Validering av GARCH-modellantaganden

GARCH-modeller i Python

Chelsea Yang

Data Science Instructor

Visuell kontroll

Råa avkastningsdata

Standardiserade residualer

GARCH-modeller i Python

Autokorrelation

  • Beskriver korrelationen hos en variabel med sig själv givet en tidsfördröjning

  • Autokorrelation i de standardiserade residualerna indikerar att modellen kan vara bristfällig

För att detektera autokorrelation:

  • ACF-plot
  • Ljung-Box
GARCH-modeller i Python

ACF-plot

  • ACF: autokorrelationsfunktion
  • ACF-plot: visuell representation av autokorrelationen per fördröjning

ACF-plot

Det röda området i plotten visar konfidensnivån (alpha = 5%)

GARCH-modeller i Python

ACF-plot i Python

from statsmodels.graphics.tsaplots import plot_acf

plot_acf(my_data, alpha = 0.05)
GARCH-modeller i Python

Ljung-Box-test

  • Testar om någon av en grupp autokorrelationer i en tidsserie skiljer sig från noll
  • H0: data är oberoende fördelat
  • P-värde < 5%: modellen är bristfällig
GARCH-modeller i Python

Ljung-Box-test i 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])
GARCH-modeller i Python

Nu kör vi en övning!

GARCH-modeller i Python

Preparing Video For Download...