Ajuster des modèles GARCH aux cryptomonnaies
Les marchés financiers réagissent souvent très différemment aux bonnes et aux mauvaises nouvelles, comme en témoignent les fortes fluctuations observées sur le marché des cryptomonnaies ces dernières années.
Dans cet exercice, vous allez implémenter en Python un modèle GJR-GARCH puis un modèle EGARCH, deux approches courantes pour capturer l’asymétrie des réactions de la volatilité. Vous travaillerez avec un jeu de données de cryptomonnaie, bitcoin_data, qui contient deux colonnes : le prix de clôture "Close" et le "Return".
Le jeu de données bitcoin_data a été préchargé, et les prix historiques de la colonne "Close" ont été tracés.
Cet exercice fait partie du cours
Modèles GARCH en Python
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Specify model assumptions
gjr_gm = arch_model(bitcoin_data['Return'], p = 1, q = 1, o = ____, vol = 'GARCH', dist = 't')
# Fit the model
gjrgm_result = gjr_gm.fit(disp = 'off')
# Print model fitting summary
print(____.____())