Zacznij terazZacznij za darmo

Dynamika AR(1)-GJR GARCH dla stóp zwrotu MSFT

Z materiału wideo wiesz już, że znak parametru autoregresyjnego w modelu AR(1) zależy od reakcji rynku na napływające informacje.

Dodatnia wartość \(\rho \) odpowiada interpretacji, w której rynek reaguje zbyt słabo na nowe informacje – prowadzi to do efektu momentum w stopach zwrotu. Ujemna wartość \(\rho \) odpowiada interpretacji, w której rynek reaguje zbyt gwałtownie – prowadzi to do efektu odwrócenia (reversal) w stopach zwrotu.

Czy dzienne stopy zwrotu Microsoftu charakteryzują się efektem momentum, czy efektem odwrócenia w dynamice AR(1)? Sprawdź to, szacując parametry modelu AR(1)-GJR GARCH na podstawie dziennych stóp zwrotu Microsoftu zapisanych w msftret.

To ćwiczenie jest częścią kursu

Modele GARCH w R

Zobacz kurs

Instrukcje do ćwiczenia

  • armaOrder = c(1,2) odpowiada modelowi ARMA(1,2). Model AR(1) jest równoważny modelowi ARMA(1,0).
  • Uzupełnij argument mean.model w funkcji ugarchspec, aby określić używany model AR(1).
  • Oszacuj model.
  • Wyświetl dwa pierwsze współczynniki oszacowanego modelu GARCH.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Specify AR(1)-GJR GARCH model
garchspec <- ugarchspec(mean.model = list(armaOrder = ___ ),
                        variance.model = list(model = "gjrGARCH"),
                        distribution.model = "sstd")

# Estimate the model
garchfit <- ___

# Print the first two coefficients
___(___)[c(1:2)]
Edytuj i uruchom kod