Välj en vinnare baserat på log-sannolikhet
I den här övningen får du träna på att använda log-sannolikhet för att välja den modell som passar data bäst.
GARCH-modeller använder maximum likelihood-metoden för att skatta parametrar. Generellt sett gäller att ju högre log-sannolikhet, desto bättre modell – eftersom det innebär en högre sannolikhet för att de observerade data faktiskt uppstått.
Två GARCH-modeller med olika distributionsantaganden har definierats och anpassats mot S&P 500-avkastningsdata. GARCH-modellen med normalfördelning är sparad i normal_result, och GARCH-modellen med skev t-fördelning är sparad i skewt_result.
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.
# Print normal GARCH model summary
print(____.____())
# Print skewed GARCH model summary
print(____.____())
# Print the log-likelihood of normal GARCH
print('Log-likelihood of normal GARCH :', ____.____)
# Print the log-likelihood of skewt GARCH
print('Log-likelihood of skewt GARCH :', ____.____)