Bekijk het effect van modelparameters
In deze oefening roep je opnieuw de vooraf gedefinieerde functie simulate_GARCH() aan en onderzoek je het effect van GARCH-modelparameters op gesimuleerde resultaten.
Je simuleert specifiek twee GARCH(1,1)-tijdreeksen. Ze hebben dezelfde omega en alpha, maar een verschillende beta als input.
Onthoud dat in GARCH(1,1), omdat \(\beta\) de coëfficiënt is van de variantie met vertraging 1, bij een vaste \(\alpha\) geldt: hoe groter \(\beta\), hoe langer het effect aanhoudt. Met andere woorden, perioden van hoge of lage volatiliteit hebben de neiging om te blijven voortduren. Let op de weergegeven resultaten en kijk of je het effect van \(\beta\) kunt bevestigen.
Deze oefening maakt deel uit van de cursus
GARCH-modellen in Python
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# First simulated GARCH
sim_resid, sim_variance = simulate_GARCH(n = ____, omega = ____,
alpha = ____, beta = ____)
plt.plot(sim_variance, color = 'orange', label = 'Variance')
plt.plot(sim_resid, color = 'green', label = 'Residuals')
plt.legend(loc='upper right')
plt.show()