Dampak model mean terhadap prediksi volatilitas

Dalam praktiknya, return dan volatilitas dimodelkan dalam proses yang terpisah. Biasanya, asumsi mean memengaruhi return yang diprediksi, tetapi hanya berdampak kecil pada estimasi volatilitas.

Pada latihan ini, Anda akan menelaah dampak asumsi mean pada model GARCH terhadap estimasi volatilitas dengan membandingkan dua model GARCH. Keduanya didefinisikan dengan asumsi mean yang berbeda dan telah dipasangkan pada data S&P 500.

Model dengan asumsi "constant mean" memiliki hasil yang disimpan di cmean_result, dan estimasi volatilitas disimpan di cmean_vol. Model dengan asumsi mean autoregresif "AR(1)" atau latensi 1 memiliki hasil yang disimpan di armean_result, dan estimasi volatilitas disimpan di armean_vol. Modul matplotlib.pyplot dan numpy telah diimpor masing-masing sebagai plt dan np.

Latihan ini adalah bagian dari kursus

Model GARCH di Python

Lihat Kursus

Petunjuk latihan

Cetak dan tinjau ringkasan pemodelan dari cmean_result dan armean_result.
Plot estimasi volatilitas cmean_vol dan armean_vol dari kedua model.
Gunakan fungsi .corrcoef() dari paket numpy untuk menghitung koefisien korelasi.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# Print model summary of GARCH with constant mean
print(____.____())
# Print model summary of GARCH with AR mean
print(____.____())

# Plot model volatility 
plt.plot(____, color = 'blue', label = 'Constant Mean Volatility')
plt.plot(____, color = 'red', label = 'AR Mean Volatility')
plt.legend(loc = 'upper right')
plt.show()

# Check correlation of volatility estimations
print(np.____(____, ____)[0,1])

Edit dan Jalankan Kode