Utforsker den eksponentielt vektede Flytte Average. Volatility er det vanligste risikobildet, men det kommer i flere smaker. I en tidligere artikkel viste vi hvordan du kan beregne enkel historisk volatilitet. For å lese denne artikkelen, se Bruke volatilitet for å måle fremtidig risiko Vi brukte Google s faktiske aksjekursdata for å beregne daglig volatilitet basert på 30 døgns lagerdata I denne artikkelen vil vi forbedre den enkle volatiliteten og diskutere det eksponentielt vektede glidende gjennomsnittet EWMA Historical Vs Implied Volatility Først, la s sette denne metriske inn i en bit av perspektiv Det er to brede tilnærminger historisk og underforstått eller implisitt volatilitet Den historiske tilnærmingen antar at fortid er prolog, vi måler historie i håp om at det er forutsigbar. Implisitt volatilitet, derimot, ignorerer historien den løser for volatiliteten som følger med markedspriser Det håper at markedet vet best, og at markedsprisen inneholder, selv om det implisitt er et konsensusoverslag over volatil ity For relatert lesing, se Bruk og grenser for volatilitet. Hvis vi fokuserer på bare de tre historiske tilnærmingene til venstre over, har de to trinn til felles. Beregn serie periodiske avkastninger. Bruk en vektingsplan. Først beregner vi den periodiske avkastningen Det er vanligvis en serie av daglige avkastninger hvor hver avkastning er uttrykt i kontinuerlig sammensatte vilkår. For hver dag tar vi den naturlige loggen av forholdet mellom aksjekursene, dvs. prisen i dag delt på pris i går og så videre. Dette gir en serie av daglige avkastninger fra ui til deg im avhengig av hvor mange dager m dager vi måler. Det kommer oss til det andre trinnet Det er her de tre tilnærmingene er forskjellige. I den forrige artikkelen Ved bruk av volatilitet for å måle fremtidig risiko viste vi det under et par akseptable forenklinger, er den enkle variansen gjennomsnittet av kvadrert retur. Merk at dette summerer hver periodisk retur, og deler den summen med antall dager eller observasjoner m Så det er virkelig jus t et gjennomsnitt av den kvadratiske periodiske avkastningen. Sett på en annen måte, hver kvadret retur er gitt like vekt. Så hvis alfa a er en vektningsfaktor spesifikt, en 1 m, ser en enkel varianse noe slikt ut. EWMA forbedrer seg på enkel variasjon svakhet i denne tilnærmingen er at alle avkastninger tjener samme vekt i går s svært nylig avkastning har ingen større innflytelse på variansen enn forrige måned s retur Dette problemet er løst ved hjelp av eksponentielt vektet glidende gjennomsnittlig EWMA, der nyere avkastning har større vekt på variansen. Eksponentielt vektet glidende gjennomsnittlig EWMA introduserer lambda som kalles utjevningsparameteren Lambda må være mindre enn en Under denne betingelsen, i stedet for likevekter, vektlegges hver kvadret retur med følgende multiplikator. For eksempel, RiskMetrics TM, et finansiell risikostyringsfirma, har en tendens til å bruke en lambda på 0 94, eller 94 I dette tilfellet vektlegges den første siste kvadratiske periodiske avkastningen med 1-0 94 94 0 6 Den n ext squared retur er bare en lambda-multipel av den tidligere vekten i dette tilfellet 6 multiplisert med 94 5 64 Og den tredje forrige dag s vekt er lik 1-0 94 0 94 2 5 30. Det er betydningen av eksponentiell i EWMA hver vekt er en konstant multiplikator, dvs. lambda, som må være mindre enn en av de foregående dagens vekt. Dette sikrer en variasjon som er vektet eller forspent mot nyere data. For å lære mer, sjekk ut Excel-regnearket for Google s volatilitet. Forskjellen mellom bare volatilitet og EWMA for Google er vist nedenfor. Enkel volatilitet veier effektivt hver periodisk avkastning med 0 196 som vist i kolonne O vi hadde to års daglige aksjekursdata