Міри якості апроксимації

Моделі GARCH у Python

Chelsea Yang

Data Science Instructor

Якість апроксимації

Чи добре модель пояснює дані?

  1. Максимальна правдоподібність
  2. Інформаційні критерії
Моделі GARCH у Python

Максимальна правдоподібність

  • Максимізуйте ймовірність отримати спостережувані дані за припущеної моделі
  • Надавайте перевагу моделям із більшою правдоподібністю
Моделі GARCH у Python

Лог-правдоподібність у Python

  • Зазвичай використовують у лог-формі: лог-правдоподібність

Приклад правдоподібності

print(gm_result.loglikelihood)
Моделі GARCH у Python

Переобучення

  • Добре підганяє навчальні дані, але погано прогнозує на позавибіркових даних
  • Зазвичай через надмірну складність моделі
Моделі GARCH у Python

Інформаційні критерії

  • Вимірюють компроміс між якістю підгонки та складністю моделі

  • Правдоподібність + штраф за складність

  • AIC: критерій інформації Акаіке

  • BIC: баєсівський інформаційний критерій

Надавайте перевагу моделям із нижчим значенням інформаційного критерію

Моделі GARCH у Python

AIC vs. BIC

  • Загалом вони узгоджуються між собою
  • BIC суворіше штрафує за складність моделі
Моделі GARCH у Python

AIC/BIC у Python

Приклад AIC/BIC

print(gm_result.aic)
print(gm_result.bic)
Моделі GARCH у Python

Давайте потренуємось!

Моделі GARCH у Python

Preparing Video For Download...