Välj en vinnare baserat på AIC/BIC
I den här övningen får du öva på att använda informationskriterier för att välja den modell som passar data bäst.
Informationskriterier mäter avvägningen mellan anpassningskvalitet och modellkomplexitet. AIC och BIC är två vanligt förekommande informationskriterier för modellval. Båda straffar modeller med fler parametrar, det vill säga mer komplexa modeller. Ju lägre AIC eller BIC, desto bättre modell.
En GJR-GARCH-modell och en EGARCH-modell har definierats och anpassats med avkastningsdata från S&P 500. Resultaten finns tillgängliga i gjrgm_result respektive egarch_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 the AIC GJR-GARCH
print('AIC of GJR-GARCH model :', ____.____)
# Print the AIC of EGARCH
print('AIC of EGARCH model :', ____.____)
# Print the BIC GJR-GARCH
print('BIC of GJR-GARCH model :', ____.____)
# Print the BIC of EGARCH
print('BIC of EGARCH model :', ____.____)