Det er 509 daglige avkastninger og 1 509 0 196 Men merk at kolonne P tildeler en vekt på 6, deretter 5 64, deretter 5 3 osv. Det er den eneste forskjellen mellom enkel varians og EWMA. Remember Etter at vi summerer hele serien i kolonne Q, har vi variansen, som er kvadratet av standardavviket hvis If vi vil ha volatilitet, vi nei d å huske å ta kvadratroten av den variansen. Hva er forskjellen i den daglige volatiliteten mellom variansen og EWMA i Google s saken Det er signifikant Den enkle variansen ga oss en daglig volatilitet på 2 4, men EWMA ga en daglig volatilitet av bare 1 4 se regnearket for detaljer Det er tydeligvis at Google's volatilitet slo seg ned for nylig, derfor kan en enkel varians være kunstig høy. Dagens variasjon er en funksjon av Pior Day s Variance Du vil merke at vi trengte å beregne en lang rekke eksponentielt fallende vekter Vi har ikke vunnet matematikken her, men en av EWMAs beste egenskaper er at hele serien reduseres til en rekursiv formel. Recursiv betyr at dagens variansreferanser dvs. er en funksjon av den forrige dagens varians Du kan finn denne formelen i regnearket også, og det gir nøyaktig samme resultat som longhand-beregningen. Det står i dag s varians under EWMA tilsvarer i går s varians veid av lambda pluss i går ss quared retur vekt av en minus lambda Legg merke til hvordan vi bare legger til to ord sammen i går s vektede varians og gjerdag vektet, kvadret tilbake. Likevel, lambda er vår utjevningsparameter En høyere lambda f. eks. som RiskMetric s 94 indikerer langsommelig forfall i serien - relativt sett vil vi ha flere datapunkter i serien og de kommer til å falle av sakte. På den annen side, hvis vi reduserer lambda, indikerer vi høyere forfall, vikene faller av raskere og som en direkte Resultatet av det raske forfallet, færre datapunkter blir brukt I regnearket er lambda en inngang, slik at du kan eksperimentere med dens følsomhet. Sosial volatilitet er den øyeblikkelige standardavviket til en bestand og den vanligste risikometrisk. Det er også kvadratroten av varians Vi kan måle varians historisk eller implisitt implisitt volatilitet Ved måling historisk er den enkleste metoden enkel varians Men svakheten med enkel varians er alle returene får det samme w åtte Så vi står overfor en klassisk avgang, vi vil alltid ha mer data, men jo flere data vi har jo mer vår beregning er fortynnet med fjernere mindre relevante data. Den eksponentielt vektede glidende gjennomsnittlige EWMA forbedres på enkel varianse ved å tildele vekt til periodisk avkastning. Ved å gjøre Dette kan vi begge bruke en stor utvalgsstørrelse, men gi også større vekt til nyere avkastninger. For å se en filmopplæring om dette emnet, besøk Bionic Turtle. En undersøkelse gjort av United States Bureau of Labor Statistics for å måle ledige stillinger. Det samler inn data fra arbeidsgivere. Det maksimale beløpet av penger USA kan låne. Gjeldstaket var opprettet under Second Liberty Bond Act. Renten som en depotinstitusjon låner midler til i Federal Reserve til en annen depotinstitusjon.1 Et statistisk mål for spredning av avkastning for en gitt sikkerhets - eller markedsindeks Volatilitet kan enten måles. En handling som den amerikanske kongressen vedtok i 1933 som bankloven, som forbyde kommersielle banker å delta i investeringen. Nonfarm lønn refererer til hvilken som helst jobb utenfor gårder, private husholdninger og nonprofit sektor. Det amerikanske arbeidsstyret. Jeg har en tidsserie av aksjekursene og ønsker å beregne det bevegelige gjennomsnittet i løpet av et ti minutters vindu, se diagrammet nedenfor. Da prismåter forekommer sporadisk, dvs. at de ikke er periodiske, ser det ms fairest å beregne et tidsvektet glidende gjennomsnitt. I diagrammet er det fire prisendringer