Dada uma série de tempo xi, eu quero calcular uma média móvel ponderada com uma janela de média de N pontos, onde as ponderações favorecem valores mais recentes sobre valores mais antigos. Na escolha dos pesos, estou usando o fato familiar de que uma série geométrica converge para 1, isto é, soma (frac) k, desde que infinitamente muitos termos sejam tomados. Para obter um número discreto de pesos que somam a unidade, estou simplesmente tomando os primeiros N termos da série geométrica (frac) k, e então normalizando pela sua soma. Quando N4, por exemplo, isto dá os pesos não normalizados que, depois de normalizados pela sua soma, dão A média móvel é então simplesmente a soma do produto dos 4 valores mais recentes contra estes pesos normalizados. Este método generaliza da maneira óbvia para mover janelas de comprimento N, e parece computacionalmente fácil também. Existe alguma razão para não usar esta maneira simples para calcular uma média móvel ponderada usando pesos exponenciais eu pergunto porque a entrada Wikipedia para EWMA parece mais complicado. O que me faz me perguntar se a definição do manual de EWMA talvez tenha algumas propriedades estatísticas que a definição acima simples não Ou eles são de fato equivalente perguntado Nov 28 12 at 23:53 Para começar com o seu estão assumindo 1) que não existem valores incomuns E sem mudanças de nível e sem tendências de tempo e sem dummies sazonais 2) que a média ponderada ideal tem pesos que caem em uma curva lisa descrita por 1 coeficiente 3) que a variância de erro é constante que não há série causal conhecida Por que todos os premissas. Ndash IrishStat Oct 1 14 at 21:18 Ravi: No exemplo dado, a soma dos quatro primeiros termos é 0.9375 0.06250.1250.250.5. Assim, os quatro primeiros termos detém 93,8 do peso total (6,2 é na cauda truncada). Use isso para obter pesos normalizados que somam a unidade por reescalonamento (divisão) por 0,9375. Isto dá 0,06667, 0,1333, 0,2667, 0,5333. Ndash Assad Ebrahim Oct 1 14 at 22:21 Ive descobriu que a computação ponderada exponetially médias correntes usando overline leftarrow overline alfa (x - overline), alphalt1 é um método simples de uma linha, que é facilmente, se apenas aproximadamente, interpretável em termos de Um número efetivo de amostras Nalpha (compare esta forma com a forma para calcular a média de execução), requer apenas o datum atual (eo valor médio atual) e é numericamente estável. Tecnicamente, essa abordagem incorpora toda a história na média. As duas principais vantagens da utilização da janela completa (em oposição à truncada discutida na pergunta) são que em alguns casos pode facilitar a caracterização analítica da filtragem e reduz as flutuações induzidas se um dado muito grande (ou pequeno) Valor é parte do conjunto de dados. Por exemplo, considere o resultado do filtro se os dados são todos zero, exceto um dado cujo valor é 106. respondida Nov 29 12 at 0: 33Calculando EWMA Correlação Usando Excel Recentemente aprendemos sobre como estimar a volatilidade usando EWMA Exponentially Weighted Moving Average. Como sabemos, EWMA evita as armadilhas de médias igualmente ponderadas, dado que dá mais peso às observações mais recentes em comparação com as observações mais antigas. Assim, se temos retornos extremos em nossos dados, com o passar do tempo, esses dados se tornam mais velhos e obtém menor peso em nosso cálculo. Neste artigo, veremos como podemos calcular a correlação usando EWMA no Excel. Sabemos que a correlação é calculada usando a seguinte fórmula: O primeiro passo é calcular a covariância entre as duas séries de retorno. Utilizamos o factor de alisamento Lambda 0.94, tal como utilizado no RiskMetrics. Considere a seguinte equação: Usamos os retornos quadrados r 2 como a série x nesta equação para previsões de variância e produtos cruzados de dois retornos como a série x na equação para as previsões de covariância. Observe que o mesmo lambda é usado para todas as variâncias e covariâncias. A segunda etapa é calcular as desvios e desvios padrão de cada série de