Chọn mô hình tốt nhất dựa trên log-likelihood
Trong bài tập này, bạn sẽ thực hành dùng log-likelihood để chọn mô hình khớp tốt nhất.
Các mô hình GARCH sử dụng phương pháp cực đại hóa hợp lý (maximum likelihood) để ước lượng tham số. Nhìn chung, log-likelihood càng lớn thì mô hình càng tốt vì nó hàm ý xác suất quan sát được bộ dữ liệu của bạn càng cao.
Hai mô hình GARCH với giả định phân phối khác nhau đã được định nghĩa và fit trên dữ liệu lợi suất S&P 500. Mô hình GARCH với phân phối chuẩn được lưu trong normal_result, và mô hình GARCH với phân phối Student's t lệch (skewed) được lưu trong skewt_result.
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.
# 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 :', ____.____)