Scegli il migliore in base alla log-verosimiglianza
In questo esercizio metterai in pratica l’uso della log-verosimiglianza per scegliere il modello con il miglior adattamento.
I modelli GARCH utilizzano il metodo della massima verosimiglianza per stimare i parametri. In generale, più alta è la log-verosimiglianza, migliore è il modello, perché indica una probabilità maggiore di aver osservato i dati che hai ottenuto.
Sono stati definiti e stimati due modelli GARCH con diverse ipotesi di distribuzione sui rendimenti dell’S&P 500. Il GARCH con distribuzione normale è salvato in normal_result, mentre il GARCH con distribuzione t di Student asimmetrica (skewed) è salvato in skewt_result.
Questo esercizio fa parte del corso
Modelli GARCH in Python
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# Print normal GARCH model summary
print(____.____())
# Print skewed GARCH model summary
print(____.____())
# Print the log-likelihood of normal GARCH
print('Log-likelihood of normal GARCH :', ____.____)
# Print the log-likelihood of skewt GARCH
print('Log-likelihood of skewt GARCH :', ____.____)