Menjelajahi Volatilitas Bergerak yang Tertimbang Tertimbang Secara Eksponensial adalah ukuran risiko yang paling umum, namun ada beberapa rasa. Dalam artikel sebelumnya, kami menunjukkan bagaimana cara menghitung volatilitas historis sederhana. (Untuk membaca artikel ini, lihat Menggunakan Volatilitas untuk Mengukur Risiko Masa Depan.) Kami menggunakan data harga saham Googles aktual untuk menghitung volatilitas harian berdasarkan data stok 30 hari. Pada artikel ini, kami akan memperbaiki volatilitas sederhana dan membahas rata-rata bergerak tertimbang eksponensial (eksploitatif tertimbang rata-rata) (EWMA). Sejarah Vs. Volatilitas Tersirat Pertama, mari kita letakkan metrik ini menjadi sedikit perspektif. Ada dua pendekatan yang luas: volatilitas historis dan tersirat (atau implisit). Pendekatan historis mengasumsikan bahwa masa lalu adalah prolog kita mengukur sejarah dengan harapan itu bersifat prediktif. Sebaliknya, volatilitas tersirat mengabaikan sejarah yang memecahkan volatilitas yang diimplikasikan oleh harga pasar. Ia berharap pasar tahu yang terbaik dan bahwa harga pasar mengandung, bahkan jika secara implisit, perkiraan konsensus volatilitas. (Untuk pembacaan yang terkait, lihat Kegunaan dan Batas Volatilitasnya.) Jika kita berfokus hanya pada tiga pendekatan historis (di sebelah kiri di atas), mereka memiliki dua kesamaan: Hitunglah serangkaian pengembalian periodik Terapkan skema pembobotan Pertama, kita Hitung kembali periodik. Itu biasanya serangkaian pengembalian harian dimana masing-masing imbal hasil dinyatakan dalam istilah yang terus bertambah. Untuk setiap hari, kita mengambil log natural dari rasio harga saham (yaitu harga hari ini dibagi dengan harga kemarin, dan seterusnya). Ini menghasilkan serangkaian pengembalian harian, dari u i sampai u i-m. Tergantung berapa hari (m hari) yang kita ukur. Itu membawa kita ke langkah kedua: Di sinilah ketiga pendekatan berbeda. Pada artikel sebelumnya (Menggunakan Volatilitas Untuk Mengukur Risiko Masa Depan), kami menunjukkan bahwa di bawah beberapa penyederhanaan yang dapat diterima, varians sederhana adalah rata-rata pengembalian kuadrat: Perhatikan bahwa jumlah ini masing-masing dari pengembalian periodik, kemudian dibagi total oleh Jumlah hari atau pengamatan (m). Jadi, yang benar-benar hanya rata-rata kuadrat periodik kembali. Dengan kata lain, setiap kuadrat kembali diberi bobot yang sama. Jadi, jika alpha (a) adalah faktor pembobotan (khusus, 1m), maka varians sederhana terlihat seperti ini: EWMA Meningkatkan Varians Sederhana Kelemahan pendekatan ini adalah bahwa semua pengembalian mendapatkan bobot yang sama. Kembali ke masa lalu (sangat baru) tidak berpengaruh lagi terhadap varians daripada return bulan lalu. Masalah ini diperbaiki dengan menggunakan rata-rata pergerakan tertimbang eksponensial (EWMA), di mana pengembalian yang lebih baru memiliki bobot yang lebih besar pada variansnya. Rata-rata bergerak tertimbang secara eksponensial (EWMA) memperkenalkan lambda. Yang disebut parameter smoothing. Lambda harus kurang dari satu. Dengan kondisi seperti itu, daripada bobot yang sama, setiap kuadrat kembali dibobot oleh pengganda sebagai berikut: Misalnya, RiskMetrics TM, perusahaan manajemen risiko keuangan, cenderung menggunakan lambda 0,94, atau 94. Dalam kasus ini, Paling akhir) kuadrat periodik kembali ditimbang oleh (1-0.94) (94) 0 6. Kuadrat berikutnya kembali hanyalah lambda-kelipatan dari berat sebelumnya dalam kasus ini 6 dikalikan 94 5.64. Dan hari ketiga berat sama dengan (1-0.94) (0.94) 2 5.30. Itulah makna eksponensial dalam EWMA: setiap bobot adalah pengganda konstan (yaitu lambda, yang harus kurang dari satu) dari berat hari sebelumnya. Hal