retorno, conforme descrito neste artigo Calcular volatilidade histórica usando EWMA. A terceira etapa é calcular a correlação através da obstrução dos valores de covariância e desvios padrão na fórmula de correlação acima. A seguinte planilha do Excel fornece um exemplo do cálculo de correlação e volatilidade no Excel. É preciso o log retorna de duas ações e calcula a correlação entre eles. Como calcular médias ponderadas móveis em Excel usando suavização exponencial Análise de dados do Excel para Dummies, 2 ª edição A ferramenta Exponential Smoothing no Excel calcula a média móvel. No entanto, a suavização exponencial pondera os valores incluídos nos cálculos da média móvel de modo que os valores mais recentes tenham um maior efeito sobre o cálculo médio e os valores antigos tenham um efeito menor. Esta ponderação é realizada através de uma constante de alisamento. Para ilustrar como a ferramenta Exponential Smoothing funciona, suponha que você volte a olhar para a informação diária média de temperatura. Para calcular médias móveis ponderadas usando suavização exponencial, execute as seguintes etapas: Para calcular uma média móvel exponencialmente suavizada, clique primeiro no botão de comando Dados da análise de dados tab8217s. Quando o Excel exibe a caixa de diálogo Análise de dados, selecione o item suavização exponencial da lista e clique em OK. Excel exibe a caixa de diálogo Exponential Smoothing. Identificar os dados. Para identificar os dados para os quais você deseja calcular uma média móvel exponencialmente suavizada, clique na caixa de texto Input Range. Em seguida, identifique o intervalo de entrada, digitando um endereço de intervalo de planilha ou selecionando o intervalo de planilha. Se o intervalo de entrada incluir um rótulo de texto para identificar ou descrever os dados, marque a caixa de seleção Etiquetas. Fornecer a constante de alisamento. Insira o valor da constante de suavização na caixa de texto Fator de amortecimento. O arquivo de Ajuda do Excel sugere que você use uma constante de suavização de entre 0,2 e 0,3. Presumivelmente, no entanto, se você estiver usando esta ferramenta, você tem suas próprias idéias sobre o que é a constante de suavização correta. (Se você não tem idéia sobre a constante de suavização, talvez você não deveria usar essa ferramenta.) Diga ao Excel onde colocar os dados de média móvel suavemente exponencial. Use a caixa de texto Range de saída para identificar o intervalo de planilha na qual você deseja inserir os dados de média móvel. No exemplo da folha de cálculo, por exemplo, coloque os dados de média móvel no intervalo de folhas de cálculo B2: B10. (Opcional) Diagrama os dados exponencialmente suavizados. Para traçar os dados exponencialmente suavizados, marque a caixa de seleção Saída do gráfico. (Opcional) Indique que você deseja que as informações de erro padrão sejam calculadas. Para calcular erros padrão, marque a caixa de seleção Erros Padrão. Excel coloca valores de erro padrão ao lado dos valores de média móvel exponencialmente suavizados. Depois de concluir especificando quais informações de média móvel você deseja calcular e onde deseja colocá-las, clique em OK. O Excel calcula a média móvel de informações. Explorando A Volatilidade Média Móvel Ponderada Exponencialmente é a medida mais comum de risco, mas vem em vários sabores. Em artigo anterior, mostramos como calcular a volatilidade histórica simples. (Para ler este artigo, consulte Usando a volatilidade para avaliar o risco futuro.) Usamos os dados reais do estoque do Google para computar a volatilidade diária com base em 30 dias de dados de estoque. Neste artigo, melhoraremos a volatilidade simples e discutiremos a média móvel exponencialmente ponderada (EWMA). Histórico vs. Volatilidade implícita Primeiro, vamos colocar essa métrica em um pouco de perspectiva. Existem duas abordagens gerais: volatilidade histórica e implícita (ou implícita). A abordagem histórica pressupõe que o passado é um prólogo que medimos a história na esperança de que ela seja preditiva. A