Pilih pemenang berdasarkan AIC/BIC
Dalam latihan ini, Anda akan berlatih menggunakan kriteria informasi untuk memilih model dengan kecocokan terbaik.
Kriteria informasi bertujuan mengukur trade-off antara kecocokan model dan kompleksitas model. AIC dan BIC adalah dua kriteria informasi yang umum digunakan untuk pemilihan model. Keduanya memberikan penalti pada model dengan lebih banyak parameter, atau model yang lebih kompleks. Semakin rendah nilai AIC atau BIC, semakin baik model tersebut.
Sebuah model GJR-GARCH dan model EGARCH telah didefinisikan dan dipasang (fitted) dengan data imbal hasil S&P 500. Hasilnya dapat diakses masing-masing pada gjrgm_result dan egarch_result.
Latihan ini adalah bagian dari kursus
Model GARCH di Python
Latihan interaktif praktis
Cobalah latihan ini dengan menyelesaikan kode contoh berikut.
# Print the AIC GJR-GARCH
print('AIC of GJR-GARCH model :', ____.____)
# Print the AIC of EGARCH
print('AIC of EGARCH model :', ____.____)
# Print the BIC GJR-GARCH
print('BIC of GJR-GARCH model :', ____.____)
# Print the BIC of EGARCH
print('BIC of EGARCH model :', ____.____)