Подгонка модели GARCH с асимметричным t-распределением
Предположение о нормальном распределении стандартизованных остатков, принятое в моделях GARCH по умолчанию, не отражает реального поведения финансовых данных. В финансовых данных о доходности часто наблюдаются тяжёлые хвосты и асимметрия.
В этом упражнении вы улучшите модель GARCH, применив предположение об асимметричном распределении Стьюдента. Кроме того, вы сравните волатильность, оценённую этой моделью, с волатильностью модели на основе нормального распределения — для этого вы построите их совместный график.
Модель GARCH с предположением о нормальном распределении по умолчанию уже подогнана за вас, а её оценка волатильности сохранена в normal_vol.
Это упражнение является частью курса
Модели GARCH на Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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.____()