Pilih pemenang berdasarkan log-likelihood
Dalam latihan ini, Anda akan berlatih menggunakan log-likelihood untuk memilih model dengan kecocokan terbaik.
Model GARCH menggunakan metode maksimum likelihood untuk mengestimasi parameter. Secara umum, semakin besar nilai log-likelihood, semakin baik model tersebut karena mengindikasikan probabilitas yang lebih tinggi untuk mengamati data yang Anda miliki.
Dua model GARCH dengan asumsi distribusi yang berbeda telah didefinisikan dan difit menggunakan data imbal hasil S&P 500. Model GARCH dengan distribusi normal disimpan di normal_result, dan model GARCH dengan distribusi Student's t miring disimpan di skewt_result.
Latihan ini merupakan bagian dari kursus
Model GARCH di Python
Latihan interaktif langsung praktik
Cobalah latihan ini dengan melengkapi kode contoh ini.
# Print normal GARCH model summary
print(____.____())
# Print skewed GARCH model summary
print(____.____())
# Print the log-likelihood of normal GARCH
print('Log-likelihood of normal GARCH :', ____.____)
# Print the log-likelihood of skewt GARCH
print('Log-likelihood of skewt GARCH :', ____.____)