Utjämning med exponentiellt viktade rörliga medelvärden Ett rörligt medelvärde tar en högljudd tidsserie och ersätter varje värde med medelvärdet för ett grannskap om det angivna värdet. Detta grannskap kan bestå av rent historiska data, eller det kan vara centrerat om det givna värdet. Vidare kan värdena i grannskapet vägas med olika viktsatser. Här är ett exempel på ett lika viktat trepunkts glidande medelvärde, med historisk data, Här representerar den släta signalen, och representerar bullriga tidsserier. Till skillnad från enkla rörliga medelvärden, justerar ett exponentiellt vägt rörligt medelvärde (EWMA) ett värde enligt en exponentiellt vägd summa av alla tidigare värden. Det här är den grundläggande idén, det här är trevligt för att du inte behöver oroa dig för att ha ett trepunktsfönster, mot ett fempunktsfönster, eller oroa dig för att ditt viktningsschema är lämpligt. Med EWMA glömde tidigare störningar 8220remembered, 8221 och 8220slowly 8221 av termen i den sista ekvationen, medan i ett fönster eller grannskap med diskreta gränser glöms en störning så snart den passerar ut genom fönstret. Medelvärdet av EWMA för att tillgodose trender Efter att ha läst om EWMA i en databasbok hade jag lyckats med att använda det här verktyget på varje utjämningsprogram som jag kom över. Det var inte förrän senare som jag lärde mig att EWMA-funktionen egentligen bara är lämplig för stationär data, dvs data utan trender eller säsonglighet. I synnerhet motverkar EWMA-funktionen trenderna bort från strömmen, att it8217s redan är 8220seen8221. Så om du har en högljudd hattfunktion som går från 0 till 1 och sedan tillbaka till 0, kommer EWMA-funktionen att returnera låga värden på uppåt-sidan och höga värden på nedre sidan. Ett sätt att kringgå detta är att släta signalen i båda riktningarna, marschera framåt, och sedan marschera bakåt, och sedan genomsnittet de två. Här använder vi EWMA-funktionen som tillhandahålls av pandasmodulen. Holt-Winters Second Order EWMA Och här är en Python-kod som implementerar Holt-Winters andra ordermetod på en annan högljudd hattfunktion, som tidigare. Postnavigering Senaste inlägg7.3.7 Exponentiellt vägt rörande medelvärde (EWMA) 7.3.7 Exponentiellt vägt rörligt medelvärde För att förena antagandena om jämnviktad glidande genomsnittlig (UWMA) uppskattning med realiteterna för marknads heteroskedasticitet kan vi tillämpa estimatorn 7.10 endast för de senaste historiska data tq. vilket bör vara mest reflekterande av nuvarande marknadsförhållanden. Att göra det är självnedbrytande, eftersom tillämpning av estimatorn 7.10 till en liten mängd data kommer att öka sitt standardfel. Följaktligen innebär UWMA en quandary: det är dåligt att tillämpa det på mycket data, men det gäller även lite data. Detta motiverade Zangari (1994) för att föreslå en modifiering av UWMA kallad exponentiellt vägd glidande genomsnittlig (EWMA) uppskattning.2 Detta gäller en icke-enhetlig viktning i tidsseriedata, så att mycket data kan användas, men senaste data väges tyngre . Som namnet antyder är vikterna baserade på exponentiell funktion. Exponentiellt viktad glidande medelvärdering beräknas ersätta estimatorn 7.10 med var förfallsfaktor generellt tilldelas ett värde mellan .95 och .99. Nedbrytningsfaktorer tenderar att väga de senaste uppgifterna kraftigare. Observera att exponentiellt viktad glidande genomsnittlig uppskattning används allmänt, men det är en blygsam förbättring jämfört med UWMA. Det försöker inte modellera marknadsbetingad heteroskedasticitet mer än vad UWMA gör. Dess viktningsplan ersätter den kvantitet av data som ska användas med en liknande quandary om hur aggressiv en sönderfallsfaktor ska användas. Tänk på igen Exhibit 7.6 och vårt exempel på USD 10MM-positionen är SGD. Låt uppskatta 10 1 med användning av exponentiellt vägd glidande medelberäknare 7.20. Om vi använder .99 får vi en uppskattning för 10 1 av .0054. Om vi använder .95 får vi en uppskattning av .0067. Dessa motsvarar positionen värde-till-risk-resultat på USD 89.000 respektive USD 110.000. Utställning 7.7 anger 30 dagars data för 1 månaders CHF Libor. Utställning 7.7: Data för 1 månad CHF Libor. Priserna uttrycks som procentandelar. Källa: British Bankers Association (BBA). Exponentialrörande medelvärde - EMA BREAKING DOWN Exponentiell rörlig genomsnitts - EMA De 12 och 26-dagars EMA-erna är de mest populära kortsiktiga medelvärdena, och de används för att skapa indikatorer som den glidande genomsnittliga konvergensen divergens (MACD) och procentuell prisoscillator (PPO). I allmänhet används 50- och 200-dagars EMA som