or
Den här övningen är en del av kursen
Vi börjar direkt med praktik. En rullande fönsteranalys av dagliga aktiekurser visar att standardavvikelsen varierar kraftigt över tid. Med tillbakablick har vi tydliga bevis för tidsvariabel volatilitet. Framåtblickande behöver vi uppskatta volatiliteten i framtida avkastning – och det är i grunden vad en GARCH-modell gör. I det här kapitlet lär du dig grunderna i rugarch-paketet för att specificera och skatta GARCH(1,1)-modellen i R. Avslutningsvis visar vi hur modellen kan användas i taktisk tillgångsallokering.
Marknaden tar trapporna upp och hissen ner. Den här välkända insikten från Wall Street har viktiga konsekvenser för att specificera en realistisk volatilitetsmodell. Den kräver att vi frångår antagandet om normalfördelning och att volatiliteten reagerar symmetriskt på chocker. I det här kapitlet lär du dig om GARCH-modeller med hävstångseffekt och sneda student-t-innovationer. I slutet kan du använda GARCH-modeller för att skatta fler än tio tusen olika modellspecifikationer.
GARCH-modeller ger volatilitetsprognoser som används som indata i finansiella beslut. För att använda dem i praktiken behöver du först utvärdera prognosernas kvalitet. I det här kapitlet lär du dig om statistisk signifikans hos de skattade GARCH-parametrarna, egenskaperna hos standardiserade avkastningar, tolkning av informationskriterier samt användning av rullande GARCH-skattning och medelkvadratiska prognosfel för att analysera volatilitetsprognosernas träffsäkerhet.
Nu behärskar du standardspecifikation, skattning och validering av GARCH-modeller i rugarch-paketet. Det här kapitlet introducerar specifik rugarch-funktionalitet för att göra value-at-risk-skattningar, använda GARCH-modellen i produktion och simulera GARCH-avkastningar. Du kommer också att se att GARCH-dynamik i variansen påverkar simuleringen av log-avkastningar, skattningen av en akties beta och beräkningen av minimivarianspportföljen.
Aktuell övning