Kies een winnaar op basis van de log-likelihood
In deze oefening ga je oefenen met het gebruiken van de log-likelihood om het model met de beste fit te kiezen.
GARCH-modellen schatten parameters met de maximum-likelihoodmethode. Over het algemeen geldt: hoe groter de log-likelihood, hoe beter het model, omdat dat een hogere kans aangeeft om de geobserveerde data te krijgen.
Twee GARCH-modellen met verschillende verdelingsaannames zijn gedefinieerd en gefit op S&P 500-rendementsdata. Het GARCH-model met normale verdeling staat in normal_result, en het GARCH-model met scheve Student-t-verdeling staat in skewt_result.
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.
# 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 :', ____.____)