signaler för långsiktiga trender. Näringsidkare som anställer teknisk analys tycker att glidande medelvärden är mycket användbara och insiktsfulla när de tillämpas korrekt men skapar kaos när de används felaktigt eller misstolkas. Alla glidande medelvärden som vanligen används i teknisk analys är av sin natur släpande indikatorer. Följaktligen bör slutsatserna från att tillämpa ett glidande medelvärde till ett visst marknadsdiagram vara att bekräfta en marknadsrörelse eller att indikera dess styrka. Mycket ofta har den glidande genomsnittliga indikatorlinjen ändå förändrats för att återspegla ett betydande drag på marknaden, och den optimala marknaden för marknadsinträde har redan gått. En EMA tjänar till att lindra detta dilemma till viss del. Eftersom EMA-beräkningen lägger större vikt på de senaste uppgifterna, kramar prisåtgärden lite snävare och reagerar därför snabbare. Detta är önskvärt när en EMA används för att härleda en handelsinmatningssignal. Tolkning av EMA Liksom alla glidande medelindikatorer är de mycket bättre lämpade för trending marknader. När marknaden är i en stark och hållbar uppgång. EMA-indikatorlinjen visar också en uptrend och vice versa för en nedåtriktad trend. En vaksam näringsidkare kommer inte bara att uppmärksamma EMA-linjens riktning utan också förhållandet mellan förändringshastigheten från en stapel till en annan. När prisåtgärden för en stark uppåtgående börjar börja flata och vända, kommer EMA: s förändringshastighet från en stapel till nästa att minska till dess att indikatorlinjen plattas och förändringshastigheten är noll. På grund av den försvagande effekten, vid denna punkt, eller till och med några få barer innan, bör prisåtgärden redan ha reverserat. Det följer därför att observera en konsekvent minskande i förändringshastigheten hos EMA kan själv användas som en indikator som ytterligare kan motverka det dilemma som orsakas av den släpande effekten av rörliga medelvärden. Vanliga användningar av EMA-EMA används ofta i kombination med andra indikatorer för att bekräfta betydande marknadsrörelser och att mäta deras giltighet. För näringsidkare som handlar intradag och snabba marknader är EMA mer tillämplig. Ofta använder handlare EMA för att bestämma en handelsförskjutning. Om en EMA på ett dagligt diagram visar en stark uppåtgående trend kan en intradaghandlarestrategi vara att endast handla från långsidan på en intradagskarta. Att exponera den exponentiellt viktade rörliga genomsnittsvolatiliteten är det vanligaste måttet på risk, men det kommer i flera smaker. I en tidigare artikel visade vi hur man beräkna enkel historisk volatilitet. (För att läsa den här artikeln, se Använd volatilitet för att mäta framtida risk.) Vi använde Googles 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 exponentialvägt rörligt medelvärde (EWMA). Historisk Vs. Implicit Volatilitet Först, låt oss sätta denna mätning i en bit av perspektiv. Det finns två breda tillvägagångssätt: historisk och underförstådd (eller implicit) volatilitet. Det historiska tillvägagångssättet förutsätter att förflutet är en prolog som vi mäter historia i hopp om att det är förutsägbart. Implicit volatilitet å andra sidan ignorerar historien som den löser för volatiliteten implicerad av marknadspriser. Det hoppas att marknaden vet bäst och att marknadspriset innehåller, även om det implicit är, en konsensusuppskattning av volatiliteten. (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 periodisk avkastning Använd ett viktningsschema Först vi beräkna den periodiska avkastningen. Det är typiskt en serie av dagliga avkastningar där varje avkastning uttrycks i fortlöpande sammansatta termer. För varje dag tar vi den naturliga loggen av förhållandet mellan aktiekurserna (det vill säga priset idag fördelat på pris igår, och så vidare). Detta ger en serie dagliga avkastningar, från dig till jag i-m. beroende på hur många dagar (m dagar) vi mäter. Det får oss till det andra steget: Det är här de tre metoderna skiljer sig åt. I den föregående artikeln (Använd volatilitet för att mäta framtida risker) visade vi att enligt enkla acceptabla förenklingar är den enkla variansen genomsnittet av de kvadrerade avkastningarna: Observera att summan av varje periodisk avkastning delar upp den totala av antal dagar eller observationer (m). Så det är verkligen bara ett genomsnitt av den kvadrerade periodiska avkastningen. Sätt på ett annat sätt, varje kvadrerad retur ges lika vikt. Så om alfa (a) är en viktningsfaktor (specifikt en 1m) ser en enkel varians något ut så här: EWMA förbättras på enkel varians Svagheten