Amati dampak parameter model
Dalam latihan ini, Anda akan memanggil kembali fungsi pradefinisi simulate_GARCH() dan mempelajari dampak parameter model GARCH pada hasil simulasi.
Secara khusus, Anda akan mensimulasikan dua deret waktu GARCH(1,1); keduanya memiliki omega dan alpha yang sama, tetapi beta yang berbeda sebagai masukan.
Ingat bahwa pada GARCH(1,1), karena \(\beta\) adalah koefisien varians lag-1, jika \(\alpha\) tetap, semakin besar \(\beta\), semakin lama durasi dampaknya. Dengan kata lain, periode volatilitas tinggi atau rendah cenderung bertahan. Perhatikan hasil plot dan lihat apakah Anda dapat memverifikasi dampak \(\beta\).
Latihan ini adalah bagian dari kursus
Model GARCH di Python
Latihan interaktif praktis
Cobalah latihan ini dengan menyelesaikan kode contoh berikut.
# 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()