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
<cours>Modèles GARCH en Python</cours>Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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()