Míry kvality přizpůsobení

GARCH modely v Pythonu

Chelsea Yang

Data Science Instructor

Kvalita přizpůsobení

Dokáže model dobře vysvětlit data?

  1. Maximální věrohodnost
  2. Informační kritéria
GARCH modely v Pythonu

Maximální věrohodnost

  • Maximalizujte pravděpodobnost pozorovaných dat za předpokladu zvoleného modelu
  • Preferujte modely s vyššími hodnotami věrohodnosti
GARCH modely v Pythonu

Log-věrohodnost v Pythonu

  • Obvykle se používá v logaritmické podobě: log-věrohodnost

Příklad věrohodnosti

print(gm_result.loglikelihood)
GARCH modely v Pythonu

Přetrénování

  • Dobře přizpůsobí trénovací data, ale špatně predikuje na nových datech
  • Obvykle způsobeno nadměrnou složitostí modelu
GARCH modely v Pythonu

Informační kritéria

  • Měří kompromis mezi kvalitou přizpůsobení a složitostí modelu

  • Věrohodnost + penalizace za složitost modelu

  • AIC: Akaikeho informační kritérium

  • BIC: Bayesovské informační kritérium

Preferujte modely s nižší hodnotou informačního kritéria

GARCH modely v Pythonu

AIC vs. BIC

  • Obecně se shodují
  • BIC penalizuje složitost modelu přísněji
GARCH modely v Pythonu

AIC/BIC v Pythonu

Příklad AIC/BIC

print(gm_result.aic)
print(gm_result.bic)
GARCH modely v Pythonu

Pojďme si procvičit!

GARCH modely v Pythonu

Preparing Video For Download...