<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>garch &#8212; &gt; Machine Learning Guru|</title>
	<atom:link href="https://mlgu.ru/tag/garch/feed/" rel="self" type="application/rss+xml" />
	<link>https://mlgu.ru</link>
	<description></description>
	<lastBuildDate>Thu, 11 Dec 2025 01:11:52 +0000</lastBuildDate>
	<language>ru-RU</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	<generator>https://wordpress.org/?v=6.9.4</generator>

<image>
	<url>https://mlgu.ru/wp-content/uploads/2025/06/mlguru-icon-150x150.png</url>
	<title>garch &#8212; &gt; Machine Learning Guru|</title>
	<link>https://mlgu.ru</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>EGARCH, TGARCH, FIGARCH для моделирования асимметричной волатильности</title>
		<link>https://mlgu.ru/6807/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 11 Dec 2025 00:51:07 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[garch]]></category>
		<category><![CDATA[волатильность]]></category>
		<category><![CDATA[моделирование риска]]></category>
		<category><![CDATA[эконометрические модели]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6807</guid>

					<description><![CDATA[Волатильность большинства финансовых активов ассиметрична: негативные шоки увеличивают ее сильнее, чем позитивные той же величины. Классическая модель GARCH (1,1) предполагает симметричный отклик условной дисперсии, что приводит к систематическим ошибкам в оценке риска и неэффективному хеджированию опционных позиций. Эконометрические модели EGARCH, TGARCH и FIGARCH расширяют базовую спецификацию GARCH, позволяя моделировать асимметричные эффекты и долгую память в [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Гомоскедастичность и Гетероскедастичность временных рядов</title>
		<link>https://mlgu.ru/2440/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 22 May 2025 17:05:21 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[garch]]></category>
		<category><![CDATA[scipy]]></category>
		<category><![CDATA[statsmodels]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[эконометрические модели]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=2440</guid>

					<description><![CDATA[Гомоскедастичность (homoskedasticity) и гетероскедастичность (heteroskedasticity) представляют собой фундаментальные свойства временных рядов, описывающие характер изменения дисперсии случайной компоненты во времени. Эти концепции напрямую влияют на выбор модели, методы оценки параметров и, что особенно важно для практикующих квант-аналитиков, на качество прогнозов и риск-менеджмент. Теоретические основы гомоскедастичности Гомоскедастичность временного ряда подразумевает постоянство дисперсии случайной компоненты на протяжении всего [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Корреляция и ковариация в финансах: анализ взаимосвязи между активами</title>
		<link>https://mlgu.ru/2126/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sun, 11 May 2025 07:59:57 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[garch]]></category>
		<category><![CDATA[корреляции]]></category>
		<category><![CDATA[оптимизация портфеля]]></category>
		<category><![CDATA[управление рисками]]></category>
		<category><![CDATA[финансовый анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=2126</guid>

					<description><![CDATA[Ковариация и корреляция — это статистические метрики, которые измеряют степень совместного изменения двух случайных величин. В контексте финансов эти величины чаще всего представляют собой доходности активов. Хотя эти концепции тесно связаны, между ними существуют важные различия, которые необходимо понимать для правильного применения в финансовом анализе. Ковариация является мерой того, насколько два случайных изменения доходности активов [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Основы количественного анализа и моделирования финансовых рынков</title>
		<link>https://mlgu.ru/2070/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 10 May 2025 11:22:29 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[garch]]></category>
		<category><![CDATA[quantitative analysis]]></category>
		<category><![CDATA[биржевая аналитика]]></category>
		<category><![CDATA[вероятностные модели]]></category>
		<category><![CDATA[волатильность]]></category>
		<category><![CDATA[квантитативный анализ]]></category>
		<category><![CDATA[математическое моделирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=2070</guid>

					<description><![CDATA[В основе большинства успешных инвестиционных стратегий лежит холодный расчет. Не интуиция, не рыночные слухи, не индикаторы, а строгие формулы и алгоритмы, способные обработать потоки информации быстрее любого человека. Сегодня рынок движется не только деньгами, но и данными — огромными массивами цен, объемов, новостей, макроэкономических показетелей. И именно математические модели позволяют превращать этот хаос в упорядоченные [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Расчет показателей доходности и риска биржевой торговли на Python</title>
		<link>https://mlgu.ru/1876/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 08 May 2025 17:04:33 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[garch]]></category>
		<category><![CDATA[keras]]></category>
		<category><![CDATA[quantitative analysis]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[анализ рынков]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[квантитативный анализ]]></category>
		<category><![CDATA[расчет доходности]]></category>
		<category><![CDATA[управление рисками]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=1876</guid>

					<description><![CDATA[В данной статье я хочу поделиться опытом использования Python для расчета ключевых показателей доходности и риска биржевой торговли. Я рассмотрю как классические метрики, так и более продвинутые подходы, используемые в профессиональных инвестиционных компаниях и хедж-фондах. Основы анализа доходности и риска Прежде чем погружаться в технические детали и код, давайте выясним, что именно мы хотим измерять [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Модели GARCH: моделирование волатильности</title>
		<link>https://mlgu.ru/1778/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Mon, 05 May 2025 22:24:44 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[garch]]></category>
		<category><![CDATA[quantitative analysis]]></category>
		<category><![CDATA[волатильность]]></category>
		<category><![CDATA[математическое моделирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=1778</guid>

					<description><![CDATA[Модели GARCH (Generalized Autoregressive Conditional Heteroskedasticity) представляют собой мощный инструмент для анализа и прогнозирования волатильности. И хотя данные модели уже не новы (появились в конце 1980х гг), и не лишены недостатков и ограничений, многие финансовые институты и аналитики по-прежнему их широко применяют, а понимание внутреннего механизма этих моделей создает прочный фундамент для разработки более совершенных [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Волатильность акций, облигаций, деривативов. Как ее посчитать?</title>
		<link>https://mlgu.ru/1361/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Mon, 28 Apr 2025 20:54:29 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[garch]]></category>
		<category><![CDATA[анализ рынков]]></category>
		<category><![CDATA[волатильность]]></category>
		<category><![CDATA[квантитативный анализ]]></category>
		<category><![CDATA[математическое моделирование]]></category>
		<category><![CDATA[опционы]]></category>
		<category><![CDATA[управление рисками]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=1361</guid>

					<description><![CDATA[Волатильность — это статистический показатель, характеризующий изменчивость цены актива за определенный промежуток времени. По сути, это мера риска, связанного с ценовыми колебаниями финансового инструмента. Высокая волатильность означает значительные и частые изменения цены, в то время как низкая волатильность указывает на более стабильное движение цены с меньшими отклонениями. На практике волатильность влияет на множество аспектов финансовых [&#8230;]]]></description>
		
		
		
			</item>
	</channel>
</rss>
