Regressão média média ponderada exponencialmente

Explorando a Volatilidade média móvel ponderada exponencialmente é a medida mais comum de risco, mas vem em vários sabores. Em um 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 atuais do preço das ações da Googles para calcular a volatilidade diária com base em 30 dias de estoque de dados. Neste artigo, melhoraremos a volatilidade simples e discutiremos a média móvel ponderada exponencialmente (EWMA). Vendas históricas. Volatilidade implícita Primeiro, vamos colocar essa métrica em um pouco de perspectiva. Existem duas abordagens amplas: volatilidade histórica e implícita (ou implícita). A abordagem histórica pressupõe que o passado é o prólogo que medimos a história na esperança de que seja preditivo. A volatilidade implícita, por outro lado, ignora o histórico que resolve para a volatilidade implícita nos preços de mercado. Espera que o mercado conheça melhor e que o preço de mercado contenha, mesmo que de forma implícita, uma estimativa consensual da volatilidade. (Para leitura relacionada, veja Os Usos e Limites de Volatilidade.) Se nos concentrarmos apenas nas três abordagens históricas (à esquerda acima), eles têm dois passos em comum: Calcule a série de retornos periódicos. Aplica um esquema de ponderação. Primeiro, nós Calcule o retorno periódico. Isso geralmente é uma série de retornos diários, em que cada retorno é expresso em termos compostos continuamente. Para cada dia, tomamos o log natural da proporção dos preços das ações (ou seja, preço hoje dividido por preço ontem, e assim por diante). Isso produz uma série de retornos diários, de u i to u i-m. Dependendo de quantos dias (m dias) estamos medindo. Isso nos leva ao segundo passo: é aqui que as três abordagens diferem. No artigo anterior (Usando a volatilidade para avaliar o risco futuro), mostramos que, sob um par de simplificações aceitáveis, a variância simples é a média dos retornos quadrados: Observe que isso resume cada um dos retornos periódicos, então divide esse total pelo Número de dias ou observações (m). Então, é realmente apenas uma média dos retornos periódicos ao quadrado. Dito de outra forma, cada retorno quadrado recebe um peso igual. Então, se o alfa (a) é um fator de ponderação (especificamente, um 1m), então uma variância simples parece algo assim: O EWMA melhora a diferença simples. A fraqueza dessa abordagem é que todos os retornos ganham o mesmo peso. O retorno de ontem (muito recente) não tem mais influência na variação do que o retorno dos últimos meses. Esse problema é corrigido usando a média móvel ponderada exponencialmente (EWMA), na qual os retornos mais recentes têm maior peso na variância. A média móvel ponderada exponencialmente (EWMA) apresenta 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 gerenciamento de risco financeiro, tende a usar uma lambda de 0,94 ou 94. Neste caso, o primeiro ( Mais recente) o retorno periódico ao quadrado é ponderado por (1-0.94) (. 94) 0 6. O próximo retorno ao quadrado é simplesmente um múltiplo lambda do peso anterior neste caso 6 multiplicado por 94 5,64. E o terceiro dia anterior é igual (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 inferior a um) do peso dos dias anteriores. Isso garante uma variação ponderada ou tendenciosa em relação a dados mais recentes. (Para saber mais, confira a Planilha do Excel para a Volatilidade dos Googles.) A diferença entre a simples volatilidade e o EWMA para o Google é mostrada abaixo. A volatilidade simples efetivamente pesa cada retorno periódico em 0.196 como mostrado na Coluna O (tivemos dois anos de dados diários de preço das ações. Isso é 509 devoluções diárias e 1509 0.196). Mas observe que a coluna P atribui um peso de 6, então 5.64, depois 5.3 e assim por diante. Essa é a única diferença entre 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 volatilidade, precisamos lembrar de assumir a raiz quadrada dessa variância. Qual é a diferença na volatilidade diária entre a variância e EWMA no caso do Googles. É significativo: 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 obter detalhes). Aparentemente, a volatilidade de Googles estabeleceu-se mais recentemente, portanto, uma variação simples pode ser artificialmente alta. A diferença de hoje é uma função da diferença de dias Pior. Você notará que precisamos calcular uma série longa de pesos exponencialmente decrescentes. Nós não vamos fazer a matemática aqui, mas uma das melhores características do EWMA é