Medelvärdesmodellens påverkan på volatilitetsprognoser

I praktiken modelleras avkastning och volatilitet i separata processer. Vanligtvis påverkar antaganden om medelvärdet de prognostiserade avkastningarna, men har en liten inverkan på volatilitetsestimeringarna.

I den här övningen undersöker du hur GARCH-modellens medelvärdesantaganden påverkar volatilitetsestimeringarna genom att jämföra två GARCH-modeller. De har definierats med olika medelvärdesantaganden och anpassats med S&P 500-data.

Modellen med antagandet "constant mean" har resultat sparade i cmean_result och estimerad volatilitet sparad i cmean_vol. Modellen med "AR(1)", det vill säga ett autoregressivt medelvärdesantagande med en lagg, har resultat sparade i armean_result och estimerad volatilitet sparad i armean_vol. Modulerna matplotlib.pyplot och numpy har importerats som plt respektive np.

Den här övningen är en del av kursen

GARCH-modeller i Python

Visa kurs

Övningsinstruktioner

Skriv ut och granska anpassningssammanfattningarna för cmean_result och armean_result.
Plotta volatilitetsestimeringarna cmean_vol och armean_vol från båda modellerna.
Använd funktionen .corrcoef() från paketet numpy för att beräkna korrelationskoefficienten.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Print model summary of GARCH with constant mean
print(____.____())
# Print model summary of GARCH with AR mean
print(____.____())

# Plot model volatility 
plt.plot(____, color = 'blue', label = 'Constant Mean Volatility')
plt.plot(____, color = 'red', label = 'AR Mean Volatility')
plt.legend(loc = 'upper right')
plt.show()

# Check correlation of volatility estimations
print(np.____(____, ____)[0,1])

Redigera och kör kod