or
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
เราจะเริ่มต้นด้วยการลงมือทำจริง การวิเคราะห์แบบ rolling window ของผลตอบแทนหุ้นรายวันแสดงให้เห็นว่าค่าเบี่ยงเบนมาตรฐานเปลี่ยนแปลงอย่างมากตามเวลา เมื่อมองย้อนกลับไป จึงมีหลักฐานชัดเจนว่าความผันผวนเปลี่ยนแปลงตามเวลา เมื่อมองไปข้างหน้า เราต้องประมาณการความผันผวนของผลตอบแทนในอนาคต ซึ่งนี่คือสิ่งที่ GARCH Model ทำได้ ในบทนี้ คุณจะได้เรียนรู้พื้นฐานการใช้แพ็กเกจ rugarch สำหรับการระบุและประมาณการโมเดล GARCH(1,1) หลักใน R และจะปิดท้ายด้วยการแสดงประโยชน์ในการจัดสรรสินทรัพย์เชิงกลยุทธ์
ตลาดขึ้นช้าแต่ลงเร็ว ภูมิปัญญาของวอลล์สตรีทนี้มีนัยสำคัญต่อการระบุโมเดลความผันผวนที่สมจริง กล่าวคือ ต้องละทิ้งสมมติฐานเรื่องการแจกแจงปกติ และการตอบสนองแบบสมมาตรของความผันผวนต่อ shocks ในบทนี้ คุณจะได้เรียนรู้ GARCH Models ที่มี leverage effect และ skewed student t innovations เมื่อจบบทนี้ คุณจะสามารถใช้ GARCH Models เพื่อประมาณการข้อกำหนด GARCH Model ที่แตกต่างกันได้มากกว่าหนึ่งหมื่นรูปแบบ
GARCH Models ให้การพยากรณ์ความผันผวนที่ใช้เป็นข้อมูลนำเข้าสำหรับการตัดสินใจทางการเงิน การนำไปใช้ในทางปฏิบัติจำเป็นต้องประเมินความแม่นยำของการพยากรณ์ความผันผวนก่อน ในบทนี้ คุณจะได้เรียนรู้การวิเคราะห์นัยสำคัญทางสถิติของพารามิเตอร์ GARCH ที่ประมาณได้ คุณสมบัติของผลตอบแทนที่ผ่านการ standardize การตีความ information criteria และการใช้ rolling GARCH estimation และ mean squared prediction errors เพื่อวิเคราะห์ความแม่นยำของการพยากรณ์ความผันผวน
ถึงจุดนี้ คุณเชี่ยวชาญการระบุ ประมาณการ และตรวจสอบ GARCH Models มาตรฐานในแพ็กเกจ rugarch แล้ว บทนี้จะแนะนำฟังก์ชันเฉพาะของ rugarch สำหรับการประมาณ value-at-risk การนำ GARCH Model ไปใช้งานจริง และการจำลอง GARCH returns นอกจากนี้ยังจะพบว่า GARCH dynamics ในความแปรปรวนมีผลต่อการจำลอง log-returns การประมาณค่า beta ของหุ้น และการหาพอร์ตโฟลิโอที่มีความแปรปรวนต่ำที่สุด
แบบฝึกหัดปัจจุบัน