Ajuste um GARCH com distribuição t assimétrica
A suposição padrão de distribuição normal dos resíduos padronizados usada em modelos GARCH não representa bem o mundo financeiro real. Caudas pesadas e assimetria são frequentemente observadas em dados de retornos financeiros.
Neste exercício, você vai melhorar o modelo GARCH usando a suposição de uma distribuição t de Student assimétrica. Além disso, você vai comparar a volatilidade estimada pelo modelo com a de um modelo com suposição de distribuição normal, plotando as duas juntas.
Um modelo GARCH com a suposição padrão de distribuição normal já foi ajustado para você, e sua estimativa de volatilidade foi salva em normal_vol.
Este exercício faz parte do curso
Modelos GARCH em Python
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Specify GARCH model assumptions
skewt_gm = arch_model(sp_data['Return'], p = 1, q = 1, mean = 'constant', vol = 'GARCH', ____ = '____')
# Fit the model
skewt_result = skewt_gm.____()