Меры качества подгонки

Модели GARCH на Python

Chelsea Yang

Data Science Instructor

Качество подгонки

Насколько хорошо модель объясняет данные?

  1. Максимальное правдоподобие
  2. Информационные критерии
Модели GARCH на Python

Максимальное правдоподобие

  • Максимизировать вероятность наблюдаемых данных при предполагаемой модели
  • Предпочитать модели с бо́льшим значением правдоподобия
Модели GARCH на Python

Логарифм правдоподобия в Python

  • Обычно используется в логарифмической форме: логарифм правдоподобия

Пример правдоподобия

print(gm_result.loglikelihood)
Модели GARCH на Python

Переобучение

  • Хорошо подгоняются к обучающим данным, но плохо работают на новых
  • Как правило, из-за избыточной сложности модели
Модели GARCH на Python

Информационные критерии

  • Оценивают компромисс между качеством подгонки и сложностью модели

  • Правдоподобие + штраф за сложность модели

  • AIC: критерий Акаике

  • BIC: байесовский информационный критерий

Предпочитайте модели с меньшим значением информационного критерия

Модели GARCH на Python

AIC и BIC

  • Как правило, они дают согласованные результаты
  • BIC сильнее штрафует за сложность модели
Модели GARCH на Python

AIC/BIC в Python

Пример AIC/BIC

print(gm_result.aic)
print(gm_result.bic)
Модели GARCH на Python

Давайте потренируемся!

Модели GARCH на Python

Preparing Video For Download...