Zmienność próby in-sample a zmienność krocząca

Dla danej szeregu czasowego stóp zwrotu możesz oszacować zmienność GARCH za pomocą metody sigma() zastosowanej do wyniku funkcji ugarchfit lub metody as.data.frame() zastosowanej do wyniku funkcji ugarchroll. Różnica polega na tym, że ugarchfit daje in-sample oszacowanie zmienności – model GARCH jest estymowany jednorazowo na podstawie całego szeregu czasowego – natomiast ugarchroll wielokrotnie re-estymuje model, wykorzystując wyłącznie te stopy zwrotu, które są faktycznie dostępne w momencie estymacji. W tym ćwiczeniu porównaj wynikowe prognozy zmienności dla dziennych stóp zwrotu indeksu S&P 500, korzystając z modelu AR(1) GJR GARCH z rozkładem skewed student t. Specyfikacja GARCH jest już zdefiniowana i dostępna jako garchspec, a dane znajdują się w zmiennej sp500ret.

To ćwiczenie jest częścią kursu

Modele GARCH w R

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Estimate the GARCH model using all the returns and compute the in-sample estimates of volatility
garchinsample <- ___(data = sp500ret, spec = garchspec)
garchvolinsample <- ___(___)

Edytuj i uruchom kod

To ćwiczenie jest częścią kursu

Modele GARCH w R

SkillTag.level.advancedSkillTag.label

4.8+

Rozpocznij kurs za darmo

Zaczynamy od razu od praktyki. Krocząca analiza okna dla dziennych stóp zwrotu z akcji pokazuje, że odchylenie standardowe zmienia się znacząco w czasie. Patrząc wstecz, mamy wyraźne dowody na zmienną w czasie zmienność. Patrząc w przyszłość, musimy oszacować zmienność przyszłych stóp zwrotu – i właśnie do tego służy model GARCH. W tym rozdziale poznasz podstawy pakietu rugarch: jak specyfikować i estymować bazowy model GARCH(1,1) w R. Na koniec zobaczysz, jak przydaje się on w taktycznej alokacji aktywów.

Exercise 1: Analiza zmienności Exercise 2: Obliczanie stóp zwrotu Exercise 3: Odchylenie standardowe na podpróbkach Exercise 4: Kroczące okno w akcji Exercise 5: Równanie GARCH do prognozowania zmienności Exercise 6: Reakcja modelu GARCH(1,1) na jednorazowe szoki Exercise 7: Błędy predykcji Exercise 8: Rekurencyjna natura wariancji GARCH Exercise 9: Pakiet rugarch Exercise 10: Określ i poznaj różne warianty modelu GARCH Exercise 11: Prognozowanie poza próbą Exercise 12: Targetowanie zmienności w taktycznej alokacji aktywów

Rynki wchodzą po schodach, a zjeżdżają windą. Ta giełdowa mądrość ma istotne konsekwencje dla budowania realistycznego modelu zmienności. Wymaga rezygnacji z założenia o normalności rozkładu oraz symetrycznej reakcji zmienności na szoki. W tym rozdziale poznasz modele GARCH z efektem dźwigni oraz innowacjami opartymi na asymetrycznym rozkładzie t-Studenta. Po ukończeniu rozdziału będziesz w stanie szacować ponad dziesięć tysięcy różnych specyfikacji modeli GARCH.

Exercise 1: Nienormalność standaryzowanych zwrotów Exercise 2: Parametry skośnego rozkładu t-Studenta Exercise 3: Estymacja modelu GARCH z rozkładem innym niż normalny Exercise 4: Standaryzowane stopy zwrotu Exercise 5: Efekt dźwigni Exercise 6: Krzywa wpływu informacji Exercise 7: Estymacja modelu GJR GARCH Exercise 8: Model średniej Exercise 9: Prognozowanie stóp zwrotu Exercise 10: Dynamika AR(1)-GJR GARCH dla stóp zwrotu MSFT Exercise 11: Wpływ modelu średniej na prognozy zmienności Exercise 12: Unikaj niepotrzebnej złożoności Exercise 13: Wybory modelowania Exercise 14: Ustalanie parametrów modelu GARCH Exercise 15: Ograniczenia parametrów i ich wpływ na prognozy Exercise 16: Targetowanie wariancji

Modele GARCH dostarczają prognoz zmienności, które stanowią dane wejściowe dla finansowego podejmowania decyzji. Aby stosować je w praktyce, trzeba najpierw ocenić jakość tych prognoz. W tym rozdziale poznasz metody analizy istotności statystycznej szacowanych parametrów GARCH, właściwości standaryzowanych stóp zwrotu, interpretację kryteriów informacyjnych oraz zastosowanie kroczącego okna estymacji GARCH i błędu średniokwadratowego do oceny trafności prognoz zmienności.

Exercise 1: Istotność statystyczna Exercise 2: Testowanie istotności Exercise 3: Analiza wyników estymacji Exercise 4: Lepszy model dla zwrotów EUR/USD Exercise 5: Dobroć dopasowania Exercise 6: Zasada parsymonii Exercise 7: Średnie kwadratowe błędy predykcji Exercise 8: Porównanie kryterium wiarygodności i kryteriów informacyjnych Exercise 9: Diagnozowanie bezwzględnych standaryzowanych zwrotów Exercise 10: Weryfikacja założeń modelu GARCH Exercise 11: Korelogram i test Ljunga-Boxa Exercise 12: Zmiana próby estymacyjnej Exercise 13: Backtesting z użyciem ugarchroll Exercise 14: Argumenty funkcji ugarchroll Exercise 15: Zmienność próby in-sample a zmienność krocząca

Bieżące ćwiczenie

Exercise 16: Wyścig modeli

Na tym etapie opanujesz standardową specyfikację, estymację i walidację modeli GARCH w pakiecie rugarch. Ten rozdział przedstawia wybrane funkcjonalności rugarch: szacowanie wartości zagrożonej (VaR), wdrażanie modelu GARCH w środowisku produkcyjnym oraz symulowanie stóp zwrotu z modelu GARCH. Przekonasz się też, że obecność dynamiki GARCH w wariancji ma konsekwencje dla symulowania logarytmicznych stóp zwrotu, estymacji współczynnika beta akcji i wyznaczania portfela o minimalnej wariancji.

Exercise 1: Wartość zagrożona (Value-at-Risk)Exercise 2: Wykres VaR Exercise 3: Współzależność między prognozowaną zmiennością a VaR Exercise 4: Wrażliwość pokrycia na wybór modelu rozkładu Exercise 5: Zastosowania produkcyjne i symulacje Exercise 6: Zwroty rzeczywiste a symulowane Exercise 7: Zastosowanie produkcyjne Exercise 8: Zastosowanie w symulacji Exercise 9: Ryzyko modelu Exercise 10: Podejście robustne Exercise 11: Wartości startowe Exercise 12: Kowariancja GARCH Exercise 13: Szacowanie współczynnika beta Exercise 14: Wagi portfela o minimalnej wariancji Exercise 15: GARCH i spółka Exercise 16: Gratulacje