AIC/BIC으로 최적 모델 고르기
이 연습에서는 정보 기준을 사용해 가장 적합한 모델을 선택하는 방법을 연습해 볼 거예요.
정보 기준은 적합도와 모델 복잡성 간의 균형을 정량화하려는 지표입니다. AIC와 BIC는 모델 선택에 흔히 쓰이는 정보 기준으로, 둘 다 더 많은 매개변수를 가진 모델, 즉 더 복잡한 모델에 패널티를 부과합니다. AIC나 BIC 값이 낮을수록 더 좋은 모델입니다.
GJR-GARCH 모델과 EGARCH 모델이 S&P 500 수익률 데이터로 이미 정의되고 적합되었습니다. 결과 객체는 각각 gjrgm_result, egarch_result에서 확인할 수 있어요.
이 연습은 강의의 일부입니다
Python으로 배우는 GARCH 모델
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# 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 :', ____.____)