用對數概似挑選最佳模型
在這個練習中，你會練習用對數概似（log-likelihood）來挑選擬合度最佳的模型。
GARCH 模型以極大概似法估計參數。一般來說，對數概似越大，模型越好，因為這代表在該模型下觀察到手上資料的機率越高。
已針對 S&P 500 報酬率資料定義並擬合兩個具不同分配假設的 GARCH 模型。常態分配的 GARCH 結果存於 normal_result，偏斜 Student's t 分配的 GARCH 結果存於 skewt_result。
本練習屬於課程
Python 中的 GARCH 模型
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 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 :', ____.____)