Exploration der exponentiell gewichteten Moving Average Volatilität ist die häufigste Maßnahme für das Risiko, aber es kommt in mehreren Geschmacksrichtungen. In einem früheren Artikel haben wir gezeigt, wie man einfache historische Volatilität berechnet. (Um diesen Artikel zu lesen, finden Sie unter Verwenden von Volatilität, um zukünftiges Risiko zu messen.) Wir verwendeten Googles tatsächlichen Aktienkursdaten, um die tägliche Volatilität basierend auf 30 Tagen der Bestandsdaten zu berechnen. In diesem Artikel werden wir auf einfache Volatilität zu verbessern und diskutieren den exponentiell gewichteten gleitenden Durchschnitt (EWMA). Historische Vs. Implied Volatility Erstens, lassen Sie diese Metrik in ein bisschen Perspektive. Es gibt zwei breite Ansätze: historische und implizite (oder implizite) Volatilität. Der historische Ansatz geht davon aus, dass Vergangenheit ist Prolog Wir messen Geschichte in der Hoffnung, dass es prädiktive ist. Die implizite Volatilität dagegen ignoriert die Geschichte, die sie für die Volatilität der Marktpreise löst. Es hofft, dass der Markt am besten weiß und dass der Marktpreis, auch wenn implizit, eine Konsensschätzung der Volatilität enthält. (Für verwandte Erkenntnisse siehe Die Verwendungen und Grenzen der Volatilität.) Wenn wir uns auf die drei historischen Ansätze (auf der linken Seite) konzentrieren, haben sie zwei Schritte gemeinsam: Berechnen Sie die Reihe der periodischen Renditen Berechnen die periodische Rendite. Das ist typischerweise eine Reihe von täglichen Renditen, bei denen jede Rendite in kontinuierlich zusammengesetzten Ausdrücken ausgedrückt wird. Für jeden Tag nehmen wir das natürliche Protokoll des Verhältnisses der Aktienkurse (d. H. Preis heute geteilt durch den Preis gestern und so weiter). Dies erzeugt eine Reihe von täglichen Renditen, von u i bis u i-m. Je nachdem wie viele Tage (m Tage) wir messen. Das bringt uns zum zweiten Schritt: Hier unterscheiden sich die drei Ansätze. Wir haben gezeigt, dass die einfache Varianz im Rahmen einiger akzeptabler Vereinfachungen der Mittelwert der quadratischen Renditen ist: Beachten Sie, dass diese Summe die periodischen Renditen zusammenfasst und dann diese Summe durch die Anzahl der Tage oder Beobachtungen (m). Also, seine wirklich nur ein Durchschnitt der quadrierten periodischen kehrt zurück. Setzen Sie einen anderen Weg, jede quadratische Rückkehr wird ein gleiches Gewicht gegeben. Also, wenn alpha (a) ein Gewichtungsfaktor (speziell eine 1m) ist, dann eine einfache Varianz sieht etwa so aus: Die EWMA verbessert auf einfache Varianz Die Schwäche dieser Ansatz ist, dass alle Renditen das gleiche Gewicht zu verdienen. Yesterdays (sehr jüngste) Rückkehr hat keinen Einfluss mehr auf die Varianz als die letzten Monate zurück. Dieses Problem wird durch Verwendung des exponentiell gewichteten gleitenden Mittelwerts (EWMA), bei dem neuere Renditen ein größeres Gewicht auf die Varianz aufweisen, festgelegt. Der exponentiell gewichtete gleitende Durchschnitt (EWMA) führt Lambda ein. Die als Glättungsparameter bezeichnet wird. Lambda muss kleiner als 1 sein. Unter dieser Bedingung wird anstelle der gleichen Gewichtungen jede quadratische Rendite durch einen Multiplikator wie folgt gewichtet: Beispielsweise neigt die RiskMetrics TM, eine Finanzrisikomanagementgesellschaft, dazu, eine Lambda von 0,94 oder 94 zu verwenden. In diesem Fall wird die erste ( (1 - 0,94) (94) 0 6. Die nächste quadrierte Rückkehr ist einfach ein Lambda-Vielfaches des vorherigen Gewichts in diesem Fall 6 