Maatstaven voor modelpassing

GARCH-modellen in Python

Chelsea Yang

Data Science Instructor

Goodness of fit

Legt het model de data goed uit?

  1. Maximum likelihood
  2. Informatiecriteria
GARCH-modellen in Python

Maximum likelihood

  • Maximeer de kans op de geobserveerde data onder het aanname‑model
  • Geef de voorkeur aan modellen met hogere likelihoodwaarden
GARCH-modellen in Python

Log-likelihood in Python

  • Meestal in logvorm: log-likelihood

Likelihood-voorbeeld

print(gm_result.loglikelihood)
GARCH-modellen in Python

Overfitting

  • Past trainingsdata goed, maar scoort slecht op out‑of‑sample voorspellingen
  • Meestal omdat het model te complex is
GARCH-modellen in Python

Informatiecriteria

  • Meet de trade-off tussen fit en modelcomplexiteit

  • Likelihood + straf voor complexiteit

  • AIC: Akaike-informatiecriterium

  • BIC: Bayesiaans informatiecriterium

_Geef de voorkeur aan modellen met een lagere criteriumscores _

GARCH-modellen in Python

AIC vs. BIC

  • Meestal komen ze overeen
  • BIC bestraft modelcomplexiteit sterker
GARCH-modellen in Python

AIC/BIC in Python

AIC/BIC-voorbeeld

print(gm_result.aic)
print(gm_result.bic)
GARCH-modellen in Python

Laten we oefenen!

GARCH-modellen in Python

Preparing Video For Download...