Medidas de ajuste

Modelos GARCH em Python

Chelsea Yang

Data Science Instructor

Qualidade do ajuste

O modelo explica bem os dados?

  1. Máxima verossimilhança
  2. Critérios de informação
Modelos GARCH em Python

Máxima verossimilhança

  • Maximizar a probabilidade de obter os dados observados sob o modelo assumido
  • Prefira modelos com maior verossimilhança
Modelos GARCH em Python

Log-verossimilhança em Python

  • Geralmente usada em forma log: log-verossimilhança

Exemplo de verossimilhança

print(gm_result.loglikelihood)
Modelos GARCH em Python

Overfitting

  • Ajusta bem os dados de treino, mas vai mal em previsões fora da amostra
  • Geralmente porque o modelo é complexo demais
Modelos GARCH em Python

Critérios de informação

  • Mede o equilíbrio entre ajuste e complexidade do modelo

  • Verossimilhança + penalidade por complexidade

  • AIC: Critério de Informação de Akaike

  • BIC: Critério de Informação Bayesiano

Prefira modelos com menor pontuação no critério de informação

Modelos GARCH em Python

AIC vs. BIC

  • Em geral, eles concordam entre si
  • O BIC penaliza a complexidade mais fortemente
Modelos GARCH em Python

AIC/BIC em Python

Exemplo de AIC/BIC

print(gm_result.aic)
print(gm_result.bic)
Modelos GARCH em Python

Vamos praticar!

Modelos GARCH em Python

Preparing Video For Download...