Kies een winnaar op basis van AIC/BIC
In deze oefening oefen je met het gebruiken van informatiecriteria om het best passende model te kiezen.
Informatiecriteria meten de afweging tussen goodness of fit en modelcomplexiteit. AIC en BIC zijn twee veelgebruikte informatiecriteria voor modelselectie. Beide leggen een straf op aan modellen met meer parameters, ofwel complexere modellen. Hoe lager de AIC of BIC, hoe beter het model.
Er zijn een GJR-GARCH-model en een EGARCH-model gedefinieerd en gefit op de S&P 500-rendementsdata. Hun resultaten zijn respectievelijk beschikbaar in gjrgm_result en egarch_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 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 :', ____.____)