Mesures d'ajustement

Modèles GARCH en Python

Chelsea Yang

Data Science Instructor

Qualité de l'ajustement

Le modèle explique-t-il bien les données ?

  1. Vraisemblance maximale
  2. Critères d'information
Modèles GARCH en Python

Vraisemblance maximale

  • Maximiser la probabilité d'observer les données sous le modèle supposé
  • Préférer les modèles avec une vraisemblance plus élevée
Modèles GARCH en Python

Log-vraisemblance en Python

  • Souvent utilisée au logarithme : log-vraisemblance

Exemple de vraisemblance

print(gm_result.loglikelihood)
Modèles GARCH en Python

Surapprentissage

  • Bon ajustement en échantillon, mais faibles performances hors échantillon
  • Souvent dû à un modèle trop complexe
Modèles GARCH en Python

Critères d'information

  • Mesurent le compromis entre qualité d'ajustement et complexité du modèle

  • Vraisemblance + pénalité pour la complexité

  • AIC : critère d'information d'Akaike

  • BIC : critère d'information bayésien

Privilégiez les modèles avec un score de critère d'information plus faible

Modèles GARCH en Python

AIC vs BIC

  • En général, ils concordent
  • Le BIC pénalise davantage la complexité
Modèles GARCH en Python

AIC/BIC en Python

Exemple AIC/BIC

print(gm_result.aic)
print(gm_result.bic)
Modèles GARCH en Python

Passons à la pratique !

Modèles GARCH en Python

Preparing Video For Download...