Aan de slagBegin gratis

Effect van het mean-model op volatiliteitsvoorspellingen

Het modelleren van de dynamiek van het gemiddelde heeft meestal een groot effect op de voorspelde rendementen, maar slechts een klein effect op de volatiliteitsvoorspellingen. Dat effect is zo klein dat je, als je alleen geïnteresseerd bent in de volatiliteitsdynamiek, de dynamiek van het gemiddelde vaak kunt negeren en gewoon de eenvoudigste specificatie kunt aannemen: het model met constante mean.

Laten we dit testen voor de dagrendementen van Microsoft. De voorspelde mean en volatiliteit van de GARCH-schatting onder de aanname van respectievelijk constante mean en AR(1) zijn al beschikbaar in de console als de variabelen constmean_mean, ar1_mean, constmean_vol en ar1_vol.

Deze oefening maakt deel uit van de cursus

GARCH-modellen in R

Bekijk cursus

Oefeninstructies

  • Maak de code af om het GARCH-in-mean-model te schatten.
  • Bereken de voorspelde mean en volatiliteit.
  • Maak de code af om de correlatie te berekenen tussen de AR(1)- en GARCH-in-mean-rendementsvoorspellingen.
  • Maak de code af om de correlatie te berekenen van alle drie de volatiliteitsvoorspellingen.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# GARCH-in-Mean specification and estimation
gim_garchspec <- ___( 
  mean.model = list(armaOrder = c(0,0), archm = ___, archpow = ___),
  variance.model = list(model = "gjrGARCH"), distribution.model = "sstd")
gim_garchfit <- ___(data = msftret , ___ = ___)

# Predicted mean returns and volatility of GARCH-in-mean
gim_mean <- ___(___)
gim_vol <- ___(___)

# Correlation between predicted return using AR(1) and GARCH-in-mean models
___(___, ___)

# Correlation between predicted volatilities across mean.models
___(merge(constmean_vol, ar1_vol, gim_vol))
Code bewerken en uitvoeren