Ajuster un GARCH avec une loi t asymétrique
L’hypothèse par défaut d’une distribution normale pour les résidus standardisés dans les modèles GARCH ne reflète pas la réalité des marchés. Des queues épaisses et de l’asymétrie sont fréquemment observées dans les rendements financiers.
Dans cet exercice, vous allez améliorer le modèle GARCH en supposant une loi t de Student asymétrique. Vous comparerez aussi la volatilité estimée par ce modèle à celle d’un modèle avec hypothèse normale en les traçant ensemble.
Un modèle GARCH avec l’hypothèse normale par défaut a déjà été ajusté pour vous, et son estimation de volatilité est stockée dans normal_vol.
Cet exercice fait partie du cours
Modèles GARCH en Python
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Specify GARCH model assumptions
skewt_gm = arch_model(sp_data['Return'], p = 1, q = 1, mean = 'constant', vol = 'GARCH', ____ = '____')
# Fit the model
skewt_result = skewt_gm.____()