volatilidade implícita, por outro lado, ignora a história que resolve pela volatilidade implícita nos preços de mercado. Espera que o mercado saiba melhor e que o preço de mercado contenha, mesmo que implicitamente, uma estimativa consensual da volatilidade. Se nos concentrarmos apenas nas três abordagens históricas (à esquerda acima), elas têm duas etapas em comum: Calcular a série de retornos periódicos Aplicar um esquema de ponderação Primeiro, nós Calcular o retorno periódico. Isso é tipicamente uma série de retornos diários onde cada retorno é expresso em termos continuamente compostos. Para cada dia, tomamos o log natural da razão dos preços das ações (ou seja, preço hoje dividido pelo preço de ontem, e assim por diante). Isso produz uma série de retornos diários, de u i para u i-m. Dependendo de quantos dias (m dias) estamos medindo. Isso nos leva à segunda etapa: é aqui que as três abordagens diferem. No artigo anterior (Usando a Volatilidade Para Avaliar o Risco Futuro), mostramos que sob algumas simplificações aceitáveis, a variância simples é a média dos retornos ao quadrado: Observe que isto soma cada um dos retornos periódicos, então divide esse total pela Número de dias ou observações (m). Então, é realmente apenas uma média dos retornos periódicos quadrados. Dito de outra forma, cada retorno ao quadrado é dado um peso igual. Portanto, se alfa (a) é um fator de ponderação (especificamente, 1 / m), então uma variância simples se parece com isso: O EWMA Melhora na Variância Simples A fraqueza desta abordagem é que todos os retornos ganham o mesmo peso. O retorno de ontem (muito recente) não tem mais influência na variância do que nos últimos meses. Esse problema é corrigido usando-se a média móvel exponencialmente ponderada (EWMA), na qual os retornos mais recentes têm maior peso na variância. A média móvel exponencialmente ponderada (EWMA) introduz lambda. Que é chamado de parâmetro de suavização. Lambda deve ser inferior a um. Sob essa condição, em vez de pesos iguais, cada retorno ao quadrado é ponderado por um multiplicador da seguinte forma: Por exemplo, RiskMetrics TM, uma empresa de gestão de risco financeiro, tende a usar um lambda de 0,94 ou 94. Neste caso, o primeiro Mais recente) é ponderado por (1-0.94) (. 94) 0 6. O próximo retomo quadrado é simplesmente um lambda-múltiplo do peso anterior neste caso 6 multiplicado por 94 5.64. E o terceiro dia anterior peso é igual a (1-0,94) (0,94) 2 5,30. Esse é o significado de exponencial em EWMA: cada peso é um multiplicador constante (isto é, lambda, que deve ser menor que um) do peso dos dias anteriores. Isso garante uma variância que é ponderada ou tendenciosa em direção a dados mais recentes. (Para saber mais, consulte a Planilha do Excel para a Volatilidade do Google.) A diferença entre simplesmente volatilidade e EWMA para o Google é mostrada abaixo. A volatilidade simples pesa efetivamente cada retorno periódico em 0,196, como mostrado na coluna O (tivemos dois anos de dados diários sobre os preços das ações, ou seja, 509 retornos diários e 1/509 0,196). Mas observe que a Coluna P atribui um peso de 6, então 5.64, então 5.3 e assim por diante. Essa é a única diferença entre a variância simples e EWMA. Lembre-se: Depois de somar toda a série (na coluna Q) temos a variância, que é o quadrado do desvio padrão. Se queremos a volatilidade, precisamos nos lembrar de tomar a raiz quadrada dessa variância. Sua significativa: A variância simples nos deu uma volatilidade diária de 2,4, mas a EWMA deu uma volatilidade diária de apenas 1,4 (veja a planilha para detalhes). Aparentemente, volatilidade Googles estabeleceu-se mais recentemente, portanto, uma variância simples pode ser artificialmente elevado. A variação de hoje é uma função da variação dos dias de Pior Você observará que nós precisamos computar uma série longa de pesos exponencial declinando. Nós não faremos a matemática aqui, mas uma das melhores características do EWMA é que toda a série convenientemente reduz a uma fórmula recursiva: Recursivo