Ước lượng mô hình GARCH cho tiền mã hóa
Thị trường tài chính thường phản ứng rất khác nhau trước các cú sốc tin tức tích cực và tiêu cực; một ví dụ là những biến động mạnh đã thấy ở thị trường tiền mã hóa trong những năm gần đây.
Trong bài tập này, bạn sẽ lần lượt triển khai mô hình GJR-GARCH và EGARCH trong Python — những lựa chọn phổ biến để mô hình hóa phản ứng bất đối xứng của độ biến động. Bạn sẽ làm việc với bộ dữ liệu tiền mã hóa bitcoin_data, gồm hai cột: giá "Close" và "Return".
Bộ dữ liệu bitcoin_data đã được nạp sẵn cho bạn, và giá lịch sử trong cột "Close" đã được vẽ biểu đồ.
Bài tập này là một phần của khóa học
Mô hình GARCH với Python
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# Specify model assumptions
gjr_gm = arch_model(bitcoin_data['Return'], p = 1, q = 1, o = ____, vol = 'GARCH', dist = 't')
# Fit the model
gjrgm_result = gjr_gm.fit(disp = 'off')
# Print model fitting summary
print(____.____())