Exploring The Exponentially Weighted Moving Average. Volatility är det vanligaste måttet på risk, men det kommer i flera smaker. I en tidigare artikel visade vi hur man beräknar enkel historisk volatilitet. Läs den här artikeln under Använda volatilitet för att mäta framtida risk Vi använde Google S faktiska aktiekursdata för att beräkna den dagliga volatiliteten baserat på 30 dygns lagerdata I den här artikeln kommer vi att förbättra den enkla volatiliteten och diskutera exponentiellt viktat glidande medelvärde EWMA Historical Vs Implied Volatility Först låt oss sätta denna mätning i en bit Perspektiv Det finns två breda strategier historisk och implicit eller implicit volatilitet Det historiska synsättet förutsätter att förflutet är prolog som vi mäter historia i hopp om att det är förutsägbart Implicerat volatilitet å andra sidan ignorerar historien som löser den volatilitet som indikeras av marknadspriser Det hoppas att marknaden vet bäst och att marknadspriset innehåller, även om det implicit är, en konsensusuppskattning av volatil Ity För relaterad läsning, se Användning och gränser för volatilitet. Om vi fokuserar på bara de tre historiska tillvägagångssätten till vänster ovan, har de två steg gemensamt. Beräkna serien av periodiska avkastningar. Använd en viktningsplan. Först beräknar vi Den periodiska avkastningen Det är vanligtvis en serie av dagliga avkastningar där varje avkastning uttrycks i kontinuerligt förhöjda termer. För varje dag tar vi den naturliga loggen av förhållandet mellan aktiekurserna, dvs priset idag dividerat med priset igår och så vidare. Det ger en Serie av dagliga avkastningar, från ui till du im beroende på hur många dagar m dagar vi mäter. Det tar oss till det andra steget. Det är här de tre metoderna skiljer sig. I den föregående artikeln med hjälp av volatilitet för att mäta framtida risk visade vi det under Ett par acceptabla förenklingar, den enkla variansen är genomsnittsvärdet för den kvadrerade avkastningen. Notera att detta summerar var och en av de periodiska avkastningarna, så delar den totala med antalet dagar eller observationer m Så det är verkligen jus T ett medelvärde av den kvadratiska periodiska avkastningen Sätt på ett annat sätt, varje kvadrerad retur ges lika vikt Så om alfa a är en viktningsfaktor specifikt, en 1 m, ser en enkel varians något ut så här. EWMA förbättras på enkel varians Svaghet i detta tillvägagångssätt är att alla avkastningar tjänar samma vikt igår s mycket nyårig avkastning har inte mer inflytande på variansen än i föregående månad s återvändande Detta problem fixas med hjälp av exponentiellt viktat glidande medelvärdet EWMA, där senare avkastning har större vikt På variansen. Den exponentiellt viktade glidande genomsnittliga EWMA introducerar lambda som kallas utjämningsparametern. Lambda måste vara mindre än en Under detta förhållande, i stället för lika vikter, vägs varje kvadrerad retur med en multiplikator enligt följande. Till exempel, RiskMetrics TM, Ett finansiellt riskhanteringsföretag tenderar att använda en lambda på 0 94, eller 94 I detta fall vägs den första senast kvadrerade periodiska avkastningen med 1-0 94 94 0 6 Den n Ext kvadrerad retur är helt enkelt en lambda-multipel av den tidigare vikten i detta fall 6 multiplicerad med 94 5 64 och den tredje föregående dagen s vikten är lika med 1-0 94 0 94 2 5 30. Det är betydelsen av exponentiell i EWMA varje vikt Är en konstant multiplikator, dvs lambda, som måste vara mindre än en av föregående dags vikt. Detta säkerställer en varians som är viktad eller förspänd mot senare data. Läs mer om Excel-kalkylbladet för Google s Volatilitet Skillnaden mellan helt enkelt volatilitet Och EWMA för Google visas nedan. Enkel volatilitet väger väsentligen varje periodisk avkastning med 0 196, vilket visas i kolumn O vi hade två års daglig aktiekursdata Det är 509 dagliga avkastningar och 1 509 0 196 Men märk att kolumn P tilldelar En vikt av 6, sedan 5 64, sedan 5 3 osv. Det är den enda skillnaden mellan enkel varians och EWMA. Remember När vi summerar hela serien i kolumn Q har vi variansen, vilket är kvadraten av standardavvikelsen If Vi vill ha volatilitet, vi nee D att komma ihåg att ta kvadratroten av den variansen. Vad är skillnaden i den dagliga volatiliteten mellan variansen och EWMA i Google s-fallet Det