A, B, C og D, mens de sistnevnte tre skjer innenfor vinduet. Merk at fordi B bare forekommer litt tid i vinduet, sier 3 minutter, verdien av A bidrar fortsatt til beregningen. Faktisk, så vidt jeg kan fortelle, skal beregningen bare baseres på verdiene for A, B og C ikke D og varigheten mellom dem og neste punkt eller i tilfelle av En varighet mellom start av tidsvinduet og B Initialt D vil ikke ha noen effekt, da tidsvektingen vil være null. Dette er korrekt. Dette er korrekt, min bekymring er at det bevegelige gjennomsnittet vil lagre mer enn den ikke-vektede beregning som ville utgjøre verdien av D umiddelbart, men den ikke-vektede beregningen har sine egne ulemper. A ville ha så mye effekt på resultatet som de andre prisene til tross for å være utenfor tidsvinduet. En plutselig flurry av raske prismatch ville sterkt forspenne det bevegelige gjennomsnittet, men kanskje dette er ønskelig. Kan noen tilby noe råd om hvilken tilnærming som synes best, eller om det er en alternativ eller hybrid tilnærming verdt å vurdere. Skrevet 14. apr 12 kl 21 35. Din resonnement er riktig Hva vil du bruke gjennomsnittet for skjønt Uten å vite at det er vanskelig å gi noen råd. Kanskje et alternativ ville være å vurdere løpende gjennomsnitt A, og når en ny verdi V kommer inn, beregne det nye gjennomsnittet A å være 1-c A c V, hvor c er mellom 0 og 1 På denne måten har de nyere flåttene en sterkere innflytelse, og effekten av gamle flått sprer seg over tid Du kan også ha c avhengig av tiden siden de forrige flåtene c blir mindre etter hvert som flåttene kommer nærmere. I den første modellen vekting vil gjennomsnittet være annerledes hvert sekund, da gamle lesinger får lavere vekt og nye målinger h høyere, slik at det alltid endrer seg, noe som ikke kan være ønskelig. Med den andre tilnærmingen gjør prisene plutselige hopp som nye priser blir introdusert og gamle forsvinner fra window. answered 14. april kl. 21.50. De to forslagene kommer fra den diskrete verden, men du kan finne en inspirasjon for ditt spesielle tilfelle. Ta en titt på eksponensiell utjevning I denne tilnærmingen innfører du utjevningsfaktoren 01 som lar deg endre påvirkningen av de siste elementene på prognosen. Eldre elementer blir tildelt eksponentielt avtagende vekter. Jeg har laget en enkel animasjon av hvordan eksponensiell utjevning ville spore en uniform tidsserie x 1 1 1 1 3 3 2 2 2 1 med tre forskjellige. Se også på noen av armeringslæringsteknikkene, se på de ulike diskonteringsmetodene for eksempel TD-læring og Q-Learning. Yes, det bevegelige gjennomsnittet vil selvsagt lagre Dette er fordi verdien er historisk informasjon, den oppsummerer eksempler på prisen i løpet av de siste 10 minuttene Denne typen gjennomsnitt er iboende laggy Den har en innebygd fem minutters offset fordi en boks gjennomsnitt uten offset vil være basert på - 5 minutter, sentrert på prøven Hvis prisen har vært på A lenge, og deretter endres en gang til B, det tar 5 minutter for gjennomsnittet å nå AB 2. Hvis du vil ha en gjennomsnittlig glatt funksjon uten skift i domenet, må vekten fordeles jevnt rundt prøvepunktet. Men dette er umulig å gjøre for priser som forekommer i sanntid, siden fremtidige data ikke er tilgjengelige. Hvis du vil ha en nylig endring, som D, for å få større innflytelse, bruk et gjennomsnitt som gir større vekt på de siste dataene, eller en kortere tidsperiode, eller begge deler. En enkel måte å glatte data er ganske enkelt å bruke en enkelt akkumulator den glatte estimatoren E og ta periodiske prøver av dataene SE blir oppdatert som følger. En fraksjon K mellom 0 og 1 av forskjellen mellom det nåværende prisprøve S og estimatoren E blir lagt til E Anta at prisen har vært på A for en lang tid e, slik at E er A, og deretter