Kom igångKom igång gratis

AR(1)-GJR GARCH-dynamiken i MSFT-avkastningar

I videon såg du att tecknet på den autoregressiva parametern i AR(1)-modellen beror på hur marknaden reagerar på nyheter.

Ett positivt värde på \(\rho\) tyder på att marknaden underreagerar på nyheter, vilket skapar ett momentum i avkastningarna. Ett negativt värde på \(\rho\) tyder på att marknaden överreagerar på nyheter, vilket leder till en återgång i avkastningarna.

Karaktäriseras Microsofts dagliga avkastningar av ett momentum eller en återgångseffekt i sin AR(1)-dynamik? Ta reda på det genom att skatta parametrarna i AR(1)-GJR GARCH-modellen med hjälp av de dagliga Microsoft-avkastningarna i msftret.

Den här övningen är en del av kursen

GARCH-modeller i R

Visa kurs

Övningsinstruktioner

  • armaOrder = c(1,2) motsvarar en ARMA(1,2)-modell. En AR(1)-modell är detsamma som ARMA(1,0).
  • Fyll i argumentet mean.model i ugarchspec för att specificera AR(1)-modellen.
  • Skatta modellen.
  • Skriv ut de två första koefficienterna från den skattade GARCH-modellen.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Specify AR(1)-GJR GARCH model
garchspec <- ugarchspec(mean.model = list(armaOrder = ___ ),
                        variance.model = list(model = "gjrGARCH"),
                        distribution.model = "sstd")

# Estimate the model
garchfit <- ___

# Print the first two coefficients
___(___)[c(1:2)]
Redigera och kör kod