Validation des hypothèses du modèle GARCH

Modèles GARCH en Python

Chelsea Yang

Data Science Instructor

Vérification visuelle

Données de rendements bruts

Résidus normalisés

Modèles GARCH en Python

Autocorrélation

  • Décrit la corrélation d'une variable avec elle-même selon un décalage temporel

  • La présence d'autocorrélation dans les résidus normalisés indique que le modèle peut ne pas être valide

Pour détecter l'autocorrélation :

  • Diagramme ACF
  • Test de Ljung-Box
Modèles GARCH en Python

Diagramme ACF

  • ACF : AutoCorrelation Function
  • Diagramme ACF : représentation visuelle de l'autocorrélation par décalages

Diagramme ACF

La zone rouge du graphique indique le niveau de confiance (alpha = 5 %)

Modèles GARCH en Python

Diagramme ACF en Python

from statsmodels.graphics.tsaplots import plot_acf

plot_acf(my_data, alpha = 0.05)
Modèles GARCH en Python

Test de Ljung-Box

  • Vérifie si certaines autocorrélations d'une série temporelle diffèrent de zéro
  • H0 : les données sont distribuées indépendamment
  • Valeur p < 5 % : le modèle n'est pas valide
Modèles GARCH en Python

Test de Ljung-Box en 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])
Modèles GARCH en Python

Passons à la pratique !

Modèles GARCH en Python

Preparing Video For Download...