plutselig endres til B Estimatoren vil begynne å bevege seg mot B på eksponentiell måte som oppvarming av kjøling, lading av en kondensator, osv. Først vil det gjøre et stort hopp, og så mindre og mindre trinn Hvor raskt det beveger seg, avhenger av K Hvis K er 0, vil estimatoren ikke flytte i det hele tatt, og hvis K er 1, beveger den seg øyeblikkelig. Med K kan du justere hvor mye vekt du gir til estimatoren versus den nye prøven. Mer vekt er gitt til nyere prøver implisitt og prøvevinduet i utgangspunktet strekker seg til uendelig. E er basert på hver verdiprøve som noensinne har skjedd. Selvfølgelig har de aller gamle i tillegg ingen påvirkning på nåverdien. En veldig enkel og vakker metode. 12 på 21 50. Dette er det samme som Tom s Svar Hans formel for den nye verdien av estimatoren er 1 - KE KS som er algebraisk det samme som EKS - E det er en lineær blandingsfunksjon mellom gjeldende estimator E og den nye prøve S hvor verdien av K 0, 1 con trols blandingen Skrive den på den måten, er fin og nyttig Hvis K er 0 7, tar vi 70 av S og 30 av E, som er det samme som å legge 70 av forskjellen mellom E og S tilbake til E Kaz Apr 14 12 på 22 15. Ved å utvide Tom s svar kan formelen for å ta hensyn til avstanden mellom flåttene formaliseres tett flått har forholdsmessig lavere vekting. atn-t n-1 T det vil si a er forholdet mellom ankomsttidspunktet over gjennomsnittet interval. v 1 bruk forrige punkt eller v 1 - ua lineær interpolering eller vu neste punkt. Ytterligere informasjon finnes på side 59 i boken En introduksjon til høyfrekvensfinansiering. Defin som volatiliteten til en markedsvariabel på dag n, som estimert på slutten av dagen n-1 Variasjonsfrekvensen er volatilitetsfeltet på dag n. Oppsett verdien av markedsvariabelen på slutten av dagen er jeg Den kontinuerlig sammensatte avkastningen i dag jeg mellom slutten av forrige dag dvs. i-1 og slutten av dagen jeg er uttrykt som. Neste, ved å bruke standard tilnærming til å estimere fro m historiske data, vil vi bruke de nyeste m-observasjonene for å beregne en objektiv estimator av variansen. Hvor er gjennomsnittet av. Neste, la s anta og bruk det maksimale sannsynlighet estimatet av varians rate. Så langt har vi søkt likevekt til alle, slik at definisjonen ovenfor ofte refereres til som likevektet volatilitetsestimat. Tidligere uttalte vi at målet vårt var å estimere dagens volatilitetsnivå, så det gir mening å gi høyere vekt på nyere data enn til eldre. gjør det, la oss uttrykke vektet variansestimat som følger. mengden vekt gitt til en observasjon i dager siden. Så for å gi høyere vekt til nyere observasjoner. Langvarig gjennomsnittlig varians. En mulig utvidelse av ideen ovenfor er å anta at det er en langsiktig gjennomsnittsvariasjon, og at den skal få litt vekt. Modellen ovenfor er kjent som ARCH m-modellen, foreslått av Engle i 1994. EWMA er et spesielt tilfelle av ligningen ovenfor I dette tilfellet, Vi gjør det slik at vekten av variabelen Le reduseres eksponentielt når vi beveger oss tilbake gjennom tiden. I motsetning til den tidligere presentasjonen inneholder EWMA alle tidligere observasjoner, men med eksponentielt avtagende vekter i løpet av tiden. Nesten, bruker vi summen av vekter slik at de er lik enhetens begrensning. For verdien av . Nå kobler vi disse betingelsene tilbake til ligningen. For estimatet. For et større datasett er det tilstrekkelig lite å bli ignorert fra ligningen. EWMA-tilnærmingen har en attraktiv funksjon som krever relativt lite lagrede data. For å oppdatere vårt estimat ved noen poeng, vi trenger bare et tidligere estimat av variansraten og den nyeste observasjonsverdien. Et sekundært mål for EWMA er å spore forandringer i volatiliteten For små verdier, påvirker de siste observasjonene