Mulai sekarangMulai gratis

Variance targeting

Volatilitas imbal hasil keuangan membentuk klaster sepanjang waktu: periode volatilitas di atas rata-rata diikuti oleh periode volatilitas di bawah rata-rata. Prediksi jangka panjangnya adalah:

  • ketika volatilitas tinggi, volatilitas akan menurun dan kembali ke rata-rata jangka panjangnya.
  • ketika volatilitas rendah, volatilitas akan meningkat dan kembali ke rata-rata jangka panjangnya.

Dalam estimasi model GARCH, kita dapat memanfaatkan sifat kembali ke rata-rata dari volatilitas melalui variance targeting. Kita kemudian mengestimasi parameter GARCH sedemikian rupa sehingga volatilitas jangka panjang yang diimplikasikan oleh model GARCH sama dengan simpangan baku sampel.

Mari kita terapkan ini pada imbal hasil EUR/USD.

Latihan ini merupakan bagian dari kursus

Model GARCH di R

Lihat Kursus

Instruksi latihan

  • Ubah spesifikasi GARCH sehingga menggunakan variance targeting.
  • Estimasi model GARCH.
  • Gunakan uncvariance() untuk menghitung simpangan baku jangka panjang yang diimplikasikan GARCH.
  • Verifikasi bahwa setelah pembulatan, angka ini sama dengan simpangan baku sampel.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Complete the specification to do variance targeting
garchspec <- ugarchspec(mean.model = list(armaOrder = c(0,0)),
                        variance.model = list(model = "sGARCH",
                                             ___ = ___),
                        distribution.model = "std")

# Estimate the model
garchfit <- ___(data = EURUSDret, spec = garchspec)

# Print the GARCH model implied long run volatility
sqrt(___(___))

# Verify that it equals the standard deviation (after rounding)
all.equal(sqrt(uncvariance(garchfit)), ___(EURUSDret), tol = 1e-4)
Edit dan Jalankan Kode