最大似然得到的输出并不等于真实参数或真实波动率，而是它们的一个估计值。
以下哪一项说法是不正确的？
本练习是课程的一部分
通过我们的互动练习之一，将理论转化为实践
让我们直接上手实战。对日度股票收益进行滚动窗口分析可以看到，其标准差会随时间显著变化。回溯历史，我们能清楚地看到波动率的时变性。面向未来，我们需要估计未来收益的波动率。这正是 GARCH 模型的用武之地！本章将带您学习在 R 中使用 rugarch 包来设定与估计核心的 GARCH(1,1) 模型。最后我们将展示其在战术资产配置中的实际价值。
市场"慢涨快跌"。这句华尔街箴言对构建逼真的波动率模型有重要启示：需要放弃正态性假设，以及波动率对冲击的对称响应。在本章中，您将学习具有杠杆效应的 GARCH 模型与偏斜学生 t 创新项。最后，您将能够使用 GARCH 模型来估计上万种不同的模型设定。
GARCH 模型能给出波动率预测，为金融决策提供输入。在实际应用前，必须先评估这些波动率预测的优劣。本章将带您分析所估 GARCH 参数的统计显著性、标准化收益的性质、信息准则的解读，以及如何使用滚动 GARCH 估计与均方预测误差来评估波动率预测的准确性。
当前练习
此时，您已熟练掌握在 rugarch 包中进行 GARCH 模型的标准设定、估计与验证。本章将介绍 rugarch 的特定功能，用于进行风险价值估计、将 GARCH 模型用于生产环境，以及模拟 GARCH 收益。您还将看到：方差中的 GARCH 动态会影响对对数收益的模拟、股票贝塔的估计以及最小方差投资组合的求解。
