (MSE) pour le résultat d'estimation garchfit.
  • Calculez l'EQM pour le résultat d'estimation gjrfit.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Compute prediction errors
garcherrors <- ___(garchfit)
gjrerrors  <- ___(gjrfit)

# Compute MSE for variance prediction of garchfit model
___((___(garchfit)___ - garcherrors^2)___)

# Compute MSE for variance prediction of gjrfit model
___
Modifier et exécuter le code