är viktigt Den enkla variansen gav oss en daglig volatilitet på 2 4 men EWMA gav en daglig volatilitet av Bara 1 4 se kalkylbladet för detaljer Tydligen sänkte Googles volatilitet mer nyligen, därför kan en enkel varians vara konstant hög. För närvarande s Varians är en funktion av Pior Day s Variance Du kommer märka att vi behövde beräkna en lång serie exponentiellt Fallande vikter Vi vann inte matematiken här, men en av de bästa egenskaperna hos EWMA är att hela serien reduceras bekvämt till en rekursiv formel. Recursiv betyder att dagens variansreferenser, dvs. Är en funktion av tidigare dagens varians Du kan Hitta denna formel i kalkylbladet också, och det ger exakt samma resultat som longhandberäkningen. Det står idag att varians under EWMA motsvarar igår s varians viktad av lambda plus igår ss Quared avkastning vägd av en minus lambda Observera hur vi bara lägger till två termer tillsammans igår s viktad varians och gårdagar viktad, kvadrerad retur. Ännu så är lambda vår utjämningsparametrar En högre lambda t. ex. som RiskMetric s 94 indikerar långsammare sönderfall i serien - Relativt sett kommer vi att ha fler datapunkter i serien och de kommer att falla av långsammare. Å andra sidan, om vi reducerar lambda, indikerar vi högre förfall, vikterna faller av snabbare och som direkt Resultatet av det snabba förfallet, färre datapunkter används I kalkylbladet är lambda en inmatning, så att du kan experimentera med sin känslighet. Sammanfattning Volatilitet är den aktuella standardavvikelsen för ett lager och den vanligaste riskvärdet Det är också kvadratroten Av varians Vi kan mäta varians historiskt eller implicit implicit volatilitet Vid mätning historiskt är den enklaste metoden enkel varians Men svagheten med enkel varians är alla avkastningar får samma vikt Åtta Så vi står inför en klassisk avvägning vi vill alltid ha mer data, men ju mer data vi har desto mer är vår beräkning utspädd med avlägsna mindre relevanta data. Det exponentiellt viktade glidande genomsnittet EWMA förbättras på enkel varians genom att tilldela vikter till periodisk avkastning. Genom att göra Detta kan vi båda använda en stor urvalsstorlek, men ge också större vikt till nyare avkastningar. För att se en filmhandledning om detta ämne, besök Bionic Turtle. Det maximala beloppet av pengar som Förenta staterna kan låna Skuldtaket skapades enligt Second Liberty Bond Act. Räntesatsen vid vilken en förvaringsinstitut lånar medel som upprätthålls i Federal Reservera till ett annat förvaringsinstitut.1 En statistisk mått på spridning av avkastning för ett visst värdepapper eller marknadsindex. Volatilitet kan antingen mätas. En akt som amerikanska kongressen antog 1933 som banklagen, som förbjöd handelsbanker att delta i investeringen. Nonfarm lön hänvisar till något jobb utanför gårdar, privata hushåll och nonprofit sektor. Den amerikanska presidiet för arbete. Valutaförkortningen eller valutasymbolen för den indiska rupien INR, indiens valuta Rupén består av 1.Detta exempel visar Hur man använder rörliga genomsnittliga filter och resampling för att isolera effekten av periodiska komponenter på tiden av dagen vid timme temperaturavläsningar, samt ta bort oönskade D linjebus från en spänningsmätning med öppen slinga Exemplet visar också hur man mäter nivåerna på en klocksignal medan du håller kanterna genom att använda ett medianfilter. Exemplet visar också hur man använder ett Hampel-filter för att avlägsna stora outliers. Vi upptäcker viktiga mönster i våra data medan vi lämnar ut saker som är oväsentliga, dvs brus Vi använder filtrering för att utföra denna utjämning Målet med utjämning är att producera långsamma värdeförändringar så att det blir enklare att se trender i våra data. Ibland när man undersöker Inmatningsdata du kanske vill släta data för att se en trend i signalen I vårt exempel har vi en uppsättning temperaturavläsningar i Celsius som tas varje timme på Logan Airport för hela januari månad 2011. Notera att vi kan visuellt Se vilken effekt dagtid har på temperaturavläsningarna. Om du bara är intresserad av den dagliga temperaturvariationen under månaden, bidrar de timliga fluktuationerna endast med ljud, vilket kan göra det dagliga varet Svårigheter att urskilja För att ta bort effekten av tiden på dagen, skulle vi nu vilja släta ut våra data