Erreurs quadratiques moyennes de prévision
Le modèle GJR-GARCH est une généralisation du modèle GARCH. Il devrait donc mieux s’ajuster, c’est-à-dire produire des erreurs quadratiques moyennes (MSE) plus faibles. Vérifions cela sur les rendements Microsoft msftret, pour lesquels garchfit correspond à l’estimation avec le modèle GARCH(1,1) standard, tandis que gjrfit est obtenu avec le modèle GJR. Rappelez-vous que vous pouvez calculer le vecteur des erreurs de prévision \(e\) pour la moyenne à l’aide de la méthode residuals(). L’erreur de prévision pour la variance est égale à la différence entre \(e^2\) et la variance GARCH prédite.
Cet exercice fait partie du cours
Modèles GARCH en R
Instructions
- Calculez le vecteur des erreurs de prévision pour les moyennes à l’aide de la méthode
residuals(). - Complétez le code pour calculer la MSE pour le résultat d’estimation
garchfit. - Calculez la MSE pour le résultat d’estimation
gjrfit.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Compute prediction errors
garcherrors <- ___(garchfit)
gjrerrors <- ___(gjrfit)
# Compute MSE for variance prediction of garchfit model
___((___(garchfit)___ - garcherrors^2)___)
# Compute MSE for variance prediction of gjrfit model
___