เลือกโมเดลที่ดีที่สุดจาก AIC/BIC
ในแบบฝึกหัดนี้ จะได้ฝึกใช้ information criteria เพื่อเลือกโมเดลที่เหมาะสมที่สุด
Information criteria ใช้วัดความสมดุลระหว่างความพอดีของโมเดลและความซับซ้อน AIC และ BIC เป็น information criteria ที่นิยมใช้ในการเลือกโมเดล ทั้งสองตัวจะลงโทษโมเดลที่มีพารามิเตอร์มากหรือมีความซับซ้อนสูง ค่า AIC หรือ BIC ที่ต่ำกว่าหมายความว่าโมเดลนั้นดีกว่า
โมเดล GJR-GARCH และ EGARCH ถูกกำหนดและ fit กับข้อมูลผลตอบแทนของ S&P 500 แล้ว สามารถเข้าถึงผลลัพธ์ได้จาก gjrgm_result และ egarch_result ตามลำดับ
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
GARCH Models ใน Python
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
# Print the AIC GJR-GARCH
print('AIC of GJR-GARCH model :', ____.____)
# Print the AIC of EGARCH
print('AIC of EGARCH model :', ____.____)
# Print the BIC GJR-GARCH
print('BIC of GJR-GARCH model :', ____.____)
# Print the BIC of EGARCH
print('BIC of EGARCH model :', ____.____)