微軟（MSFT）報酬的 AR(1)-GJR GARCH 動態
你在影片中看到，AR(1) 模型中的自我回歸參數的正負號，取決於市場對消息的反應。
\(\rho\) 為正，表示市場對消息反應不足，導致報酬呈現動能（momentum）。\(\rho\) 為負，表示市場對消息反應過度，導致報酬出現反轉（reversion）。
每日的微軟報酬在 AR(1) 動態中，是動能還是反轉效應佔優？讓我們用 msftret 中的每日微軟報酬，估計 AR(1)-GJR GARCH 模型的參數來找出答案。
本練習屬於課程
R 的 GARCH 模型
練習說明
armaOrder = c(1,2)對應 ARMA(1,2) 模型。AR(1) 模型等同於 ARMA(1,0)。- 在
ugarchspec的mean.model引數中完成設定，指定要使用的 AR(1) 模型。 - 估計模型。
- 列印估計後 GARCH 模型的前兩個係數。
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。
# Specify AR(1)-GJR GARCH model
garchspec <- ugarchspec(mean.model = list(armaOrder = ___ ),
variance.model = list(model = "gjrGARCH"),
distribution.model = "sstd")
# Estimate the model
garchfit <- ___
# Print the first two coefficients
___(___)[c(1:2)]