CommencerCommencer gratuitement

Spécifier et goûter aux variantes du modèle GARCH

Dans les chapitres suivants, vous verrez que les modèles GARCH existent en de nombreuses variantes. Il faut donc commencer par définir le modèle de moyenne, le modèle de variance et la distribution des erreurs que vous souhaitez utiliser. Le meilleur modèle est spécifique à l’application. Une analyse GARCH réaliste consiste ainsi à spécifier, estimer et tester plusieurs modèles GARCH.

En R, cela est simple grâce au package rugarch d’Alexios Ghalanos. Ce package a déjà été chargé pour vous. Vous l’appliquerez à l’analyse des rendements quotidiens dans sp500ret.

Cet exercice fait partie du cours

Modèles GARCH en R

Afficher le cours

Instructions

  • Utilisez ugarchspec() pour spécifier l’estimation d’un modèle GARCH(1,1) standard avec moyenne constante et une distribution normale pour les erreurs de prédiction.
  • Utilisez ugarchfit() pour estimer le modèle par maximum de vraisemblance.
  • Utilisez la méthode sigma() pour récupérer les volatilités estimées.
  • Tracez les prévisions de volatilité pour 2017.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Specify a standard GARCH model with constant mean
garchspec <- ___(mean.model = list(armaOrder = ___),
                 variance.model = list(model = "___"), 
                 distribution.model = "___")

# Estimate the model
garchfit <- ___(data = ___, spec = ___)

# Use the method sigma to retrieve the estimated volatilities 
garchvol <- ___ 

# Plot the volatility for 2017
___(___["2017"])
Modifier et exécuter le code