AIC/BICに基づいて最良モデルを選びましょう
この演習では、情報量基準を使って最も適合の良いモデルを選ぶ練習をします。
情報量基準は、適合度とモデルの複雑さのトレードオフを評価する指標です。AIC と BIC はモデル選択でよく使われる代表的な情報量基準です。どちらもパラメータ数が多い、つまり複雑なモデルに対してペナルティを課します。AIC/BIC は小さいほど良いモデルです。
GJR-GARCH モデルと EGARCH モデルが S&P 500 のリターンデータで定義・推定されています。結果はそれぞれ gjrgm_result と egarch_result に格納されています。
この演習はコースの一部です
Pythonで学ぶGARCHモデル
実践的なインタラクティブ演習
このサンプルコードを完成させて、この演習に挑戦してみましょう。
# Print the AIC GJR-GARCH
print('AIC of GJR-GARCH model :', ____.____)
# Print the AIC of EGARCH
print('AIC of EGARCH model :', ____.____)
# Print the BIC GJR-GARCH
print('BIC of GJR-GARCH model :', ____.____)
# Print the BIC of EGARCH
print('BIC of EGARCH model :', ____.____)