Выбираем лучшую модель по логарифмическому правдоподобию
В этом упражнении вы научитесь использовать логарифмическое правдоподобие для выбора модели с наилучшим качеством подгонки.
Модели GARCH оценивают параметры методом максимального правдоподобия. Как правило, чем выше логарифмическое правдоподобие, тем лучше модель: это означает более высокую вероятность того, что именно эти данные были получены при данных параметрах.
Две модели GARCH с различными предположениями о распределении уже определены и обучены на данных доходности индекса S&P 500. Модель GARCH с нормальным распределением сохранена в normal_result, а модель GARCH с асимметричным распределением Стьюдента — в skewt_result.
Это упражнение является частью курса
Модели GARCH на Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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 :', ____.____)