Modele GARCH w Pythonie

Standardowy model GARCH nie oddaje w pełni charakteru rzeczywistych danych finansowych, których rozkłady często wykazują grube ogony, skośność i asymetryczne szoki. W tym rozdziale nauczysz się budować lepsze modele GARCH z bardziej realistycznymi założeniami. Poznasz też zaawansowane metody prognozowania zmienności z wykorzystaniem podejścia okna kroczącego.

Ten rozdział zapozna cię z zasadą KISS w modelowaniu danych. Dowiesz się, jak używać p-wartości i statystyki t do upraszczania konfiguracji modelu, jak stosować wykres ACF i test Ljunga-Boxa do weryfikacji założeń modelu oraz jak wykorzystywać funkcję wiarygodności i kryteria informacyjne do wyboru modelu.

W tym ostatnim rozdziale nauczysz się stosować poznane modele GARCH w praktycznych scenariuszach ze świata finansów. Rozwiniesz swoje umiejętności, zapoznając się z wartością zagrożoną (VaR) w zarządzaniu ryzykiem, dynamiczną kowariancją w alokacji aktywów oraz dynamicznym współczynnikiem Beta w zarządzaniu portfelem.