Thước đo độ phù hợp

Mô hình GARCH với Python

Chelsea Yang

Data Science Instructor

Độ phù hợp (Goodness of fit)

Mô hình có giải thích dữ liệu tốt không?

  1. Cực đại khả năng
  2. Tiêu chí thông tin
Mô hình GARCH với Python

Cực đại khả năng

  • Tối đa hóa xác suất quan sát được dữ liệu dưới mô hình giả định
  • Ưu tiên mô hình có likelihood lớn hơn
Mô hình GARCH với Python

Log-likelihood trong Python

  • Thường dùng dạng log: log-likelihood

Ví dụ likelihood

print(gm_result.loglikelihood)
Mô hình GARCH với Python

Quá khớp (Overfitting)

  • Khớp tốt dữ liệu trong mẫu, nhưng dự báo ngoài mẫu kém
  • Thường do mô hình quá phức tạp
Mô hình GARCH với Python

Tiêu chí thông tin

  • Đo đánh đổi giữa độ phù hợp và độ phức tạp mô hình

  • Likelihood + phạt độ phức tạp

  • AIC: Akaike's Information Criterion

  • BIC: Bayesian Information Criterion

Ưu tiên mô hình có điểm tiêu chí thông tin thấp hơn

Mô hình GARCH với Python

AIC so với BIC

  • Thường cho kết quả tương đồng
  • BIC phạt độ phức tạp mô hình nặng hơn
Mô hình GARCH với Python

AIC/BIC trong Python

Ví dụ AIC/BIC

print(gm_result.aic)
print(gm_result.bic)
Mô hình GARCH với Python

Ayo berlatih!

Mô hình GARCH với Python

Preparing Video For Download...