ini memastikan varians yang berbobot atau bias terhadap data yang lebih baru. (Untuk mempelajari lebih lanjut, lihat Lembar Kerja Excel untuk Volatilitas Google). Perbedaan antara hanya volatilitas dan EWMA untuk Google ditunjukkan di bawah ini. Volatilitas sederhana secara efektif membebani setiap return periodik sebesar 0,199 seperti yang ditunjukkan pada Kolom O (kami memiliki data harga saham dua tahun. Itu adalah 509 return harian dan 1509 0.196). Tapi perhatikan bahwa Kolom P memberi bobot 6, lalu 5.64, lalu 5.3 dan seterusnya. Itulah satu-satunya perbedaan antara varians sederhana dan EWMA. Ingat: Setelah kita menghitung keseluruhan rangkaian (di Kolom Q), kita memiliki varians, yang merupakan kuadrat dari standar deviasi. Jika kita ingin volatilitas, kita perlu ingat untuk mengambil akar kuadrat varians itu. Apa perbedaan dalam volatilitas harian antara varians dan EWMA dalam kasus Googles yang signifikan: Variance sederhana memberi volatilitas harian sebesar 2,4 namun EWMA memberikan volatilitas harian hanya 1,4 (lihat spreadsheet untuk rinciannya). Rupanya, volatilitas Googles baru-baru ini turun, oleh karena itu, varians sederhana mungkin sangat tinggi secara artifisial. Todays Varians Adalah Fungsi Varian Jurus Hari Ini, kami akan mempertimbangkan untuk menghitung deret berat badan yang menurun secara eksponensial. Kami tidak akan melakukan matematika di sini, tapi salah satu fitur terbaik dari EWMA adalah keseluruhan rangkaian mudah direduksi menjadi formula rekursif: Rekursif berarti referensi varians hari ini (yaitu fungsi dari varian hari sebelumnya). Anda dapat menemukan formula ini di dalam spreadsheet juga, dan menghasilkan hasil yang sama persis dengan perhitungan longhand yang dikatakan: Variasi hari ini (di bawah EWMA) sama dengan varians kemarin (tertimbang oleh lambda) ditambah kembalinya kuadran kemarin (ditimbang oleh satu minus lambda). Perhatikan bagaimana kita hanya menambahkan dua istilah bersama: varians berbobot kemarin dan kemarin berbobot, kuadrat kembali. Meski begitu, lambda adalah parameter penghalusan kita. Lambda yang lebih tinggi (misalnya RiskMetrics 94) mengindikasikan peluruhan lambat dalam rangkaian - secara relatif, kita akan memiliki lebih banyak titik data dalam rangkaian dan akan jatuh lebih lambat. Di sisi lain, jika kita mengurangi lambda, kita mengindikasikan peluruhan yang lebih tinggi: bobotnya akan jatuh lebih cepat dan, sebagai akibat langsung dari pembusukan yang cepat, lebih sedikit titik data yang digunakan. (Dalam spreadsheet, lambda adalah masukan, jadi Anda bisa bereksperimen dengan sensitivitasnya). Ringkasan Volatilitas adalah deviasi standar instan dari stok dan metrik risiko yang paling umum. Ini juga merupakan akar kuadrat dari varians. Kita dapat mengukur varians secara historis atau implisit (volatilitas tersirat). Saat mengukur secara historis, metode termudah adalah varians sederhana. Tapi kelemahan dengan varians sederhana adalah semua kembali mendapatkan bobot yang sama. Jadi kita menghadapi trade-off klasik: kita selalu menginginkan lebih banyak data tapi semakin banyak data yang kita miliki, semakin banyak perhitungan kita yang terdilusi oleh data yang jauh (kurang relevan). Rata-rata pergerakan tertimbang eksponensial (EWMA) meningkat dengan varians sederhana dengan menetapkan bobot ke tingkat pengembalian periodik. Dengan melakukan ini, kita berdua bisa menggunakan ukuran sampel yang besar namun juga memberi bobot lebih besar pada hasil yang lebih baru. (Untuk melihat tutorial film tentang topik ini, kunjungi Penyu Bionik.) Ukuran hubungan antara perubahan kuantitas yang diminta dari barang tertentu dan perubahan harganya. Harga. Total nilai