ComeçarComece de graça

A dinâmica AR(1)-GJR GARCH dos retornos da MSFT

Você viu no vídeo que o sinal do parâmetro autorregressivo no modelo AR(1) depende da reação do mercado às notícias

Um valor positivo de \(\rho\) é consistente com a interpretação de que os mercados sub-reagem às notícias, gerando momentum nos retornos. Um valor negativo de \(\rho\) é consistente com a interpretação de que os mercados super-reagem às notícias, gerando reversão nos retornos.

Os retornos diários da Microsoft apresentam momentum ou efeito de reversão em sua dinâmica AR(1)? Vamos descobrir estimando os parâmetros do modelo AR(1)-GJR GARCH usando os retornos diários da Microsoft em msftret.

Este exercício faz parte do curso

Modelos GARCH em R

Ver curso

Instruções do exercício

  • armaOrder = c(1,2) corresponde a um modelo ARMA(1,2). Um modelo AR(1) é o mesmo que ARMA(1,0).
  • Complete o argumento mean.model em ugarchspec para especificar o modelo AR(1) a ser usado.
  • Estime o modelo.
  • Imprima os dois primeiros coeficientes do modelo GARCH estimado.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# 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)]
Editar e executar o código