Choisir le meilleur modèle selon la log-vraisemblance
Dans cet exercice, vous allez vous entraîner à utiliser la log-vraisemblance pour choisir le modèle le mieux ajusté.
Les modèles GARCH estiment leurs paramètres par maximum de vraisemblance. En général, plus la log-vraisemblance est élevée, meilleur est le modèle, car cela indique une probabilité plus grande d’avoir observé les données obtenues.
Deux modèles GARCH avec des hypothèses de distribution différentes ont été définis et ajustés sur les rendements du S&P 500. Le GARCH à distribution normale est enregistré dans normal_result, et le GARCH à distribution t de Student asymétrique est enregistré dans skewt_result.
Cet exercice fait partie du cours
Modèles GARCH en Python
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Print normal GARCH model summary
print(____.____())
# Print skewed GARCH model summary
print(____.____())
# Print the log-likelihood of normal GARCH
print('Log-likelihood of normal GARCH :', ____.____)
# Print the log-likelihood of skewt GARCH
print('Log-likelihood of skewt GARCH :', ____.____)