Обрати найкращу модель за AIC/BIC
У цій вправі ви потренуєтеся використовувати інформаційні критерії, щоб обрати модель із найкращою придатністю.
Інформаційні критерії вимірюють компроміс між якістю припасування та складністю моделі. AIC і BIC — це два поширені критерії для вибору моделі. Обидва накладають штраф за більшу кількість параметрів або складніші моделі. Чим менший AIC або BIC, тим кращою є модель.
Моделі GJR-GARCH та EGARCH уже задані й оцінені на даних доходностей S&P 500. Їхні результати доступні відповідно в gjrgm_result та egarch_result.
Ця вправа є частиною курсу
Моделі GARCH у Python
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Print the AIC GJR-GARCH
print('AIC of GJR-GARCH model :', ____.____)
# Print the AIC of EGARCH
print('AIC of EGARCH model :', ____.____)
# Print the BIC GJR-GARCH
print('BIC of GJR-GARCH model :', ____.____)
# Print the BIC of EGARCH
print('BIC of EGARCH model :', ____.____)