Observer l’impact des paramètres du modèle
Dans cet exercice, vous allez à nouveau appeler la fonction prédéfinie simulate_GARCH() et étudier l’impact des paramètres d’un modèle GARCH sur les résultats simulés.
Plus précisément, vous allez simuler deux séries temporelles GARCH(1,1) : elles ont le même omega et le même alpha, mais des valeurs de beta différentes en entrée.
Rappelez-vous que, dans un GARCH(1,1), comme \(\beta\) est le coefficient de la variance à l’ordre 1, si \(\alpha\) est fixé, plus \(\beta\) est grand, plus l’effet persiste dans le temps. Autrement dit, les périodes de forte ou de faible volatilité ont tendance à durer. Observez attentivement les graphiques et vérifiez si vous pouvez confirmer l’effet de \(\beta\).
Cet exercice fait partie du cours
Modèles GARCH en Python
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# First simulated GARCH
sim_resid, sim_variance = simulate_GARCH(n = ____, omega = ____,
alpha = ____, beta = ____)
plt.plot(sim_variance, color = 'orange', label = 'Variance')
plt.plot(sim_resid, color = 'green', label = 'Residuals')
plt.legend(loc='upper right')
plt.show()