multipliziert mit 94 5,64. Und das dritte vorherige Tagegewicht ist gleich (1-0,94) (0,94) 2 5,30. Das ist die Bedeutung von exponentiell in EWMA: jedes Gewicht ist ein konstanter Multiplikator (d. h. Lambda, der kleiner als eins sein muß) des vorherigen Gewichtes. Dies stellt eine Varianz sicher, die gewichtet oder zu neueren Daten voreingenommen ist. (Weitere Informationen finden Sie im Excel-Arbeitsblatt für die Googles-Volatilität.) Der Unterschied zwischen einfacher Volatilität und EWMA für Google wird unten angezeigt. Einfache Volatilität wiegt effektiv jede periodische Rendite von 0,196, wie in Spalte O gezeigt (wir hatten zwei Jahre täglich Aktienkursdaten, das sind 509 tägliche Renditen und 1509 0,196). Aber beachten Sie, dass die Spalte P ein Gewicht von 6, dann 5,64, dann 5,3 und so weiter. Das ist der einzige Unterschied zwischen einfacher Varianz und EWMA. Denken Sie daran: Nachdem wir die Summe der ganzen Reihe (in Spalte Q) haben wir die Varianz, die das Quadrat der Standardabweichung ist. Wenn wir Volatilität wollen, müssen wir uns daran erinnern, die Quadratwurzel dieser Varianz zu nehmen. Was ist der Unterschied in der täglichen Volatilität zwischen der Varianz und der EWMA im Googles-Fall? Bedeutend: Die einfache Varianz gab uns eine tägliche Volatilität von 2,4, aber die EWMA gab eine tägliche Volatilität von nur 1,4 (Details siehe Tabelle). Offenbar ließ sich die Googles-Volatilität in jüngster Zeit verringern, so dass eine einfache Varianz künstlich hoch sein könnte. Die heutige Varianz ist eine Funktion der Pior Tage Variance Youll bemerken wir benötigt, um eine lange Reihe von exponentiell sinkende Gewichte zu berechnen. Wir werden die Mathematik hier nicht durchführen, aber eine der besten Eigenschaften der EWMA ist, daß die gesamte Reihe zweckmäßigerweise auf eine rekursive Formel reduziert: Rekursiv bedeutet, daß heutige Varianzreferenzen (d. h. eine Funktion der früheren Tagesvarianz) ist. Sie können diese Formel auch in der Kalkulationstabelle zu finden, und es erzeugt genau das gleiche Ergebnis wie die Langzeitberechnung Es heißt: Die heutige Varianz (unter EWMA) ist gleichbedeutend mit der gestrigen Abweichung (gewichtet mit Lambda) plus der gestrigen Rückkehr (gewogen von einem Minus-Lambda). Beachten Sie, wie wir sind nur das Hinzufügen von zwei Begriffe zusammen: gestern gewichtet Varianz und gestern gewichtet, quadriert zurück. Dennoch ist Lambda unser Glättungsparameter. Ein höheres Lambda (z. B. wie RiskMetrics 94) deutet auf einen langsameren Abfall in der Reihe hin - in relativer Hinsicht werden wir mehr Datenpunkte in der Reihe haben, und sie fallen langsamer ab. Auf der anderen Seite, wenn wir das Lambda reduzieren, deuten wir auf einen höheren Abfall hin: die Gewichte fallen schneller ab, und als direkte Folge des schnellen Zerfalls werden weniger Datenpunkte verwendet. (In der Kalkulationstabelle ist Lambda ein Eingang, so dass Sie mit seiner Empfindlichkeit experimentieren können). Zusammenfassung Volatilität ist die momentane Standardabweichung einer Aktie und die häufigste Risikomessung. Es ist auch die Quadratwurzel der Varianz. Wir können Varianz historisch oder implizit messen (implizite Volatilität). Bei der historischen Messung ist die einfachste Methode eine einfache Varianz. Aber die Schwäche mit einfacher Varianz ist alle Renditen bekommen das gleiche Gewicht. So stehen wir vor einem klassischen Kompromiss: Wir wollen immer mehr Daten, aber je mehr Daten wir haben, desto mehr wird unsere Berechnung durch weit entfernte (weniger