เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

ค่าเฉลี่ยความคลาดเคลื่อนกำลังสองในการพยากรณ์

โมเดล GJR GARCH เป็นการต่อยอดจากโมเดล GARCH ทั่วไป จึงควรให้ค่า Mean Squared Error (MSE) ที่ต่ำกว่า ซึ่งแสดงถึงความพอดีของโมเดลที่ดีกว่า มาตรวจสอบสิ่งนี้กับผลตอบแทนของ Microsoft msftret โดย garchfit คือผลลัพธ์จากการประมาณด้วยโมเดล GARCH(1,1) มาตรฐาน และ gjrfit คือผลลัพธ์จากการประมาณด้วยโมเดล GJR ทั้งนี้ สามารถคำนวณเวกเตอร์ของค่าความคลาดเคลื่อน \(e\) สำหรับค่าเฉลี่ยได้โดยใช้เมธอด residuals() ส่วนค่าความคลาดเคลื่อนในการพยากรณ์ความแปรปรวนเท่ากับผลต่างระหว่าง \(e^2\) กับความแปรปรวน GARCH ที่พยากรณ์ไว้

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

GARCH Models in R

ดูคอร์ส

คำแนะนำการฝึกหัด

  • คำนวณเวกเตอร์ของค่าความคลาดเคลื่อนในการพยากรณ์ค่าเฉลี่ยโดยใช้เมธอด residuals()
  • เติมโค้ดให้ครบเพื่อคำนวณค่า MSE สำหรับผลลัพธ์การประมาณ garchfit
  • คำนวณค่า MSE สำหรับผลลัพธ์การประมาณ gjrfit

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Compute prediction errors
garcherrors <- ___(garchfit)
gjrerrors  <- ___(gjrfit)

# Compute MSE for variance prediction of garchfit model
___((___(garchfit)___ - garcherrors^2)___)

# Compute MSE for variance prediction of gjrfit model
___
แก้ไขและรันโค้ด