เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

คำนวณโคแวเรียนซ์ด้วย GARCH

โคแวเรียนซ์บอกถึงความสัมพันธ์ในการเคลื่อนไหวร่วมกันระหว่างชุดข้อมูลผลตอบแทนราคาสองชุด โคแวเรียนซ์แบบไดนามิกคำนวณได้จาก ρ * σ1 * σ2 โดยที่ σ1 และ σ2 คือค่าประมาณความผันผวนจากโมเดล GARCH และ ρ คือสหสัมพันธ์อย่างง่ายระหว่าง standardized residuals ของ GARCH

ในแบบฝึกหัดนี้ จะได้ฝึกคำนวณโคแวเรียนซ์แบบไดนามิกด้วยโมเดล GARCH โดยใช้ข้อมูลอัตราแลกเปลี่ยนสองชุด ได้แก่ EUR/USD และ USD/CAD (แสดงในกราฟ) ผลตอบแทนราคาของทั้งสองชุดถูก fit ด้วยโมเดล GARCH และค่าประมาณความผันผวนถูกบันทึกไว้ใน vol_eur และ vol_cad ตามลำดับ ส่วน standardized residuals บันทึกไว้ใน resid_eur และ resid_cad นอกจากนี้ได้นำเข้าแพ็กเกจ numpy ในชื่อ np แล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

GARCH Models ใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • คำนวณสหสัมพันธ์ระหว่าง GARCH standardized residuals resid_eur และ resid_cad
  • คำนวณโคแวเรียนซ์โดยใช้ความผันผวนจาก GARCH ได้แก่ vol_eur, vol_cad และค่าสหสัมพันธ์ที่คำนวณได้ในขั้นตอนก่อนหน้า
  • พล็อตกราฟ covariance ที่คำนวณได้

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Calculate correlation
corr = np.____(____, ____)[0,1]
print('Correlation: ', corr)

# Calculate GARCH covariance
covariance =  ____ * ____ * ____

# Plot the data
plt.plot(____, color = 'gold')
plt.title('GARCH Covariance')
plt.show()
แก้ไขและรันโค้ด