Dopasowanie modeli GARCH do kryptowalut
Rynki finansowe reagują bardzo różnie na pozytywne i negatywne wstrząsy informacyjne – doskonałym przykładem są gwałtowne wahania obserwowane na rynku kryptowalut w ostatnich latach.
W tym ćwiczeniu zaimplementujesz w Pythonie modele GJR-GARCH i EGARCH, które są popularnym wyborem do modelowania asymetrycznych reakcji zmienności. Będziesz pracować ze zbiorem danych bitcoin_data, zawierającym dwie kolumny: cenę zamknięcia "Close" oraz stopę zwrotu "Return".
Zbiór danych bitcoin_data jest już wczytany, a historyczne ceny z kolumny "Close" zostały wykreślone na wykresie.
To ćwiczenie jest częścią kursu
Modele GARCH w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Specify model assumptions
gjr_gm = arch_model(bitcoin_data['Return'], p = 1, q = 1, o = ____, vol = 'GARCH', dist = 't')
# Fit the model
gjrgm_result = gjr_gm.fit(disp = 'off')
# Print model fitting summary
print(____.____())