estimatet raskt. For verdier nærmere en, endres estimatet Sakte basert på de siste endringene i avkastningen til den underliggende variabelen. RiskMetrics-databasen produsert av JP Morgan og offentliggjort, bruker EWMA med for å oppdatere da ily volatilitet. VIKTIG EWMA-formelen antar ikke et langsiktig gjennomsnittlig variansnivå. Konseptet med volatilitet betyr at reversering ikke fanges av EWMA. ARCH GARCH-modellene er bedre egnet for dette formålet. Et sekundært mål for EWMA er å spore endringer I volatiliteten, så for små verdier, påvirker den siste observasjonen estimatet omgående, og for verdier nærmere en, endres estimatet sakte til de siste endringene i avkastningen til den underliggende variabelen. RiskMetrics-databasen produsert av JP Morgan og offentliggjort tilgjengelig i 1994 bruker EWMA-modellen til å oppdatere daglig volatilitetsestimat. Selskapet fant at over en rekke markedsvariabler, gir denne verdien en prognose for variansen som kommer nærmest til realisert variansesats. De realiserte variansene på en bestemt dag ble beregnet som en likevektet gjennomsnitt på de påfølgende 25 dagene. På samme måte, for å beregne den optimale verdien av lambda for vårt datasett, må vi beregne det realiserte volatilitet på hvert punkt Det er flere metoder, så velg en neste. Beregn summen av kvadratfeil SSE mellom EWMA estimat og realisert volatilitet Endelig minimer SSE ved å variere lambdaverdien. Sonder enkel Det er Den største utfordringen er å bli enige om en algoritmen for å beregne realisert volatilitet For eksempel valgte folket på RiskMetrics de etterfølgende 25 dagene for å beregne realisert variansrate. I ditt tilfelle kan du velge en algoritme som bruker daglig volum, HI LO og eller ÅPEN-LUKKET priser. Q 1 Kan vi bruk EWMA til å estimere eller prognose volatilitet mer enn ett trinn foran. EWMA-volatilitetsrepresentasjonen tar ikke utgangspunkt i en langsiktig gjennomsnittsvolatilitet, og dermed for en prognoshorisont utover ett trinn, returnerer EWMA en konstant verdi. For store data sett, verdien har svært lite innvirkning på den beregnede verdien. Ved fremover planlegger vi å benytte et argument for å godta brukerdefinert innledende volatilitetsverdi. Q 3 Hva er EWMAs forhold til ARCH GARCH Model. EWMA er i utgangspunktet en spesiell form for en ARCH-modell, med følgende karakteristikker. ARCH-rekkefølgen er lik prøvedataens størrelse. Vektene faller eksponentielt i takt gjennom hele tiden. Q 4 Returnerer EWMA til gjennomsnittet. NO EWMA har ikke en termen for det langsiktige variansgjenomsnittet, så går det ikke tilbake til noen verdi. Q 5 Hva er variansestimatet for horisonten utover en dag eller et steg fremover. Som i Q1 returnerer EWMA-funksjonen en konstant verdi lik den en - trinns estimeringsverdi. Q 6 Jeg har ukentlig månedlige årlige data Hvilken verdi jeg skal bruke. Du kan fortsatt bruke 0 94 som en standardverdi, men hvis du ønsker å finne den optimale verdien, må du sette opp et optimaliseringsproblem for minimere SSE eller MSE mellom EWMA og realisert volatilitet. Se vår volatilitet 101 opplæring i Tips og Hint på vår nettside for flere detaljer og eksempler. Q 7 hvis dataene mine ikke har null, hvordan kan jeg bruke funksjonen. For nå , bruk funksjonen DETREND for å fjerne gjennomsnittet fra dataene før du passerer det til EWMA-funksjonene. I fremtidige NumXL-utgivelser vil EWMA fjerne gjennomsnittet automatisk på dine vegne. Hull, John C Alternativer, Futures og andre derivater Financial Times Prentice Hall 2003, s. 372-374, ISBN 1-405-886145. Hamilton, JD Tidsserieanalyse Princeton University Press 1994, ISBN 0-691-04289-6.Tsay, Ruey S Analyse av Financial Times Series John Wiley SONS 2005, ISBN 0-471-690740.Relaterte lenker.
No comments:
Post a Comment