Specificeer en proef de smaken van het GARCH-model
In de volgende hoofdstukken zie je dat GARCH-modellen in veel smaken komen. Je begint daarom met het specificeren van het gemiddelde-model, het variantie-model en de foutverdeling die je wilt gebruiken. Het beste model is toepassingsafhankelijk. Een realistische GARCH-analyse houdt dus in dat je verschillende GARCH-modellen specificeert, schat en test.
In R is dit eenvoudig dankzij het rugarch-pakket van Alexios Ghalanos. Dit pakket is al voor je geladen. Je past het toe op de dagrendementen in sp500ret.
Deze oefening maakt deel uit van de cursus
GARCH-modellen in R
Oefeninstructies
- Gebruik
ugarchspec()om aan te geven dat je een standaard GARCH(1,1)-model met een constant gemiddelde en een normale verdeling voor de voorspellingsfouten wilt schatten. - Gebruik
ugarchfit()om het model met maximum likelihood te schatten. - Gebruik de methode
sigma()om de geschatte volatiliteiten op te halen. - Plot de volatiliteitsvoorspellingen voor 2017.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Specify a standard GARCH model with constant mean
garchspec <- ___(mean.model = list(armaOrder = ___),
variance.model = list(model = "___"),
distribution.model = "___")
# Estimate the model
garchfit <- ___(data = ___, spec = ___)
# Use the method sigma to retrieve the estimated volatilities
garchvol <- ___
# Plot the volatility for 2017
___(___["2017"])