or
Den här övningen är en del av kursen
Vad är GARCH-modeller, vad används de till och hur implementerar du dem i Python? När du har slutfört det här första kapitlet kan du svara tryggt på alla dessa frågor.
En vanlig GARCH-modell är inte representativ för verkliga finansiella data, vars fördelningar ofta uppvisar tjocka svansar, skevhet och asymmetriska chocker. I det här kapitlet lär du dig att definiera bättre GARCH-modeller med mer realistiska antaganden. Du lär dig också att göra mer sofistikerade volatilitetsprognoser med rullande fönster-metoder.
Det här kapitlet introducerar dig till KISS-principen inom datavetenskaplig modellering. Du lär dig att använda p-värden och t-statistik för att förenkla modellkonfigurationen, använda ACF-diagram och Ljung-Box-testet för att verifiera modellantaganden samt använda sannolikhet och informationskriterier för modellval.
I det här sista kapitlet lär du dig att tillämpa de GARCH-modeller du tidigare lärt dig på praktiska finansiella scenarier. Du fördjupar dina kunskaper inom VaR i riskhantering, dynamisk kovarians i tillgångsallokering och dynamisk Beta i portföljförvaltning.
Aktuell övning