Măsuri de bunătate a ajustării

Modele GARCH în Python

Chelsea Yang

Data Science Instructor

Bunătatea ajustării

Poate modelul explica bine datele?

  1. Verosimilitate maximă
  2. Criterii de informație
Modele GARCH în Python

Verosimilitate maximă

  • Maximizează probabilitatea de a obține datele observate sub modelul presupus
  • Se preferă modelele cu valori mai mari ale verosimilității
Modele GARCH în Python

Log-verosimilitate în Python

  • Utilizată de obicei în formă logaritmică: log-verosimilitate

Exemplu verosimilitate

print(gm_result.loglikelihood)
Modele GARCH în Python

Supraajustare

  • Se ajustează bine pe datele de antrenament, dar performează slab pe predicții noi
  • De obicei, din cauza complexității excesive a modelului
Modele GARCH în Python

Criterii de informație

  • Măsoară compromisul dintre bunătatea ajustării și complexitatea modelului

  • Verosimilitate + penalizare pentru complexitate

  • AIC: Criteriul Informațional Akaike

  • BIC: Criteriul Informațional Bayesian

Se preferă modelele cu scorul criteriului de informație mai mic

Modele GARCH în Python

AIC vs. BIC

  • În general, sunt în acord
  • BIC penalizează complexitatea modelului mai sever
Modele GARCH în Python

AIC/BIC în Python

Exemplu AIC/BIC

print(gm_result.aic)
print(gm_result.bic)
Modele GARCH în Python

Să exersăm!

Modele GARCH în Python

Preparing Video For Download...