significa que as referências de variância de hoje (ou seja, é uma função da variação de dias anteriores). Você pode encontrar esta fórmula na folha de cálculo também, e produz o mesmo resultado exato que o cálculo de longhand Diz: A variância de hoje (sob EWMA) é a variância de ontem (ponderada por lambda) mais o retorno ao quadrado de ontem (pesado por um lambda negativo). Observe como estamos apenas adicionando dois termos juntos: ontem variância ponderada e ontem ponderada, retorno ao quadrado. Mesmo assim, lambda é o nosso parâmetro de suavização. Um lambda mais alto (por exemplo, como o RiskMetrics 94) indica um declínio mais lento na série - em termos relativos, vamos ter mais pontos de dados na série e eles vão cair mais lentamente. Por outro lado, se reduzimos o lambda, indicamos maior decaimento: os pesos caem mais rapidamente e, como resultado direto da rápida decadência, são usados menos pontos de dados. (Na planilha, lambda é uma entrada, para que você possa experimentar com sua sensibilidade). Resumo A volatilidade é o desvio padrão instantâneo de um estoque ea métrica de risco mais comum. É também a raiz quadrada da variância. Podemos medir a variância historicamente ou implicitamente (volatilidade implícita). Ao medir historicamente, o método mais fácil é a variância simples. Mas a fraqueza com variância simples é todos os retornos obter o mesmo peso. Então, enfrentamos um trade-off clássico: sempre queremos mais dados, mas quanto mais dados temos, mais nosso cálculo é diluído por dados distantes (menos relevantes). A média móvel exponencialmente ponderada (EWMA) melhora a variância simples atribuindo pesos aos retornos periódicos. Fazendo isso, podemos usar um grande tamanho de amostra, mas também dar maior peso a retornos mais recentes. (Para ver um tutorial de filme sobre este tópico, visite a Tartaruga Bionic.) Calcule Volatilidade Histórica Usando EWMA A volatilidade é a medida de risco mais comumente usada. A volatilidade, neste sentido, pode ser a volatilidade histórica (observada a partir de dados passados) ou a volatilidade implícita (observada a partir dos preços de mercado dos instrumentos financeiros). A volatilidade histórica pode ser calculada de três formas: volatilidade simples, Average (EWMA) GARCH Uma das principais vantagens do EWMA é que dá mais peso aos retornos recentes ao calcular os retornos. Neste artigo, vamos ver como a volatilidade é calculada usando EWMA. Assim, vamos começar: Passo 1: Calcule os retornos do log da série de preços Se estivermos olhando os preços das ações, podemos calcular os retornos logon logarítmicos diários, usando a fórmula ln (P i / P i -1), onde P representa Cada dia fechando o preço das ações. Precisamos usar o registro natural porque queremos que os retornos sejam continuamente compostos. Agora teremos retornos diários para toda a série de preços. Passo 2: Quadrado os retornos O próximo passo é o tomar o quadrado de retornos longos. Este é realmente o cálculo da variância simples ou volatilidade representada pela seguinte fórmula: Aqui, u representa os retornos, e m representa o número de dias. Etapa 3: Atribuir pesos Atribuir pesos tais que os retornos recentes tenham maior peso e retornos mais antigos tenham menor peso. Para isso precisamos de um fator chamado Lambda (), que é uma constante de suavização ou o parâmetro persistente. Os pesos são atribuídos como (1-) 0. Lambda deve ser menor que 1. Métrica de risco usa lambda 94. O primeiro peso será (1-0.94) 6, o segundo peso será 60.94 5.64 e assim por diante. Em EWMA todos os pesos somam a 1, no entanto eles estão declinando com uma proporção constante de. Passo 4: Multiplique Retorna-quadrado com os pesos Etapa 5: Pegue o somatório de R 2 w Esta é a variância final de EWMA. A volatilidade será a raiz quadrada da variância. A seguinte captura de tela mostra os cálculos. O exemplo acima que vimos é a abordagem descrita pelo RiskMetrics. A forma generalizada de EWMA pode ser representada como a seguinte fórmula recursiva: 1 Comentário
No comments:
Post a Comment