GARCHモデルは、標準化残差の分布特性について厳密な仮定を置きます。モデルがデータをうまく説明できているなら、標準化残差にはクラスタリングや自己相関が現れないはずです。
次のうち、誤っている記述はどれですか？
この演習はコースの一部です
理論を実践に変える、インタラクティブな演習のひとつをお試しください
GARCHモデルとは何か、何に使われるのか、そしてPythonでどのように実装するのか。第1章を終えると、これらの疑問に自信を持って答えられるようになります。
通常のGARCHモデルは、しばしば厚い裾、歪度、非対称ショックを示す実際の金融データを十分に表現できません。この章では、より現実的な前提でGARCHモデルを定義し、改善する方法を学びます。また、ローリングウィンドウ手法を使って、より高度なボラティリティ予測を行う方法も身につけます。
この章では、データサイエンスのモデリングにおけるKISS原則を紹介します。p値やt統計量を用いてモデル設定を簡素化し、ACFプロットやLjung-Box検定でモデルの前提を検証し、尤度と情報量基準を用いてモデル選択を行う方法を学びます。
現在の演習
最終章では、これまでに学んだGARCHモデルを実務の金融シナリオに適用する方法を学びます。リスク管理におけるVaR、資産配分における動学的共分散、ポートフォリオ運用における動学的ベータに慣れながら、実践的なスキルを磨いていきます。