pasar dolar dari seluruh saham perusahaan yang beredar. Kapitalisasi pasar dihitung dengan cara mengalikan. Frexit pendek untuk quotFrench exitquot adalah spinoff Prancis dari istilah Brexit, yang muncul saat Inggris memilih. Perintah ditempatkan dengan broker yang menggabungkan fitur stop order dengan pesanan limit. Perintah stop-limit akan. Ronde pembiayaan dimana investor membeli saham dari perusahaan dengan valuasi lebih rendah daripada valuasi yang ditempatkan pada. Teori ekonomi tentang pengeluaran total dalam perekonomian dan pengaruhnya terhadap output dan inflasi. Ekonomi Keynesian dikembangkan. Dokumentasi Contoh ini menunjukkan bagaimana menggunakan filter rata-rata bergerak dan resampling untuk mengisolasi efek komponen periodik pada siang hari pada pembacaan suhu per jam, serta menghilangkan noise jalur yang tidak diinginkan dari pengukuran voltase loop terbuka. Contohnya juga menunjukkan bagaimana memperlancar tingkat sinyal jam sambil melestarikan tepi dengan menggunakan median filter. Contohnya juga menunjukkan bagaimana menggunakan filter Hampel untuk mengeluarkan outlier besar. Motivasi Smoothing adalah bagaimana kita menemukan pola penting dalam data kita sambil meninggalkan hal-hal yang tidak penting (yaitu kebisingan). Kami menggunakan penyaringan untuk melakukan smoothing ini. Tujuan dari smoothing adalah untuk menghasilkan perubahan nilai yang lambat sehingga lebih mudah melihat tren data kita. Terkadang saat Anda memeriksa data masukan, Anda mungkin ingin memperlancar data untuk melihat kecenderungan sinyal. Dalam contoh kita, kita memiliki seperangkat pembacaan suhu di Celcius yang diambil setiap jam di Bandara Logan selama bulan Januari, Januari. Perhatikan bahwa kita dapat melihat secara visual efek yang ada pada waktu setelah pembacaan suhu. Jika Anda hanya tertarik pada variasi suhu harian selama sebulan, fluktuasi per jam hanya menyumbang suara bising, yang bisa membuat variasi harian sulit dikenali. Untuk menghapus pengaruh waktu, kami sekarang ingin memperlancar data kami dengan menggunakan filter rata-rata bergerak. Filter Bergerak Rata-rata Dalam bentuknya yang paling sederhana, filter rata-rata bergerak dengan panjang N mengambil rata-rata setiap sampel N berturut-turut dari bentuk gelombang. Untuk menerapkan filter rata-rata bergerak ke setiap titik data, kami membuat koefisien filter kami sehingga masing-masing titik memiliki bobot rata-rata dan memberikan kontribusi 124 terhadap rata-rata total. Ini memberi kita suhu rata-rata selama setiap periode 24 jam. Filter Delay Perhatikan bahwa output yang disaring ditunda kira-kira dua belas jam. Hal ini disebabkan oleh fakta bahwa filter rata-rata bergerak kita mengalami penundaan. Setiap filter simetris dengan panjang N akan memiliki penundaan sampel (N-1) 2. Kami dapat menjelaskan penundaan ini secara manual. Mengekstrak Perbedaan Rata-Rata Atau, kita juga dapat menggunakan filter rata-rata bergerak untuk mendapatkan perkiraan yang lebih baik tentang bagaimana waktu mempengaruhi suhu keseluruhan. Untuk melakukan ini, pertama, kurangi data yang merapikan dari pengukuran suhu per jam. Kemudian, segmenkan data yang berbeda menjadi beberapa hari dan rata-rata selama 31 hari dalam sebulan. Mengekstrak Amplop Puncak Kadang-kadang kita juga ingin memperkirakan dengan mudah bagaimana tinggi dan rendahnya sinyal suhu kita berubah setiap hari. Untuk melakukan ini kita bisa menggunakan fungsi amplop untuk menghubungkan level tertinggi dan rendah yang dideteksi pada subset periode 24 jam. Dalam contoh ini, kita memastikan setidaknya ada 16 jam antara masing-masing ekstrim tinggi dan ekstrim rendah. Kita juga bisa merasakan bagaimana tingkat tinggi dan