In-sample kontra rullande urvolalitet
För en given tidsserie av avkastningar kan du skatta GARCH-volatiliteten med metoden sigma() på utdata från ugarchfit, eller med metoden as.data.frame() på utdata från ugarchroll. Skillnaden är att ugarchfit ger en in-sample-skattning av volatiliteten – modellen skattas en enda gång med hela tidsserien – medan ugarchroll omskatar modellen och bara använder de avkastningar som faktiskt är observerbara vid skattningsögonblicket. I den här övningen ska du jämföra de resulterande volatilitetsprognoserna för dagliga S&P 500-avkastningar med hjälp av en AR(1) GJR-GARCH-modell med skevad students t-fördelning. GARCH-specifikationen är redan definierad och tillgänglig som garchspec, och datan finns i sp500ret.
Den här övningen är en del av kursen
GARCH-modeller i R
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Estimate the GARCH model using all the returns and compute the in-sample estimates of volatility
garchinsample <- ___(data = sp500ret, spec = garchspec)
garchvolinsample <- ___(___)