Modèles GARCH en Python
Chelsea Yang
Data Science Instructor
GARCH : Generalized AutoRegressive Conditional Heteroskedasticity

Étape 1 : Calculer les rendements en pourcentage des variations de prix $$ return = {\frac{P_1 - P_0}{P_0}} $$
Étape 2 : Calculer le rendement moyen de l'échantillon $$ mean = \frac {\sum_{i=1}^n {return_i} }n $$
Étape 3 : Calculer l'écart-type de l'échantillon $$ volatility = \sqrt\frac {\sum_{i=1}^n {(return_i - mean)}^2} {n-1}= \sqrt {variance}$$
Utilisez la méthode pandas pct_change() :
return_data = price_data.pct_change()
Utilisez la méthode pandas std() :
volatility = return_data.std()
(supposer 21 jours de bourse par mois)
$$\sigma_{monthly} = \sqrt{21} * \sigma_d$$
(supposer 252 jours de bourse par an)
$$\sigma_{annual} = \sqrt{252} * \sigma_d$$
Hétéroscédasticité :

Homoscedasticité vs Hétéroscédasticité

Prix historiques du VIX :

Modèles GARCH en Python