relevante) Daten verdünnt. Der exponentiell gewichtete gleitende Durchschnitt (EWMA) verbessert die einfache Varianz durch Zuordnen von Gewichten zu den periodischen Renditen. Auf diese Weise können wir beide eine große Stichprobengröße, sondern auch mehr Gewicht auf neuere Renditen. (Um eine Film-Tutorial zu diesem Thema zu sehen, besuchen Sie die Bionic Turtle.) Eine Runde der Finanzierung, wo Investoren Kauf von einem Unternehmen zu einem niedrigeren Wert als die Bewertung auf dem Markt platziert. Eine Verknüpfung, die Anzahl der Jahre zu schätzen, benötigt Ihr Geld bei einer bestimmten jährlichen Rendite verdoppeln (siehe compound annual. Der Zinssatz für ein Darlehen oder realisiert auf einer Anlage über einen bestimmten Zeitraum in Rechnung gestellt. Die meisten Zinssätze sind. Ein Investment-Grade-Sicherheit durch einen Pool von Anleihen, Darlehen und sonstige Vermögenswerte gesichert. CDOs sind nicht spezialisiert in einer Art von Schulden. das Jahr, in dem der erste Zustrom von Investitionskapital zu einem Projekt oder Unternehmen geliefert wird. Dies markiert, wenn das Kapital ist. Leonardo Fibonacci war ein italienischer Mathematiker im 12. Jahrhundert geboren. Er ist bekannt, die quotFibonacci Zahlen entdeckt zu haben, quot.7.3.7 exponentiell gewichteten gleitenden Durchschnitt (EWMA) 7.3.7 Exponentially Weighted Average der Umzug in die Annahmen der gleichmäßig gewichteten gleitenden Durchschnitt versöhnen (UWMA) Schätzung mit den Realitäten des Marktes Heteroskedastie, könnten wir Schätzer 7,10 nur auf den neuesten historischen Daten TQ gelten. die der aktuellen Marktbedingungen die meisten reflektierend sein sollte. Dadurch ist selbstzerstörerisch, als Schätzer 7,10 auf eine kleine Menge Anwendung Der Daten ihren Standardfehler erhöht. Folglich bedeutet UWMA ein Dilemma: das Anwenden auf eine Menge von Daten ist schlecht, aber so wird es auf ein wenig Daten. Dies motivierte Zangari (1994) eine Modifikation UWMA vorzuschlagen genannt gleitender Durchschnitt (EWMA) estimation.2 exponentiell gewichteten Dies gilt eine ungleichmäßige Gewichtung Zeitreihendaten, so dass eine Menge von Daten verwendet werden können, aber die jüngsten Daten mehr gewichtet stark . Wie der Name schon sagt, basieren Gewichte auf der Exponentialfunktion. Eine exponentiell gewichtete gleitende Durchschnittsschätzung ersetzt die Schätzfunktion 7.10, wobei der Zerfallsfaktor im Allgemeinen einen Wert zwischen 0,95 und 0,99 zugewiesen wird. Niedrigere Zerfallsfaktoren neigen dazu, jüngere Daten stärker zu gewichten. Man beachte, dass die exponentiell gewichtete gleitende Durchschnittsschätzung weit verbreitet ist, aber sie ist eine bescheidene Verbesserung gegenüber UWMA. Es versucht nicht, marktbedingte Heteroskedastizität mehr als UWMA zu modellieren. Sein Gewichtungsschema ersetzt das Dilemma, wie viel Daten zu verwenden, mit einem ähnlichen Dilemma, wie aggressiv ein Zerfallsfaktor zu verwenden. Betrachten wir wieder Ausstellung 7.6 und unser Beispiel der USD 10MM Position ist SGD. Lets Schätzung 10 1 mit exponentiell gewichteten gleitenden Durchschnitt Schätzer 7,20. Wenn wir .99 verwenden, erhalten wir eine Schätzung für 10 1 von .0054. Wenn wir .95 verwenden, erhalten wir eine Schätzung von .0067. Diese entsprechen der Position Value-at-Risk-Ergebnisse von USD 89.000 bzw. USD 110.000. 7.7 zeigt 30 Tage Daten für einen einmonatigen CHF Libor an. 7.7: Daten für 1-Monats-CHF-Libor. Die Preise sind in Prozent angegeben. Quelle: British Bankers Association (BBA).
No comments:
Post a Comment