ทำไมเราถึงต้องการโมเดล GARCH

GARCH Models ใน Python

Chelsea Yang

Data Science Instructor

ภาพรวมของคอร์ส

GARCH: Generalized AutoRegressive Conditional Heteroskedasticity

  • บทที่ 1: พื้นฐานโมเดล GARCH
  • บทที่ 2: การกำหนดค่าโมเดล GARCH
  • บทที่ 3: การประเมินประสิทธิภาพโมเดล
  • บทที่ 4: GARCH ในทางปฏิบัติ
GARCH Models ใน Python

ความผันผวนคืออะไร

  • บอกถึงการกระจายตัวของผลตอบแทนสินทรัพย์ทางการเงินในช่วงเวลาต่างๆ
  • มักคำนวณจากส่วนเบี่ยงเบนมาตรฐานหรือความแปรปรวนของผลตอบแทนราคา
  • ความผันผวนยิ่งสูง สินทรัพย์ยิ่งมีความเสี่ยงมากขึ้น

ความผันผวนในฐานะตัวชี้วัดความเสี่ยง

GARCH Models ใน Python

วิธีคำนวณความผันผวน

  • ขั้นที่ 1: คำนวณผลตอบแทนเป็นเปอร์เซ็นต์ของการเปลี่ยนแปลงราคา $$ return = {\frac{P_1 - P_0}{P_0}} $$

  • ขั้นที่ 2: คำนวณค่าเฉลี่ยผลตอบแทนของกลุ่มตัวอย่าง $$ mean = \frac {\sum_{i=1}^n {return_i} }n $$

  • ขั้นที่ 3: คำนวณส่วนเบี่ยงเบนมาตรฐานของกลุ่มตัวอย่าง $$ volatility = \sqrt\frac {\sum_{i=1}^n {(return_i - mean)}^2} {n-1}= \sqrt {variance}$$

GARCH Models ใน Python

คำนวณความผันผวนใน Python

ใช้เมธอด pct_change() ของ pandas:

return_data = price_data.pct_change()

ใช้เมธอด std() ของ pandas:

volatility = return_data.std()
GARCH Models ใน Python

การแปลงค่าความผันผวน

  • แปลงความผันผวนรายวันเป็นรายเดือน:

(สมมติ 21 วันทำการต่อเดือน)

$$\sigma_{monthly} = \sqrt{21} * \sigma_d$$

  • แปลงความผันผวนรายวันเป็นรายปี:

(สมมติ 252 วันทำการต่อปี)

$$\sigma_{annual} = \sqrt{252} * \sigma_d$$

GARCH Models ใน Python

ความท้าทายของการสร้างโมเดลความผันผวน

Heteroskedasticity:

  • ในภาษากรีกโบราณ: "แตกต่าง" (hetero) + "การกระจาย" (skedasis)
  • อนุกรมเวลาที่แสดงความผันผวนเปลี่ยนแปลงอย่างเป็นระบบตามช่วงเวลา

Heteroskedasticity meme

GARCH Models ใน Python

ตรวจสอบ Heteroskedasticity

Homoskedasticity vs Heteroskedasticity

Homoskedasticity vs Heteroskedasticity

GARCH Models ใน Python

การรวมกลุ่มของความผันผวน

ราคาย้อนหลังของ VIX:

กราฟราคาย้อนหลังของ VIX

GARCH Models ใน Python

มาฝึกกันเถอะ!

GARCH Models ใน Python

Preparing Video For Download...