que a série inteira se reduz convenientemente a uma fórmula recursiva: Recursiva significa que as referências de variância de hoje (ou seja, são uma função da variância dos dias anteriores). Você também pode encontrar esta fórmula na planilha e produz exatamente o mesmo resultado que o cálculo de longitude. Diz: A variação de hoje (sob EWMA) é igual a variação de ontem (ponderada por lambda) mais retorno de ônibus quadrado (pesado por um menos lambda). Observe como estamos apenas adicionando dois termos em conjunto: variância ponderada de ontem e ponderada de ontem, retorno quadrado. Mesmo assim, lambda é o nosso parâmetro de suavização. Um lambda mais alto (por exemplo, como RiskMetrics 94) indica decadência mais lenta na série - em termos relativos, teremos mais pontos de dados na série e eles vão cair mais devagar. Por outro lado, se reduzirmos a lambda, indicamos maior deterioração: os pesos caem mais rapidamente e, como resultado direto da rápida deterioração, são usados ​​menos pontos de dados. (Na planilha, lambda é uma entrada, para que você possa experimentar sua sensibilidade). Resumo A volatilidade é o desvio padrão instantâneo de um estoque e a 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 variação simples é que todos os retornos recebem 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 ponderada exponencialmente (EWMA) melhora a variação simples ao atribuir pesos aos retornos periódicos. Ao fazer isso, podemos usar um grande tamanho de amostra, mas também dar maior peso aos retornos mais recentes. (Para ver um tutorial de filme sobre este tópico, visite a Tartaruga Bionica.) Uma medida da rentabilidade operacional de uma empresa. É igual ao lucro antes de juros, impostos, depreciação e amortização. Uma rodada de financiamento onde os investidores adquirem ações de uma empresa com uma avaliação mais baixa do que a avaliação colocada sobre o. Um atalho para estimar o número de anos necessários para dobrar o seu dinheiro a uma dada taxa de retorno anual (ver anual composto. A taxa de juros cobrada sobre um empréstimo ou realizada em um investimento durante um período de tempo específico. A maioria das taxas de juros são. Garantia de grau de investimento apoiada por um conjunto de títulos, empréstimos e outros ativos. Os CDOs não se especializam em um tipo de dívida. O ano em que o primeiro ingresso de capital de investimento é entregue a um projeto ou empresa. Isso marca quando o capital é. Se você está procurando uma equação da forma yalphan betan x depois que n partes de dados entraram, e você está usando um fator exponencial k ge 1, então você poderia usar betan frac n kiright) esquerda (sum n ki Xi Yiright) - Esquerda (soma n ki Xiright) esquerda (soma n ki Yiright) n kiright) esquerda (soma ki Xi2right) - esquerda (soma ki Xi direita) 2 alfan frac n ki Yiright) - betan left (sum n ki Xiright) n Ki. Se o arredondamento ou a velocidade se tornarem problemas, isso pode ser reformulado em outras formas. Também pode valer a pena saber que, para kgt1, você possui uma fração de soma ki. Respondeu 25 de abril 11 às 16:20 Sim, você pode. O método que você procura é chamado de método de mínimos quadrados ponderados exponencialmente. É uma variação no método recursivo dos mínimos quadrados: begin (k1) amp (k) Kz (k1) - xT (k1) (k) K (k1) amp D (k) x (k1) xT (k1) D ( K) x (k1) ampfrac 1 bigg (D (k) - D (k) x (k1) biggxT (k1) D (k) x (k1) bigg xT (k1) D ( K) bigg) terminam 0,9ltlt1 tipicamente. É um método desenvolvido para explicar parâmetros variáveis ​​no tempo, mas ainda está em um formato linear. Que vem da função de custo: J () 12 (ik-m) k (ki) z (i) - xT (i) 2 Os mínimos quadrados comuns são calculados a partir do seguinte para comparação: a função de custo sendo: J () 12 (Ii) kz (i) - xT (i) 2 com begin (k) amp D (k) XkT Zk Cov (k) amp 2 D (k) D (k) amp XkT Xk final respondido Jan 3 14 em 21: 41 gung 79.2k 9679 20 9679 174 9679 336 Bem-vindo ao site, MohSahx Seria mais claro se você pudesse editar suas fórmulas em látex. Especialmente para rever os símbolos como. Ndash Jiebiao Wang Jan 3 14 às 22:06 Se você forma o Modelo de Função de Transferência y (t) W (B) X (t) THETA (B) PHI (B) a (t) o operador THETA (B) PHI (B ) É o componente de suavização. Por exemplo, se PHI (B) 1.0 e THETA (B) 1-.5B implicariam um conjunto de pesos de .5, .25, .125. Desta forma, você poderia fornecer a resposta para otimizar a regressão linear móvel em vez de assumir sua forma. Respondeu 25 de abril 11 às 10:49