로그우도(log-likelihood)로 더 나은 모델 고르기
이 연습 문제에서는 로그우도(log-likelihood)를 사용해 가장 적합도가 높은 모델을 선택하는 방법을 연습해 봅니다.
GARCH 모델은 최대우도법으로 모수(파라미터)를 추정합니다. 일반적으로 로그우도 값이 클수록, 관측한 데이터를 얻었을 가능성이 크다는 뜻이므로 모델이 더 좋다고 볼 수 있어요.
서로 다른 분포 가정을 가진 두 개의 GARCH 모델을 S&P 500 수익률 데이터에 적합했습니다. 정규분포를 가정한 GARCH 결과는 normal_result에, 비대칭 Student's t-분포를 가정한 GARCH 결과는 skewt_result에 저장되어 있습니다.
이 연습은 강의의 일부입니다
Python으로 배우는 GARCH 모델
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# 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 :', ____.____)