การวัดความพอดีของโมเดล

GARCH Models ใน Python

Chelsea Yang

Data Science Instructor

ความพอดีของโมเดล

โมเดลอธิบายข้อมูลได้ดีแค่ไหน?

  1. Maximum likelihood
  2. เกณฑ์สารสนเทศ
GARCH Models ใน Python

Maximum likelihood

  • เพิ่มความน่าจะเป็นของการสังเกตข้อมูลภายใต้โมเดลที่สมมติขึ้น
  • เลือกโมเดลที่มีค่า likelihood สูงกว่า
GARCH Models ใน Python

Log-likelihood ใน Python

  • มักใช้ในรูปลอการิทึม: log-likelihood

ตัวอย่าง likelihood

print(gm_result.loglikelihood)
GARCH Models ใน Python

Overfitting

  • พอดีกับข้อมูล in-sample แต่ทำนายข้อมูล out-of-sample ได้ไม่ดี
  • มักเกิดจากโมเดลที่ซับซ้อนเกินไป
GARCH Models ใน Python

เกณฑ์สารสนเทศ

  • วัดสมดุลระหว่างความพอดีของโมเดลและความซับซ้อน

  • Likelihood + บทลงโทษสำหรับความซับซ้อนของโมเดล

  • AIC: Akaike's Information Criterion

  • BIC: Bayesian Information Criterion

เลือกโมเดลที่มีคะแนนเกณฑ์สารสนเทศต่ำกว่า

GARCH Models ใน Python

AIC vs. BIC

  • โดยทั่วไปทั้งสองให้ผลสอดคล้องกัน
  • BIC ลงโทษความซับซ้อนของโมเดลหนักกว่า
GARCH Models ใน Python

AIC/BIC ใน Python

ตัวอย่าง AIC/BIC

print(gm_result.aic)
print(gm_result.bic)
GARCH Models ใน Python

มาฝึกกันเถอะ!

GARCH Models ใน Python

Preparing Video For Download...