GARCH Models ใน Python
Chelsea Yang
Data Science Instructor
GARCH: Generalized AutoRegressive Conditional Heteroskedasticity

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 $$ volatility = \sqrt\frac {\sum_{i=1}^n {(return_i - mean)}^2} {n-1}= \sqrt {variance}$$
ใช้เมธอด pct_change() ของ pandas:
return_data = price_data.pct_change()
ใช้เมธอด std() ของ pandas:
volatility = return_data.std()
(สมมติ 21 วันทำการต่อเดือน)
$$\sigma_{monthly} = \sqrt{21} * \sigma_d$$
(สมมติ 252 วันทำการต่อปี)
$$\sigma_{annual} = \sqrt{252} * \sigma_d$$
Heteroskedasticity:

Homoskedasticity vs Heteroskedasticity

ราคาย้อนหลังของ VIX:

GARCH Models ใน Python