Stima un GARCH con distribuzione t asimmetrica
L'ipotesi predefinita di normalità per i residui standardizzati usata nei modelli GARCH non rappresenta bene il mondo finanziario reale. Nei rendimenti finanziari si osservano spesso code pesanti e asimmetria.
In questo esercizio, migliorerai il modello GARCH usando l'ipotesi di una distribuzione t di Student asimmetrica. Inoltre, confronterai la volatilità stimata dal modello con quella di un modello con ipotesi di distribuzione normale, tracciandole insieme.
Un modello GARCH con l'ipotesi predefinita di normalità è già stato stimato per te, e la sua stima di volatilità è salvata in normal_vol.
Questo esercizio fa parte del corso
Modelli GARCH in Python
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# Specify GARCH model assumptions
skewt_gm = arch_model(sp_data['Return'], p = 1, q = 1, mean = 'constant', vol = 'GARCH', ____ = '____')
# Fit the model
skewt_result = skewt_gm.____()