Escolha o vencedor com base na log-verossimilhança
Neste exercício, você vai praticar o uso da log-verossimilhança para escolher o modelo com melhor ajuste.
Modelos GARCH usam o método de máxima verossimilhança para estimar parâmetros. Em geral, quanto maior a log-verossimilhança, melhor o modelo, pois isso indica uma maior probabilidade de ter observado os dados obtidos.
Dois modelos GARCH com diferentes suposições de distribuição foram definidos e ajustados com os retornos do S&P 500. O GARCH com distribuição normal está salvo em normal_result, e o GARCH com distribuição t de Student assimétrica (skewed) está salvo em skewt_result.
Este exercício faz parte do curso
Modelos GARCH em Python
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# 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 :', ____.____)