Log-olasılık temelinde kazananı seç
Bu egzersizde, en iyi uyumu veren modeli seçmek için log-olasılığı kullanmayı pratik yapacaksın.
GARCH modelleri, parametreleri tahmin etmek için maksimum olabilirlik yöntemini kullanır. Genel olarak, log-olasılık ne kadar büyükse model o kadar iyidir; çünkü bu, gözlemlediğin verilerin gerçekleşme olasılığının daha yüksek olduğunu ima eder.
Farklı dağılım varsayımlarına sahip iki GARCH modeli tanımlandı ve S&P 500 getiri verileriyle uyduruldu. Normal dağılımlı GARCH normal_result içinde, çarpık Student's t-dağılımlı GARCH ise skewt_result içinde kaydedildi.
Bu egzersiz
Python ile GARCH Modelleri
kursunun bir parçasıdırUygulamalı interaktif egzersiz
Bu örnek kodu tamamlayarak bu egzersizi bitirin.
# Print normal GARCH model summary
print(____.____())
# Print skewed GARCH model summary
print(____.____())
# Print the log-likelihood of normal GARCH
print('Log-likelihood of normal GARCH :', ____.____)
# Print the log-likelihood of skewt GARCH
print('Log-likelihood of skewt GARCH :', ____.____)