rendahnya tren dengan mengambil rata-rata antara dua ekstrem. Rata-rata Bergerak Rata-rata Filter Jenis filter bergerak rata-rata lainnya tidak membebani setiap sampel secara setara. Filter umum lainnya mengikuti ekspansi binomial (12,12) n Filter jenis ini mendekati kurva normal untuk nilai n yang besar. Hal ini berguna untuk menyaring frekuensi suara tinggi untuk n kecil. Untuk menemukan koefisien untuk filter binomial, lepaskan 12 12 dengan dirinya sendiri dan kemudian iteratif menguraikan output dengan 12 12 sejumlah waktu yang ditentukan. Dalam contoh ini, gunakan lima iterasi total. Filter lain yang agak mirip dengan filter ekspansi Gaussian adalah filter rata-rata bergerak eksponensial. Jenis filter rata-rata bergerak tertimbang ini mudah dibangun dan tidak memerlukan ukuran jendela yang besar. Anda menyesuaikan sebuah filter rata-rata pergerakan tertimbang secara eksponensial dengan parameter alfa antara nol dan satu. Nilai alfa yang lebih tinggi akan memiliki sedikit perataan. Perbesar di bacaan untuk satu hari. Pilih Negara Anda Pendekatan EWMA memiliki satu fitur menarik: memerlukan sedikit data tersimpan. Untuk memperbarui perkiraan kami, kami hanya memerlukan perkiraan sebelumnya tentang tingkat varians dan nilai pengamatan terbaru. Tujuan sekunder dari EWMA adalah untuk melacak perubahan volatilitas. Untuk nilai kecil, pengamatan baru-baru ini akan mempengaruhi estimasi tersebut secara cepat. Untuk nilai mendekati satu, perkiraan akan berubah secara perlahan berdasarkan perubahan terkini pada variabel yang mendasari. Database RiskMetrics (diproduksi oleh JP Morgan dan tersedia untuk umum) menggunakan EWMA untuk memperbarui volatilitas harian. PENTING: Rumus EWMA tidak mengasumsikan tingkat varians jangka panjang yang panjang. Dengan demikian, konsep volatilitas mean reversion tidak tertangkap oleh EWMA. Model ARCHGARCH lebih cocok untuk tujuan ini. Tujuan sekunder dari EWMA adalah untuk melacak perubahan volatilitas, sehingga untuk nilai kecil, pengamatan baru-baru ini akan mempengaruhi estimasi tersebut segera, dan untuk nilai mendekati satu, perkiraan tersebut berubah secara perlahan terhadap perubahan terbaru pada tingkat pengembalian variabel yang mendasarinya. Database RiskMetrics (diproduksi oleh JP Morgan) dan dipublikasikan pada tahun 1994, menggunakan model EWMA untuk memperbarui perkiraan volatilitas harian. Perusahaan menemukan bahwa di berbagai variabel pasar, nilai ini memberikan perkiraan varians yang paling dekat dengan tingkat varians yang terwujud. Tingkat varians yang direalisasikan pada hari tertentu dihitung sebagai rata-rata tertimbang rata-rata pada 25 hari berikutnya. Demikian pula, untuk menghitung nilai optimal lambda untuk kumpulan data kami, kita perlu menghitung volatilitas yang direalisasikan pada setiap titik. Ada beberapa metode, jadi pilih satu. Selanjutnya, hitung jumlah kuadrat kesalahan (SSE) antara estimasi EWMA dan volatilitas yang terealisasi. Akhirnya, minimalkan SSE dengan memvariasikan nilai lambda. Kedengarannya sederhana. Tantangan terbesar adalah menyetujui algoritma untuk menghitung volatilitas yang terealisasi. Misalnya, orang-orang di RiskMetrics memilih 25 hari berikutnya untuk menghitung tingkat varians realisasi. Dalam kasus Anda, Anda dapat memilih algoritma yang menggunakan harga Daily Volume, HILO andor OPEN-CLOSE. Q 1: Dapatkah kita menggunakan EWMA untuk memperkirakan (atau memperkirakan) volatilitas lebih dari satu langkah di depan Representasi volatilitas EWMA tidak mengasumsikan fluktuasi rata-rata jangka panjang, dan dengan demikian, untuk perkiraan horizon di luar satu langkah, EWMA mengembalikan sebuah konstanta nilai:
No comments:
Post a Comment