genom att använda ett glidande medelfilter. A Flytande medelfilter. I sin enklaste form tar ett glidande medelfilter av längd N genomsnittet av Varje N på varandra följande prover av vågformen. Till tillämpa ett glidande medelfilter på varje datapunkt konstruerar vi våra koefficienter i vårt filter så att varje punkt är lika viktad och bidrar med 1 24 till det totala genomsnittet. Detta ger oss medeltemperaturen över varje 24 Timmarsperiod. Filter Delay. Not att den filtrerade utsignalen är försenad med cirka tolv timmar Detta beror på det faktum att vårt glidande medelfilter har en fördröjning. Ett nytt symmetriskt filter med längd N kommer att ha en fördröjning av N-1 2-prov. Vi kan Redogöra för denna fördröjning manuellt. Utdragsgenomsnittliga skillnader. Alternativt kan vi också använda det glidande medelfiltret för att få en bättre uppskattning av hur tidpunkten för dagen påverkar den totala temperaturen. För att göra detta, först, dra av den jämnda data från Timmars temperaturmätningar Därefter segmentera de olika dataen i dagar och ta medeltalet över alla 31 dagar i månaden. Extraktion av toppkuvert. Ibland skulle vi också vilja ha en jämn varierande uppskattning av hur höga och låga värdena på vår temperatursignal ändras Dagligen För att göra detta kan vi använda kuvertfunktionen för att ansluta extrema höga och låga detekterade över en delmängd av 24-timmarsperioden. I det här exemplet ser vi till att det finns minst 16 timmar mellan varje extremt hög och extremt låg. Vi kan också få en känsla Av hur höga och låga trender tränar genom att ta medeltalet mellan de två ytterligheterna. Vägt rörande medelfilter. Övriga typer av rörliga genomsnittliga filter viktar inte varje prov lika. Ett annat vanligt filter följer binomial expansion. Denna typ av filter approximerar en normal Kurva för stora värden på n Det är användbart för att filtrera ut högfrekventa ljud för små n För att hitta koefficienterna för binomialfiltret, sammanfoga med sig själv och sedan iterativt Ly convolve utgången med ett föreskrivet antal gånger I det här exemplet använder du fem totalt iterationer. Ett annat filter som liknar det gaussiska expansionsfiltret är det exponentiella glidande medelfiltret. Denna typ av vägd glidande medelfilter är lätt att konstruera och kräver inte en Stor fönsterstorlek. Du justerar ett exponentiellt viktat glidande medelfilter med en alfaparameter mellan noll och en. Ett högre värde på alfabetet kommer att ha mindre utjämning. Söm in på avläsningarna för en dag. Välj ditt land. Exponentialvägt Flyttande medelvärde EWMA-diagram för Statistisk processkontroll SPC. ewmaplot-data producerar ett EWMA-diagram över grupperade svar i data Rödena av data innehåller replikerade observationer som vidtagits vid en given tidpunkt. Raderna ska vara i tid order. ewmaplot-data, lambda producerar ett EWMA-diagram över grupperade svar i Data och specificerar hur mycket nuvarande förutsägelse påverkas av tidigare observationer. Högre värden av lambda ger större vikt vid tidigare observationer Av Default lambda 0 4 lambda måste vara mellan 0 och 1.ewmaplot data, lambda, alpha producerar ett EWMA-diagram över grupperade svar i data och specificerar signifikansnivån för de övre och nedre plottade konfidensgränserna alpha är 0 0027 som standard Detta värde Producerar tre-sigma gränser. För att få k - sigma gränser, använd uttrycket 2 1-normcdf k. Exempelvis är det korrekta alfavärdet för 2-sigma gränser 0 0455, som visas nedan. ewmaplot data, lambda, alfa, specs producerar Ett EWMA-diagram över de grupperade svaren i data och specificerar en vektor med två element, specifikationer för svarets nedre och övre specifikationsgränser. Ewmaplot returnerar en vektor av handtag till de plottade linjerna. Tänk på en process med ett långsamt drivande medelvärde En EWMA-diagram är att föredra för ett x-stapeldiagram för övervakning av denna typ av process Simuleringen nedan visar ett EWMA-diagram för en långsam, linjär drift. EWMA-värdet för grupp 28 är högre än vad som förväntas rent av en slump om vi hade övervakat detta Process Conti Nu hade vi upptäckt driften när grupp 28 samlades in, och vi skulle ha haft möjlighet att undersöka dess orsak. Montgomery, D, I ntroduction to Statistical Quality Control, John Wiley Sons 1991, s. 299.
No comments:
Post a Comment