Wybierz najlepszy model na podstawie AIC/BIC
W tym ćwiczeniu przećwiczysz używanie kryteriów informacyjnych do wyboru modelu o najlepszym dopasowaniu.
Kryteria informacyjne służą do oceny kompromisu między jakością dopasowania a złożonością modelu. AIC i BIC to dwa najczęściej stosowane kryteria informacyjne w procesie selekcji modeli. Oba nakładają kary na modele z większą liczbą parametrów, czyli modele bardziej złożone. Im niższa wartość AIC lub BIC, tym lepszy model.
Model GJR-GARCH i model EGARCH zostały zdefiniowane i dopasowane do danych zwrotów indeksu S&P 500. Ich wyniki są dostępne odpowiednio w gjrgm_result i egarch_result.
To ćwiczenie jest częścią kursu
Modele GARCH w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Print the AIC GJR-GARCH
print('AIC of GJR-GARCH model :', ____.____)
# Print the AIC of EGARCH
print('AIC of EGARCH model :', ____.____)
# Print the BIC GJR-GARCH
print('BIC of GJR-GARCH model :', ____.____)
# Print the BIC of EGARCH
print('BIC of EGARCH model :', ____.____)