Проверка допущений модели GARCH

Модели GARCH на Python

Chelsea Yang

Data Science Instructor

Визуальная проверка

Исходные данные доходности

Стандартизированные остатки

Модели GARCH на Python

Автокорреляция

  • Описывают корреляцию переменной с самой собой при заданном временном лаге

  • Наличие автокорреляции в стандартизированных остатках говорит о том, что модель может быть некорректной

Методы обнаружения автокорреляции:

  • График ACF
  • Тест Льюнга–Бокса
Модели GARCH на Python

График ACF

  • ACF: функция автокорреляции
  • График ACF: визуальное представление автокорреляции по лагам

График ACF

Красная область на графике обозначает доверительный уровень (alpha = 5%)

Модели GARCH на Python

График ACF в Python

from statsmodels.graphics.tsaplots import plot_acf

plot_acf(my_data, alpha = 0.05)
Модели GARCH на Python

Тест Льюнга–Бокса

  • Проверяет, отличается ли хотя бы одна из группы автокорреляций временного ряда от нуля
  • H0: данные распределены независимо
  • P-значение < 5%: модель некорректна
Модели GARCH на Python

Тест Льюнга–Бокса в Python

# Import the Python module
from statsmodels.stats.diagnostic import acorr_ljungbox

# Perform the Ljung-Box test
lb_test = acorr_ljungbox(std_resid , lags = 10)

# Check p-values
print('P-values are: ', lb_test[1])
Модели GARCH на Python

Давайте потренируемся!

Модели GARCH на Python

Preparing Video For Download...