เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

ความคลาดเคลื่อนของการพยากรณ์

ในโมเดล GARCH ค่าความแปรปรวนถูกขับเคลื่อนด้วยกำลังสองของความคลาดเคลื่อนของการพยากรณ์ \(e = R - \mu\) ดังนั้นในการคำนวณค่าความแปรปรวนแบบ GARCH จึงต้องคำนวณความคลาดเคลื่อนของการพยากรณ์ก่อน สำหรับผลตอบแทนรายวัน เป็นแนวปฏิบัติทั่วไปที่จะกำหนดให้ \(\mu\) เท่ากับค่าเฉลี่ยของตัวอย่าง

ลองนำไปใช้จริง แล้วตรวจสอบว่าค่าสัมบูรณ์ของความคลาดเคลื่อนของการพยากรณ์มีออโตคอร์รีเลชันเชิงบวกขนาดใหญ่หรือไม่ ออโตคอร์รีเลชันเชิงบวกสะท้อนให้เห็นถึงการมีอยู่ของกลุ่มความผันผวน (volatility clusters) กล่าวคือ เมื่อความผันผวนสูงกว่าค่าเฉลี่ย ก็มักจะอยู่ในระดับสูงต่อเนื่องไปอีกช่วงหนึ่ง และเมื่อความผันผวนต่ำ ก็มักจะอยู่ในระดับต่ำต่อเนื่องเช่นกัน

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

GARCH Models in R

ดูคอร์ส

คำแนะนำการฝึกหัด

  • กำหนดให้ m เท่ากับค่าเฉลี่ยของผลตอบแทน S&P 500 รายวันใน sp500ret
  • คำนวณความคลาดเคลื่อนของการพยากรณ์
  • พล็อตกราฟอนุกรมเวลาของค่าสัมบูรณ์ของความคลาดเคลื่อนของการพยากรณ์
  • ใช้ฟังก์ชัน acf เพื่อพล็อตกราฟออโตคอร์รีเลชันของค่าสัมบูรณ์ของความคลาดเคลื่อนของการพยากรณ์

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Compute the mean daily return
m <- ___(___)

# Define the series of prediction errors
e <- ___ - ___

# Plot the absolute value of the prediction errors
par(mfrow = c(2,1),mar = c(3, 2, 2, 2))
___(___(___))

# Plot the acf of the absolute prediction errors
___
แก้ไขและรันโค้ด