始める無料で始める

平均モデルがボラティリティ予測に与える影響

平均のダイナミクスをモデル化すると、通常は予測リターンに大きな影響がありますが、ボラティリティ予測への影響は小さいことが多いです。ボラティリティ予測への影響は非常に小さいため、関心がボラティリティのダイナミクスに限られる場合は、平均のダイナミクスを無視して、最も単純な定常平均（constant mean）モデルを仮定しても問題ないことがよくあります。

これを Microsoft の日次リターンで確かめましょう。定常平均と AR(1) を仮定した GARCH 推定による予測平均と予測ボラティリティは、すでに constmean_mean、ar1_mean、constmean_vol、ar1_vol という変数としてコンソールに用意されています。

この演習はコースの一部です

Rで学ぶGARCHモデル

コースを見る

演習の手順

  • GARCH-in-mean モデルを推定するコードを完成させてください。
  • 予測された平均とボラティリティを計算してください。
  • AR(1) と GARCH-in-mean のリターン予測の相関を計算するコードを完成させてください。
  • 3 つすべてのボラティリティ予測の相関を計算するコードを完成させてください。

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。

# GARCH-in-Mean specification and estimation
gim_garchspec <- ___( 
  mean.model = list(armaOrder = c(0,0), archm = ___, archpow = ___),
  variance.model = list(model = "gjrGARCH"), distribution.model = "sstd")
gim_garchfit <- ___(data = msftret , ___ = ___)

# Predicted mean returns and volatility of GARCH-in-mean
gim_mean <- ___(___)
gim_vol <- ___(___)

# Correlation between predicted return using AR(1) and GARCH-in-mean models
___(___, ___)

# Correlation between predicted volatilities across mean.models
___(merge(constmean_vol, ar1_vol, gim_vol))
コードを編集して実行