Volatilitate in-sample vs. eșantion rulant

Pentru un șir de timp dat al randamentelor, poți estima volatilitatea GARCH folosind metoda sigma() aplicată rezultatului din ugarchfit sau metoda as.data.frame() aplicată rezultatului din ugarchroll. Diferența constă în faptul că ugarchfit produce o estimare in-sample a volatilității, obținută prin estimarea modelului GARCH o singură dată pe întreaga serie de timp, în timp ce ugarchroll re-estimează modelul folosind doar randamentele observabile efectiv la momentul estimării. În acest exercițiu trebuie să compari predicțiile de volatilitate rezultate pentru randamentele zilnice S&P 500, folosind un model AR(1) GJR GARCH cu distribuție t asimetrică. Specificația GARCH de utilizat este deja definită și disponibilă ca garchspec, iar datele se află în sp500ret.

Acest exercițiu face parte din cursul

Modele GARCH în R

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

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

Editează și rulează codul

Acest exercițiu face parte din cursul

Modele GARCH în R

SkillTag.level.advancedSkillTag.label

4.8+

Începe cursul gratuit

Începem direct cu practica. O analiză pe fereastră mobilă a randamentelor zilnice ale acțiunilor arată că abaterea standard variază masiv în timp. Privind în urmă, avem dovezi clare ale volatilității variabile în timp. Privind înainte, trebuie să estimăm volatilitatea randamentelor viitoare – exact asta face un model GARCH! În acest capitol vei învăța elementele de bază ale pachetului rugarch pentru specificarea și estimarea modelului de referință GARCH(1,1) în R. La final, vei vedea cum este utilizat în alocarea tactică a activelor.

Exercise 1: Analiza volatilității Exercise 2: Calcularea randamentelor Exercise 3: Abaterea standard pe subeșantioane Exercise 4: Rulează, rulează, rulează Exercise 5: Ecuația GARCH pentru predicția volatilității Exercise 6: Reacția GARCH(1,1) la șocuri izolate Exercise 7: Erori de predicție Exercise 8: Natura recursivă a varianței GARCH Exercise 9: Pachetul rugarch Exercise 10: Specifică și explorează variantele modelului GARCH Exercise 11: Prognoze out-of-sample Exercise 12: Țintirea volatilității în alocarea tactică a activelor

Piețele urcă pe scări și coboară cu liftul. Această înțelepciune de pe Wall Street are consecințe importante pentru specificarea unui model de volatilitate realist. Ea impune renunțarea la ipoteza de normalitate, precum și la răspunsul simetric al volatilității la șocuri. În acest capitol vei învăța despre modele GARCH cu efect de levier și inovații t Student asimetrice. La final, vei putea utiliza modele GARCH pentru a estima peste zece mii de specificații diferite.

Exercise 1: Non-normalitatea randamentelor standardizate Exercise 2: Parametrii distribuției t-Student asimetrice Exercise 3: Estimarea unui model GARCH non-normal Exercise 4: Randamente standardizate Exercise 5: Efectul de levier Exercise 6: Curba impactului știrilor Exercise 7: Estimarea modelului GJR GARCH Exercise 8: Modelul mediei Exercise 9: Prezicerea randamentelor Exercise 10: Dinamica AR(1)-GJR GARCH a randamentelor MSFT Exercise 11: Efectul modelului mediei asupra prognozelor de volatilitate Exercise 12: Evită complexitatea inutilă Exercise 13: Alegeri de modelare Exercise 14: Fixarea parametrilor GARCH Exercise 15: Limitele parametrilor și impactul asupra previziunilor Exercise 16: Țintirea varianței

Modelele GARCH produc previziuni de volatilitate care servesc drept date de intrare pentru deciziile financiare. Utilizarea lor în practică presupune evaluarea prealabilă a calității acestor previziuni. În acest capitol vei învăța despre analiza semnificației statistice a parametrilor GARCH estimați, proprietățile randamentelor standardizate, interpretarea criteriilor de informare și utilizarea estimării GARCH mobile și a erorilor pătratice medii pentru a analiza acuratețea previziunilor de volatilitate.

Exercise 1: Semnificație statistică Exercise 2: Testarea semnificației Exercise 3: Analiza rezultatelor estimării Exercise 4: Un model mai bun pentru randamentele EUR/USD Exercise 5: Calitatea ajustării Exercise 6: Parcimonie Exercise 7: Erori medii pătratice de predicție Exercise 8: Compararea criteriilor de verosimilitate și de informație Exercise 9: Diagnosticarea randamentelor standardizate în valoare absolută Exercise 10: Validarea ipotezelor modelului GARCH Exercise 11: Corelogramă și testul Ljung-Box Exercise 12: Modificarea eșantionului de estimare Exercise 13: Backtesting cu ugarchroll Exercise 14: Argumentele funcției ugarchroll Exercise 15: Volatilitate in-sample vs. eșantion rulant

Exercițiul curent

Exercise 16: Cursa de cai

În această etapă stăpânești specificarea, estimarea și validarea standard a modelelor GARCH în pachetul rugarch. Acest capitol introduce funcționalități specifice ale rugarch pentru estimarea valorii la risc, utilizarea modelului GARCH în producție și simularea randamentelor GARCH. Vei descoperi, de asemenea, că prezența dinamicii GARCH în varianță are implicații pentru simularea log-randamentelor, estimarea betei unei acțiuni și identificarea portofoliului cu varianță minimă.

Exercise 1: Valoarea la risc Exercise 2: Graficul VaR Exercise 3: Coevoluția dintre volatilitatea estimată și VaR Exercise 4: Sensibilitatea acoperirii față de modelul de distribuție Exercise 5: Pentru producție și simulare Exercise 6: Rentabilitate reală versus rentabilitate simulată Exercise 7: Utilizare în producție Exercise 8: Utilizare în simulare Exercise 9: Riscul de model Exercise 10: Robustniks Exercise 11: Valori de pornire Exercise 12: Covarianța GARCH Exercise 13: Estimarea beta Exercise 14: Ponderile portofoliului cu varianță minimă Exercise 15: GARCH & Co Exercise 16: Felicitări