Adu cepat

Sekarang Anda diminta melakukan adu cepat dalam hal akurasi peramalan antara dua pendekatan untuk membuat prediksi model GARCH bergulir:

garchroll: model GARCH standar AR(1) dan sebaran student \(t\)
gjrgarchroll: model GJR GARCH AR(1) dan sebaran student \(t\) yang menyimpang (skewed).

Estimasi bergulir diimplementasikan dengan n.start = 2500, refit.window = "moving", refit.every = 500.

Objek ugarchroll yang dihasilkan tersedia di konsol.

Latihan ini merupakan bagian dari kursus

Model GARCH di R

Lihat Kursus

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Inspect the first three rows of the dataframe with out of sample predictions
garchpreds <- as.data.frame(garchroll)
head(garchpreds, ___)

Edit dan Jalankan Kode

Latihan ini merupakan bagian dari kursus

Model GARCH di R

SkillTag.level.advancedSkillTag.label

4.8+

95 reviews

Mulai Kursus Gratis

Kita mulai dengan langsung terjun ke data. Analisis jendela bergulir atas imbal hasil harian saham menunjukkan bahwa simpangan bakunya berubah drastis sepanjang waktu. Melihat ke belakang, kita memiliki bukti jelas adanya volatilitas yang berubah terhadap waktu. Melihat ke depan, kita perlu mengestimasi volatilitas imbal hasil di masa depan. Inilah esensi yang dilakukan model GARCH! Pada bab ini, Anda akan mempelajari dasar penggunaan paket rugarch untuk menspesifikasikan dan mengestimasi model andalan GARCH(1,1) di R. Kita akhiri dengan menunjukkan kegunaannya dalam alokasi aset taktis.

Exercise 1: Menganalisis volatilitas Exercise 2: Menghitung return Exercise 3: Simpangan baku pada sub-sampel Exercise 4: Gulung, gulung, gulung Exercise 5: Persamaan GARCH untuk prediksi volatilitas Exercise 6: Reaksi GARCH(1,1) terhadap kejutan satu kali Exercise 7: Galat prediksi Exercise 8: Sifat rekursif dari ragam GARCH Exercise 9: Paket rugarch Exercise 10: Spesifikasikan dan cicipi berbagai varian model GARCH Exercise 11: Peramalan out-of-sample Exercise 12: Penetapan target volatilitas dalam alokasi aset taktis

Pasar naik perlahan, turun secepat lift. Kearifan Wall Street ini memiliki konsekuensi penting bagi penentuan spesifikasi model volatilitas yang realistis. Hal ini menuntut kita meninggalkan asumsi kenormalan, serta respons volatilitas yang simetris terhadap guncangan. Pada bab ini, Anda akan mempelajari model GARCH dengan efek leverage dan inovasi skewed student t. Pada akhir bab, Anda akan mampu menggunakan model GARCH untuk mengestimasi lebih dari sepuluh ribu spesifikasi model GARCH yang berbeda.

Exercise 1: Ketidaknormalan dari imbal hasil yang distandardisasi Exercise 2: Parameter sebaran student t menceng (skewed student t)Exercise 3: Estimasi model GARCH non-normal Exercise 4: Return terstandarisasi Exercise 5: Efek leverage Exercise 6: Kurva dampak berita Exercise 7: Estimasi model GJR GARCH Exercise 8: Model mean Exercise 9: Memprediksi return Exercise 10: Dinamika AR(1)-GJR GARCH dari imbal hasil MSFT Exercise 11: Dampak model mean pada prediksi volatilitas Exercise 12: Hindari kompleksitas yang tidak perlu Exercise 13: Pilihan pemodelan Exercise 14: Menetapkan parameter GARCH Exercise 15: Batas parameter dan dampaknya pada peramalan Exercise 16: Variance targeting

Model GARCH menghasilkan prakiraan volatilitas yang menjadi masukan bagi pengambilan keputusan keuangan. Penggunaannya dalam praktik menuntut evaluasi terlebih dahulu atas kualitas prakiraan volatilitas. Pada bab ini, Anda akan mempelajari analisis signifikansi statistik dari parameter GARCH yang diestimasi, sifat-sifat imbal hasil yang distandardisasi, interpretasi kriteria informasi, serta penggunaan estimasi GARCH bergulir dan galat kuadrat rataan untuk menganalisis ketepatan prakiraan volatilitas.

Exercise 1: Signifikansi statistik Exercise 2: Pengujian signifikansi Exercise 3: Menganalisis output estimasi Exercise 4: Model yang lebih baik untuk imbal hasil EUR/USD Exercise 5: Kecocokan Model Exercise 6: Parsimoni Exercise 7: Galat prediksi kuadrat rata-rata (MSE)Exercise 8: Membandingkan likelihood dan kriteria informasi Exercise 9: Mendiagnosis return tersandardisasi absolut Exercise 10: Validasi asumsi model GARCH Exercise 11: Korelogram dan uji Ljung-Box Exercise 12: Ubah sampel estimasi Exercise 13: Uji balik menggunakan ugarchroll Exercise 14: Argumen ugarchroll Exercise 15: Volatilitas in-sample versus rolling sample Exercise 16: Adu cepat

Latihan Saat Ini

Pada tahap ini, Anda menguasai spesifikasi, estimasi, dan validasi standar model GARCH dalam paket rugarch. Bab ini memperkenalkan fungsionalitas khusus rugarch untuk membuat estimasi value-at-risk, menggunakan model GARCH dalam produksi, dan mensimulasikan imbal hasil GARCH. Anda juga akan mengetahui bahwa keberadaan dinamika GARCH pada varians berdampak pada simulasi log-return, estimasi beta suatu saham, dan pencarian portofolio varians minimum.

Exercise 1: Value-at-risk Exercise 2: Plot VaR Exercise 3: Pergerakan bersama antara volatilitas terprediksi dan VaR Exercise 4: Sensitivitas cakupan terhadap model distribusi Exercise 5: Untuk produksi dan simulasi Exercise 6: Return aktual versus return simulasi Exercise 7: Penggunaan dalam produksi Exercise 8: Penggunaan dalam simulasi Exercise 9: Risiko model Exercise 10: Kaum Robustnik Exercise 11: Nilai awal Exercise 12: Kovarians GARCH Exercise 13: Estimasi beta Exercise 14: Bobot portofolio varians minimum Exercise 15: GARCH & Co Exercise 16: Selamat