मॉडल पैरामीटर्स के प्रभाव का अवलोकन करें
इस अभ्यास में, आप पहले से परिभाषित फंक्शन simulate_GARCH() को फिर कॉल करेंगे और सिम्युलेटेड परिणामों पर GARCH मॉडल पैरामीटर्स के प्रभाव को समझेंगे।
विशेष रूप से, आप दो GARCH(1,1) टाइम सीरीज़ सिम्युलेट करेंगे। दोनों में omega और alpha समान होंगे, लेकिन इनपुट के रूप में beta अलग होगा।
याद करें कि GARCH(1,1) में, क्योंकि \(\beta\) lag-1 variance का गुणांक है, यदि \(\alpha\) स्थिर हो, तो जितना बड़ा \(\beta\), उतनी लंबी अवधि तक प्रभाव बना रहता है। दूसरे शब्दों में, उच्च या निम्न volatility की अवस्थाएँ बनी रहने की प्रवृत्ति रखती हैं। प्लॉट किए गए परिणामों पर ध्यान दें और देखें कि क्या आप \(\beta\) के प्रभाव को सत्यापित कर सकते हैं।
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में GARCH मॉडल
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# 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()