Miary dobroci dopasowania

Modele GARCH w Pythonie

Chelsea Yang

Data Science Instructor

Dobroć dopasowania

Czy model dobrze opisuje dane?

  1. Metoda największej wiarygodności
  2. Kryteria informacyjne
Modele GARCH w Pythonie

Metoda największej wiarygodności

  • Maksymalizuje prawdopodobieństwo uzyskania obserwowanych danych przy założonym modelu
  • Preferuje modele o wyższych wartościach wiarygodności
Modele GARCH w Pythonie

Log-wiarygodność w Pythonie

  • Zwykle stosowana w postaci logarytmicznej: log-wiarygodność

Przykład wiarygodności

print(gm_result.loglikelihood)
Modele GARCH w Pythonie

Przeuczenie

  • Dobrze dopasowuje dane treningowe, ale słabo sprawdza się na nowych danych
  • Zwykle wynika ze zbyt dużej złożoności modelu
Modele GARCH w Pythonie

Kryteria informacyjne

  • Mierzą kompromis między dobrocia dopasowania a złożonością modelu

  • Wiarygodność + kara za złożoność modelu

  • AIC: kryterium informacyjne Akaikego

  • BIC: bayesowskie kryterium informacyjne

Preferuj modele o niższej wartości kryterium informacyjnego

Modele GARCH w Pythonie

AIC vs. BIC

  • Zazwyczaj są ze sobą zgodne
  • BIC silniej karze za złożoność modelu
Modele GARCH w Pythonie

AIC/BIC w Pythonie

Przykład AIC/BIC

print(gm_result.aic)
print(gm_result.bic)
Modele GARCH w Pythonie

Czas na ćwiczenia!

Modele GARCH w Pythonie

Preparing Video For Download...