Cuestionario vinculado a una guía · Medio Nivel

Cuestionario sobre modelos de volatilidad de GARCH

Comprenda cómo los shocks y la varianza pasados impulsan los pronósticos de GARCH y distinga la volatilidad condicional de la dirección del rendimiento y el riesgo realizado.

Rutas de guía relacionadasModelos de volatilidad de Garch
Pregunta 1 de 8

¿Qué términos impulsan la siguiente varianza en un modelo GARCH(1,1)?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. ¿Qué términos impulsan la siguiente varianza en un modelo GARCH(1,1)?
    • A constant, past squared innovation and past conditional variance
    • Only the current return sign
    • The next observed return and its future error
    • The number of features and clusters
  2. ¿Qué tiende a afectar a la varianza condicional un gran shock cuadrado reciente?
    • Set the expected return direction to positive
    • Raise the next variance forecast through the ARCH term
    • Force beta to zero
    • Make realized variance known exactly
  3. ¿Puede un pronóstico de varianza GARCH determinar si el próximo rendimiento es positivo o negativo?
    • Yes, beta is the return sign
    • Yes, higher variance means a positive return
    • No, it models conditional variance rather than return direction
    • Only if the variance forecast is zero
  4. ¿Qué ayudan a evaluar los residuos estandarizados?
    • The exact future loss amount
    • Whether feature names are ordered
    • The number of seasonal periods
    • Whether innovations scaled by fitted volatility retain structure
  5. ¿Por qué inspeccionar residuos estandarizados al cuadrado?
    • To estimate the mean return direction
    • To look for remaining volatility clustering
    • To calculate a classification threshold
    • To test whether all shocks are positive
  6. Under standard GARCH(1,1) assumptions, what does alpha+beta near one suggest?
    • A known positive return
    • No effect of past variance
    • Highly persistent volatility shocks
    • A zero conditional variance
  7. Why might a heavy-tailed innovation distribution be considered?
    • It makes the mean equation unnecessary
    • It guarantees every tail event is predicted
    • It sets conditional variance to zero
    • Financial returns may produce more extreme observations than a normal model captures
  8. Which measurement caveat applies when validating a variance forecast against realized variance?
    • The proxy itself is noisy and imperfectly measured
    • A proxy is always the true conditional variance
    • Only the return mean can be evaluated
    • The forecast horizon no longer matters