Anpassningsmått

GARCH-modeller i Python

Chelsea Yang

Data Science Instructor

Modellanpassning

Kan modellen förklara data på ett bra sätt?

  1. Maximalt sannolikhetsvärde
  2. Informationskriterier
GARCH-modeller i Python

Maximalt sannolikhetsvärde

  • Maximera sannolikheten att få det observerade utfallet givet den antagna modellen
  • Föredra modeller med högre sannolikhetsvärden
GARCH-modeller i Python

Log-sannolikhet i Python

  • Används vanligtvis i loggform: log-sannolikhet

Exempel på sannolikhetsvärde

print(gm_result.loglikelihood)
GARCH-modeller i Python

Överanpassning

  • Passar träningsdata väl men presterar dåligt på nya data
  • Beror vanligtvis på att modellen är alltför komplex
GARCH-modeller i Python

Informationskriterier

  • Mäter avvägningen mellan modellanpassning och modellkomplexitet

  • Sannolikhet + straff för modellkomplexitet

  • AIC: Akaikes informationskriterium

  • BIC: Bayesianskt informationskriterium

Föredra modeller med lägre informationskriterievärde

GARCH-modeller i Python

AIC vs. BIC

  • De ger i regel samma resultat
  • BIC straffar modellkomplexitet hårdare
GARCH-modeller i Python

AIC/BIC i Python

Exempel på AIC/BIC

print(gm_result.aic)
print(gm_result.bic)
GARCH-modeller i Python

Nu kör vi en övning!

GARCH-modeller i Python

Preparing Video For Download...