i denna metod är att alla avkastningar tjänar samma vikt. Yesterdays (väldigt ny) avkastning har inte mer inflytande på variansen än förra månaden tillbaka. Detta problem fastställs med hjälp av det exponentiellt viktade glidande medlet (EWMA), där senare avkastning har större vikt på variansen. Det exponentiellt viktade glidande medlet (EWMA) introducerar lambda. som kallas utjämningsparametern. Lambda måste vara mindre än en. Under det förhållandet, i stället för lika vikter, vägs varje kvadrerad avkastning med en multiplikator enligt följande: RiskMetrics TM, ett finansiellt riskhanteringsföretag, tenderar till exempel att använda en lambda på 0,94 eller 94. I det här fallet är den första ( senaste) kvadratiska periodiska avkastningen vägs av (1-0,94) (.94) 0 6. Nästa kvadrerade retur är helt enkelt en lambda-multipel av den tidigare vikten i detta fall 6 multiplicerat med 94 5,64. Och den tredje föregående dagens vikt 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 den tidigare dagens vikt. Detta säkerställer en varians som är viktad eller förspänd mot senare data. (Mer information finns i Excel-kalkylbladet för Googles volatilitet.) Skillnaden mellan helt enkelt volatilitet och EWMA för Google visas nedan. Enkel volatilitet väger effektivt varje periodisk avkastning med 0,196 som visas i kolumn O (vi hade två års daglig aktiekursdata, det vill säga 509 dagliga avkastningar och 1509 0,196). Men märker att kolumn P tilldelar en vikt av 6, sedan 5,64, sedan 5,3 och så vidare. Det är den enda skillnaden mellan enkel varians och EWMA. Kom ihåg: När vi summerar hela serien (i kolumn Q) har vi variansen, vilket är kvadraten av standardavvikelsen. Om vi vill ha volatilitet, måste vi komma ihåg att ta kvadratroten av den variansen. Vad är skillnaden i den dagliga volatiliteten mellan variansen och EWMA i Googles fall? Det är viktigt: Den enkla variansen gav oss en daglig volatilitet på 2,4 men EWMA gav en daglig volatilitet på endast 1,4 (se kalkylbladet för detaljer). Uppenbarligen avtog Googles volatilitet mer nyligen, därför kan en enkel varians vara konstant hög. Dagens Varians är en funktion av Pior Days Variance Du märker att vi behövde beräkna en lång serie exponentiellt sjunkande vikter. Vi brukar inte göra matematiken här, men en av EWMA: s bästa egenskaper är att hela serien reduceras bekvämt till en rekursiv formel: Rekursiv betyder att dagens variansreferenser (det vill säga är en funktion av den tidigare dagens varians). Du kan också hitta denna formel i kalkylbladet, och det ger exakt samma resultat som longhandberäkningen. Det står: Dagens varians (under EWMA) motsvarar ysterdays variance (viktad av lambda) plus ysterdays kvadrerade retur (vägd av en minus lambda). Lägg märke till hur vi bara lägger till två termer tillsammans: Vardagens viktade varians och gårdagens viktiga, kvadrerade retur. Ändå är lambda vår utjämningsparameter. En högre lambda (t ex som RiskMetrics 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 sönderfall: vikterna faller av snabbare och som ett direkt resultat av det snabba förfallet används färre datapunkter. (I kalkylbladet är lambda en ingång, så du kan experimentera med sin känslighet). Sammanfattning Volatilitet är den aktuella standardavvikelsen för ett lager och den vanligaste riskvärdet. Det är också kvadratrot av varians. Vi kan måle variationen historiskt eller implicit (underförstådd volatilitet). När man mäter historiskt är den enklaste metoden enkel varians. Men svagheten med enkel varians är alla avkastningar får samma vikt. Så vi står inför en klassisk avvägning: vi vill alltid ha mer data, men ju mer data vi har desto mer beräknas vår beräkning utspädd av 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.) Beta är ett mått på volatiliteten eller systematisk risk för en säkerhet eller en portfölj i jämförelse med marknaden som helhet. En typ av skatt som tas ut på kapitalvinster som uppkommit av individer och företag. Realisationsvinster är vinsten som en investerare. En order att köpa en säkerhet till eller under ett angivet pris. En köpgränsorder tillåter näringsidkare och investerare att specificera. En IRS-regel (Internal Revenue Service) som tillåter utbetalningar från ett IRA-konto på ett strafffritt sätt. Regeln kräver det. Den första försäljningen av lager av ett privat företag till allmänheten. IPOs utfärdas ofta av mindre, yngre företag som söker. Skuldkvotskvoten är skuldkvoten som används för att mäta ett företags finansiella hävstångseffekt eller en skuldkvot som används för att mäta en individ.
No comments:
Post a Comment