Выбор лучшей модели по критериям AIC/BIC
В этом упражнении вы потренируетесь использовать информационные критерии для выбора модели с наилучшим качеством подгонки.
Информационные критерии позволяют оценить компромисс между качеством подгонки и сложностью модели. AIC и BIC — два наиболее распространённых критерия для выбора модели. Оба штрафуют модели с большим количеством параметров, то есть более сложные модели. Чем ниже значение AIC или BIC, тем лучше модель.
Модели GJR-GARCH и EGARCH были заданы и обучены на данных доходности индекса S&P 500. Их результаты доступны в переменных gjrgm_result и egarch_result соответственно.
Это упражнение является частью курса
Модели GARCH на Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Print the AIC GJR-GARCH
print('AIC of GJR-GARCH model :', ____.____)
# Print the AIC of EGARCH
print('AIC of EGARCH model :', ____.____)
# Print the BIC GJR-GARCH
print('BIC of GJR-GARCH model :', ____.____)
# Print the BIC of EGARCH
print('BIC of EGARCH model :', ____.____)