Wybierz najlepszy model na podstawie log-wiarygodności
W tym ćwiczeniu przećwiczysz wybór modelu o najlepszym dopasowaniu na podstawie log-wiarygodności.
Modele GARCH wykorzystują metodę największej wiarygodności do estymacji parametrów. Ogólna zasada jest taka: im większa log-wiarygodność, tym lepszy model – oznacza to bowiem większe prawdopodobieństwo zaobserwowania posiadanych danych.
Zdefiniowano i dopasowano dwa modele GARCH o różnych założeniach dotyczących rozkładu, korzystając z danych o stopach zwrotu indeksu S&P 500. Model GARCH z rozkładem normalnym zapisany jest w normal_result, a model GARCH z asymetrycznym rozkładem t-Studenta – w skewt_result.
To ćwiczenie jest częścią kursu
Modele GARCH w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Print normal GARCH model summary
print(____.____())
# Print skewed GARCH model summary
print(____.____())
# Print the log-likelihood of normal GARCH
print('Log-likelihood of normal GARCH :', ____.____)
# Print the log-likelihood of skewt GARCH
print('Log-likelihood of skewt GARCH :', ____.____)