CommencerCommencer gratuitement

Effet du modèle de moyenne sur les prédictions de volatilité

La modélisation de la dynamique de la moyenne a généralement un impact important sur les rendements prédits, mais seulement un effet mineur sur les prédictions de volatilité. Cet effet sur la volatilité est si faible que, si l’on s’intéresse uniquement à la dynamique de volatilité, on peut en général ignorer la dynamique de la moyenne et supposer la spécification la plus simple, à savoir le modèle à moyenne constante.

Testons cela sur les rendements quotidiens de Microsoft. La moyenne et la volatilité prédites de l’estimation GARCH sous l’hypothèse de moyenne constante et sous AR(1) sont déjà disponibles dans la console sous les variables constmean_mean, ar1_mean, constmean_vol et ar1_vol.

Cet exercice fait partie du cours

Modèles GARCH en R

Afficher le cours

Instructions

  • Complétez le code pour estimer le modèle GARCH-in-mean.
  • Calculez la moyenne et la volatilité prédites.
  • Complétez le code pour calculer la corrélation entre les prédictions de rendement AR(1) et GARCH-in-mean.
  • Complétez le code pour calculer la corrélation des trois prédictions de volatilité.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# GARCH-in-Mean specification and estimation
gim_garchspec <- ___( 
  mean.model = list(armaOrder = c(0,0), archm = ___, archpow = ___),
  variance.model = list(model = "gjrGARCH"), distribution.model = "sstd")
gim_garchfit <- ___(data = msftret , ___ = ___)

# Predicted mean returns and volatility of GARCH-in-mean
gim_mean <- ___(___)
gim_vol <- ___(___)

# Correlation between predicted return using AR(1) and GARCH-in-mean models
___(___, ___)

# Correlation between predicted volatilities across mean.models
___(merge(constmean_vol, ar1_vol, gim_vol))
Modifier et exécuter le code