or
Bu egzersiz, kursun bir parçasıdır
Kolları sıvayarak başlıyoruz. Günlük hisse senedi getirilerinin dönen pencere analizinde, standart sapmanın zaman içinde ciddi biçimde değiştiğini görürüz. Geçmişe baktığımızda, zamanla değişen oynaklığın açık kanıtı var. İleriye baktığımızda ise gelecekteki getirilerin oynaklığını tahmin etmemiz gerekiyor. GARCH modelinin özü tam da budur! Bu bölümde, R'de iş gücü GARCH(1,1) modelini belirtmek ve tahmin etmek için rugarch paketinin temellerini öğreneceksin. Bölümü, taktik varlık dağılımında nasıl işe yaradığını göstererek bitiriyoruz.
Piyasalar merdivenle çıkar, asansörle iner. Bu Wall Street deyişi, gerçekçi bir oynaklık modeli kurarken önemli sonuçlar doğurur. Normallik varsayımını ve oynaklığın şoklara simetrik tepkisini bırakmayı gerektirir. Bu bölümde, kaldıraç etkisi olan ve eğik student t yeniliklerine sahip GARCH modellerini öğreneceksin. Sonunda, on binden fazla farklı GARCH model belirtimini tahmin etmek için GARCH modellerini kullanabileceksin.
GARCH modelleri, finansal karar alma için girdi olan oynaklık tahminleri üretir. Uygulamada kullanmadan önce, bu oynaklık tahmininin başarımını değerlendirmek gerekir. Bu bölümde, tahmin edilen GARCH parametrelerinin istatistiksel anlamlılığının analizi, standartlaştırılmış getirilerin özellikleri, bilgi ölçütlerinin yorumu ve oynaklık tahmininin doğruluğunu incelemek için dönen GARCH tahmini ile ortalama kare tahmin hatalarının kullanımı hakkında bilgi edineceksin.
Bu aşamada, rugarch paketinde GARCH modellerinin standart belirtimini, tahminini ve doğrulamasını ustalıkla yapıyorsun. Bu bölüm, riskteki değer tahminleri yapmak, GARCH modelini üretimde kullanmak ve GARCH getirilerini simüle etmek için özel rugarch işlevselliğini tanıtır. Ayrıca, varyansta GARCH dinamiklerinin varlığının log-getirilerin simülasyonu, bir hissenin beta'sının tahmini ve minimum varyans portföyünün bulunması üzerinde etkileri olduğunu keşfedeceksin.
Geçerli egzersiz