Misure di bontà di adattamento

Modelli GARCH in Python

Chelsea Yang

Data Science Instructor

Bontà di adattamento

Il modello spiega bene i dati?

  1. Massima verosimiglianza
  2. Criteri informativi
Modelli GARCH in Python

Massima verosimiglianza

  • Massimizza la probabilità dei dati osservati sotto il modello ipotizzato
  • Preferisci modelli con verosimiglianza più alta
Modelli GARCH in Python

Log-verosimiglianza in Python

  • Usata tipicamente in forma log: log-verosimiglianza

Esempio di verosimiglianza

print(gm_result.loglikelihood)
Modelli GARCH in Python

Overfitting

  • Si adatta bene in-sample ma predice male out-of-sample
  • Di solito perché il modello è troppo complesso
Modelli GARCH in Python

Criteri informativi

  • Misurano il trade-off tra bontà di adattamento e complessità

  • Verosimiglianza + penalità per la complessità

  • AIC: Criterio di informazione di Akaike

  • BIC: Criterio di informazione bayesiano

Preferisci modelli con punteggio più basso

Modelli GARCH in Python

AIC vs BIC

  • In genere concordano tra loro
  • Il BIC penalizza di più la complessità del modello
Modelli GARCH in Python

AIC/BIC in Python

Esempio AIC/BIC

print(gm_result.aic)
print(gm_result.bic)
Modelli GARCH in Python

Ayo berlatih!

Modelli GARCH in Python

Preparing Video For Download...