เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

ผลของโมเดลค่าเฉลี่ยต่อการพยากรณ์ความผันผวน

โดยทั่วไปแล้ว การจำลองพลวัตของค่าเฉลี่ยมักส่งผลอย่างมากต่อผลตอบแทนที่พยากรณ์ได้ แต่กลับมีผลเพียงเล็กน้อยต่อการพยากรณ์ความผันผวน ผลกระทบต่อการพยากรณ์ความผันผวนนั้นน้อยมากจนหากสนใจเฉพาะพลวัตของความผันผวน มักสามารถละเลยพลวัตของค่าเฉลี่ยได้ และใช้สเปกที่เรียบง่ายที่สุด ได้แก่ โมเดลค่าเฉลี่ยคงที่

ลองทดสอบสิ่งนี้กับผลตอบแทนรายวันของ Microsoft ค่าเฉลี่ยและความผันผวนที่พยากรณ์ได้จากการประมาณค่า GARCH ภายใต้สมมติฐานค่าเฉลี่ยคงที่และ AR(1) มีอยู่แล้วใน console ในรูปตัวแปร constmean_mean, ar1_mean, constmean_vol และ ar1_vol

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

GARCH Models in R

ดูคอร์ส

คำแนะนำการฝึกหัด

  • เติมโค้ดให้สมบูรณ์เพื่อประมาณค่าโมเดล GARCH-in-mean
  • คำนวณค่าเฉลี่ยและความผันผวนที่พยากรณ์ได้
  • เติมโค้ดให้สมบูรณ์เพื่อคำนวณค่าสหสัมพันธ์ระหว่างการพยากรณ์ผลตอบแทนของ AR(1) และ GARCH-in-mean
  • เติมโค้ดให้สมบูรณ์เพื่อคำนวณค่าสหสัมพันธ์ของการพยากรณ์ความผันผวนทั้งสาม

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# GARCH-in-Mean specification and estimation
gim_garchspec <- ___( 
  mean.model = list(armaOrder = c(0,0), archm = ___, archpow = ___),
  variance.model = list(model = "gjrGARCH"), distribution.model = "sstd")
gim_garchfit <- ___(data = msftret , ___ = ___)

# Predicted mean returns and volatility of GARCH-in-mean
gim_mean <- ___(___)
gim_vol <- ___(___)

# Correlation between predicted return using AR(1) and GARCH-in-mean models
___(___, ___)

# Correlation between predicted volatilities across mean.models
___(merge(constmean_vol, ar1_vol, gim_vol))
แก้ไขและรันโค้ด