GARCH-modellen toepassen op cryptocurrency
Financiële markten reageren vaak heel anders op positief en negatief nieuws, en een voorbeeld daarvan zijn de sterke schommelingen die de afgelopen jaren in de cryptomarkt zijn waargenomen.
In deze oefening implementeer je respectievelijk een GJR-GARCH- en een EGARCH-model in Python. Deze modellen worden vaak gebruikt om de asymmetrische reacties van volatiliteit te modelleren. Je werkt met de cryptocurrency-gegevensset bitcoin_data, met twee kolommen: "Close"-prijs en "Return".
De gegevensset bitcoin_data is alvast voor je ingeladen, en de historische prijzen in de kolom "Close" zijn uitgezet in een grafiek.
Deze oefening maakt deel uit van de cursus
GARCH-modellen in Python
Interactieve oefening met praktijkervaring
Probeer deze oefening door deze voorbeeldcode aan te vullen.
# Specify model assumptions
gjr_gm = arch_model(bitcoin_data['Return'], p = 1, q = 1, o = ____, vol = 'GARCH', dist = 't')
# Fit the model
gjrgm_result = gjr_gm.fit(disp = 'off')
# Print model fitting summary
print(____.____())