Utforska effekten av modellparametrar
I den här övningen anropar du den fördefinierade funktionen simulate_GARCH() igen och studerar hur GARCH-modellens parametrar påverkar de simulerade resultaten.
Du kommer att simulera två GARCH(1,1)-tidsserier med samma omega och alpha, men med olika beta-värden.
Kom ihåg att i GARCH(1,1) är \(\beta\) koefficienten för fördröjd varians (lag-1). Om \(\alpha\) är konstant gäller att ett större \(\beta\) leder till längre varaktighet av effekten – med andra ord tenderar perioder med hög eller låg volatilitet att bestå. Studera de plottade resultaten och se om du kan bekräfta \(\beta\)-effekten.
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.
# First simulated GARCH
sim_resid, sim_variance = simulate_GARCH(n = ____, omega = ____,
alpha = ____, beta = ____)
plt.plot(sim_variance, color = 'orange', label = 'Variance')
plt.plot(sim_resid, color = 'green', label = 'Residuals')
plt.legend(loc='upper right')
plt.show()