Mean Squared Prediction Errors
Het GJR-GARCH-model is een generalisatie van het GARCH-model. Het zou daarom tot een betere fit moeten leiden in termen van lagere Mean Squared Errors (MSE). Laten we dat controleren op de Microsoft-rendementen msftret, waarbij garchfit overeenkomt met de schatting met het standaard GARCH(1,1)-model, en gjrfit met de GJR-schatting. Onthoud dat je de vector met voorspellingsfouten \(e\) voor het gemiddelde kunt berekenen met de methode residuals(). De voorspellingsfout voor de variantie is gelijk aan het verschil tussen \(e^2\) en de voorspelde GARCH-variantie.
Deze oefening maakt deel uit van de cursus
GARCH-modellen in R
Oefeninstructies
- Bereken de vector met voorspellingsfouten voor de gemiddelden met de methode
residuals(). - Maak de code af voor het berekenen van de MSE voor de
garchfit-schattingsoutput. - Bereken de MSE voor de
gjrfit-schattingsoutput.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Compute prediction errors
garcherrors <- ___(garchfit)
gjrerrors <- ___(gjrfit)
# Compute MSE for variance prediction of garchfit model
___((___(garchfit)___ - garcherrors^2)___)
# Compute MSE for variance prediction of gjrfit model
___