Modelos GARCH em Python
Chelsea Yang
Data Science Instructor
GARCH: Generalized AutoRegressive Conditional Heteroskedasticity

Passo 1: Calcular retornos como porcentagem da variação de preço $$ return = {\frac{P_1 - P_0}{P_0}} $$
Passo 2: Calcular a média amostral do retorno $$ mean = \frac {\sum_{i=1}^n {return_i} }n $$
Passo 3: Calcular o desvio padrão amostral $$ volatility = \sqrt\frac {\sum_{i=1}^n {(return_i - mean)}^2} {n-1}= \sqrt {variance}$$
Use o método pct_change() do pandas:
return_data = price_data.pct_change()
Use o método std() do pandas:
volatility = return_data.std()
(considere 21 pregões no mês)
$$\sigma_{monthly} = \sqrt{21} * \sigma_d$$
(considere 252 pregões no ano)
$$\sigma_{annual} = \sqrt{252} * \sigma_d$$
Heterocedasticidade:

Homoscedasticidade vs Heterocedasticidade

Preços históricos do VIX:

Modelos GARCH em Python