Anpassa GARCH-modeller till kryptovaluta
Finansmarknader tenderar att reagera mycket olika på positiva och negativa nyhetsschocker – ett tydligt exempel är de dramatiska svängningarna på kryptovalutamarknaden de senaste åren.
I den här övningen implementerar du en GJR-GARCH- och en EGARCH-modell i Python, som båda är populära val för att modellera volatilitetens asymmetriska reaktioner. Du arbetar med datamängden bitcoin_data, som innehåller två kolumner: "Close"-priset och "Return".
Datamängden bitcoin_data är förinstallerad, och de historiska priserna i kolumnen "Close" har redan plottats.
Den här övningen är en del av kursen
GARCH-modeller i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Specify model assumptions
gjr_gm = arch_model(bitcoin_data['Return'], p = 1, q = 1, o = ____, vol = 'GARCH', dist = 't')
# Fit the model
gjrgm_result = gjr_gm.fit(disp = 'off')
# Print model fitting summary
print(____.____())