用 p-value 簡化模型
李奧納多．達文西說過：「簡約是最極致的精巧。」這同樣適用於資料科學建模。在這個練習中，你會練習用 p-value 來判斷模型參數是否有必要，並在排除不顯著的參數後，定義一個精簡的模型。
虛無假設是參數值為 0。若 p-value 大於既定的信心水準，則無法拒絕虛無假設，代表該參數在統計上不顯著，因此不是必要的。
已針對比特幣報酬資料定義並擬合一個 GARCH 模型。模型結果已儲存在 gm_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 model fitting summary
print(gm_result.____())
# Get parameter stats from model summary
para_summary = pd.DataFrame({'parameter':gm_result.____,
'p-value': gm_result.____})
# Print out parameter stats
print(____)