ผลกระทบของโมเดล mean ต่อการพยากรณ์ความผันผวน
ในทางปฏิบัติ ผลตอบแทนและความผันผวนจะถูกสร้างโมเดลในกระบวนการที่แยกจากกัน โดยทั่วไปสมมติฐานเกี่ยวกับ mean จะส่งผลต่อการพยากรณ์ผลตอบแทน แต่มีผลเพียงเล็กน้อยต่อการประมาณค่าความผันผวน
ในแบบฝึกหัดนี้ คุณจะศึกษาผลกระทบของสมมติฐาน mean ในโมเดล GARCH ที่มีต่อการประมาณค่าความผันผวน โดยเปรียบเทียบโมเดล GARCH สองแบบที่กำหนดสมมติฐาน mean ต่างกัน และ fitting ด้วยข้อมูล S&P 500
โมเดลที่ใช้สมมติฐาน "constant mean" จะบันทึกผลลัพธ์ไว้ใน cmean_result และบันทึกค่าความผันผวนที่ประมาณได้ไว้ใน cmean_vol ส่วนโมเดลที่ใช้สมมติฐาน mean แบบ "AR(1)" หรือ autoregressive 1 lag จะบันทึกผลลัพธ์ไว้ใน armean_result และบันทึกค่าความผันผวนไว้ใน armean_vol โดยได้ import โมดูล matplotlib.pyplot และ numpy เป็น plt และ np ตามลำดับแล้ว
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
GARCH Models ใน Python
คำแนะนำการฝึกหัด
- พิมพ์และตรวจสอบสรุปผลการ fitting โมเดลของ
cmean_resultและarmean_result - พล็อตกราฟการประมาณค่าความผันผวน
cmean_volและarmean_volจากทั้งสองโมเดล - ใช้ฟังก์ชัน
.corrcoef()จากแพ็กเกจnumpyเพื่อคำนวณสัมประสิทธิ์สหสัมพันธ์
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
# Print model summary of GARCH with constant mean
print(____.____())
# Print model summary of GARCH with AR mean
print(____.____())
# Plot model volatility
plt.plot(____, color = 'blue', label = 'Constant Mean Volatility')
plt.plot(____, color = 'red', label = 'AR Mean Volatility')
plt.legend(loc = 'upper right')
plt.show()
# Check correlation of volatility estimations
print(np.____(____, ____)[0,1])