平均模型對波動度預測的影響
在實務中，報酬與波動度會用不同的程序建模。一般來說，平均數的假設會影響預測的報酬，但對波動度估計的影響較小。
在這個練習中，你要比較兩個 GARCH 模型，檢視平均數假設對波動度估計的影響。這兩個模型以不同的平均數假設定義，並以 S&P 500 資料進行配適。
採用「常數平均」假設的模型，其結果已儲存在 cmean_result，估計的波動度儲存在 cmean_vol。採用「AR(1)」或 1 期落後自我迴歸平均假設的模型，其結果已儲存在 armean_result，估計的波動度儲存在 armean_vol。matplotlib.pyplot 與 numpy 模組已分別以 plt 與 np 匯入。
本練習屬於課程
Python 中的 GARCH 模型
練習說明
- 印出並檢視
cmean_result與armean_result的模型配適摘要。 - 繪製兩個模型的波動度估計
cmean_vol與armean_vol。 - 使用
numpy套件的.corrcoef()函式計算相關係數。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Print model summary of GARCH with constant mean
print(____.____())
# Print model summary of GARCH with AR mean
print(____.____())
# Plot model volatility
plt.plot(____, color = 'blue', label = 'Constant Mean Volatility')
plt.plot(____, color = 'red', label = 'AR Mean Volatility')
plt.legend(loc = 'upper right')
plt.show()
# Check correlation of volatility estimations
print(np.____(____, ____)[0,1])