MulaiMulai sekarang secara gratis

Dampak model mean pada prediksi volatilitas

Pemodelan dinamika mean umumnya berdampak besar pada prediksi return yang diperoleh, tetapi hanya berdampak kecil pada prediksi volatilitas. Dampaknya pada prediksi volatilitas begitu kecil sehingga, jika yang diminati hanya dinamika volatilitas, biasanya Anda dapat mengabaikan dinamika mean dan cukup mengasumsikan spesifikasi paling sederhana, yaitu model mean konstan.

Mari kita uji ini untuk return harian Microsoft. Prediksi mean dan volatilitas dari estimasi GARCH dengan asumsi mean konstan dan AR(1) sudah tersedia di konsol sebagai variabel constmean_mean, ar1_mean, constmean_vol, dan ar1_vol.

Latihan ini adalah bagian dari kursus

Model GARCH di R

Lihat Kursus

Petunjuk latihan

  • Lengkapi kode untuk mengestimasi model GARCH-in-mean.
  • Hitung prediksi mean dan volatilitas.
  • Lengkapi kode untuk menghitung korelasi antara prediksi return AR(1) dan GARCH-in-mean.
  • Lengkapi kode untuk menghitung korelasi dari ketiga prediksi volatilitas.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# GARCH-in-Mean specification and estimation
gim_garchspec <- ___( 
  mean.model = list(armaOrder = c(0,0), archm = ___, archpow = ___),
  variance.model = list(model = "gjrGARCH"), distribution.model = "sstd")
gim_garchfit <- ___(data = msftret , ___ = ___)

# Predicted mean returns and volatility of GARCH-in-mean
gim_mean <- ___(___)
gim_vol <- ___(___)

# Correlation between predicted return using AR(1) and GARCH-in-mean models
___(___, ___)

# Correlation between predicted volatilities across mean.models
___(merge(constmean_vol, ar1_vol, gim_vol))
Edit dan Jalankan Kode