Spécifier et explorer les variantes du modèle GARCH
Dans les prochains chapitres, vous verrez que les modèles GARCH existent en plusieurs variantes. Vous devez donc commencer par préciser le modèle de moyenne, le modèle de variance et la distribution des erreurs que vous souhaitez utiliser. Le meilleur modèle est lié à l'application. Une analyse GARCH réaliste implique donc de spécifier, d'estimer et de tester plusieurs modèles GARCH.
En R, c'est simple grâce au paquet rugarch d'Alexios Ghalanos. Ce paquet a déjà été chargé pour vous. Vous l'utiliserez pour analyser les rendements quotidiens dans sp500ret.
Cette activité fait partie du cours
Modèles GARCH en R
Instructions de l’exercice
- Utilisez
ugarchspec()pour indiquer que vous voulez estimer un modèle GARCH(1,1) standard avec moyenne constante et une distribution normale pour les erreurs de prévision. - Utilisez
ugarchfit()pour estimer le modèle par maximum de vraisemblance. - Utilisez la méthode
sigma()pour récupérer les volatilités estimées. - Tracez les prévisions de volatilité pour 2017.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Specify a standard GARCH model with constant mean
garchspec <- ___(mean.model = list(armaOrder = ___),
variance.model = list(model = "___"),
distribution.model = "___")
# Estimate the model
garchfit <- ___(data = ___, spec = ___)
# Use the method sigma to retrieve the estimated volatilities
garchvol <- ___
# Plot the volatility for 2017
___(___["2017"])