Esponenzialmente Ponderata Mobile Media Alfa

Esplorando Il ponderata esponenzialmente Moving volatilità media è la misura più comune del rischio, ma si tratta in diversi sapori. In un precedente articolo, abbiamo mostrato come calcolare semplice volatilità storica. (Per leggere questo articolo, vedere Uso volatilità per valutare i rischi futuri.) Abbiamo usato Googles dati effettivi di prezzo delle azioni al fine di calcolare la volatilità giornaliera sulla base di 30 giorni di dati di stock. In questo articolo, miglioreremo il semplice volatilità e discutere la media mobile esponenziale ponderata (EWMA). Vs. Storico La volatilità implicita In primo luogo, consente di mettere questa metrica in un po 'di prospettiva. Ci sono due approcci: volatilità storica e implicita (o implicite). L'approccio storico presuppone che passato è prologo misuriamo la storia nella speranza che sia predittiva. La volatilità implicita, d'altra parte, ignora la storia si risolve per la volatilità implicita dai prezzi di mercato. Si spera che il mercato conosce meglio e che il prezzo di mercato contiene, anche se implicitamente, una stima di consenso di volatilità. (Per la lettura correlate, vedere gli usi e limiti di volatilità.) Se ci concentriamo solo su tre approcci storici (il alto a sinistra), hanno due punti in comune: Calcolare la serie di rendimenti periodici applicare uno schema di ponderazione In primo luogo, calcolare il ritorno periodico. Questo è in genere una serie di rendimenti giornalieri in cui ogni ritorno è espresso in termini di continuo composte. Per ogni giorno, prendiamo il logaritmo naturale del rapporto tra i prezzi delle azioni (cioè prezzo oggi divisi per prezzo di ieri, e così via). Questo produce una serie di rendimenti giornalieri, da u i u i-m. a seconda di quanti giorni (m giorni) stiamo misurando. Questo ci arriva al secondo passo: E 'qui che i tre approcci differenti. Nel precedente articolo (Utilizzo di volatilità per valutare rischio futuro), abbiamo dimostrato che in un paio di semplificazioni accettabili, la semplice varianza è la media dei rendimenti al quadrato: Si noti che questo riassume ciascuna delle dichiarazioni periodiche, poi divide che totale da parte del numero di giorni o osservazioni (m). Così, la sua realtà solo una media delle dichiarazioni periodiche squadrati. In altre parole, ogni ritorno quadrato viene dato un peso uguale. Quindi, se alfa (a) è un fattore di ponderazione (in particolare, un 1m), quindi un semplice scostamento simile a questa: Il EWMA migliora semplice varianza La debolezza di questo approccio è che tutti i ritorni guadagnano lo stesso peso. Yesterdays (molto recente) di ritorno non ha più influenza sulla varianza rispetto allo scorso mese di ritorno. Questo problema viene risolto utilizzando la media ponderata esponenzialmente movimento (EWMA), in cui i ritorni più recenti hanno un peso maggiore sulla varianza. La media mobile esponenziale ponderata (EWMA) introduce lambda. che è chiamato il parametro smoothing. Lambda deve essere inferiore a uno. In tale condizione, invece di pesi uguali, ogni ritorno quadrato è ponderato con un moltiplicatore come segue: Per esempio, RiskMetrics TM, una società finanziaria gestione del rischio, tende ad usare un lambda di 0,94 o 94. In questo caso, il primo ( più recente) al quadrato ritorno periodico è ponderato in base (1-0,94) (. 94) 0 6. il prossimo ritorno quadrato è semplicemente un lambda-multiplo del peso prima, in questo caso 6 moltiplicato per 94 5.64. E il terzo giorni precedenti peso uguale (1-0,94) (0,94) 2 5.30. Quello sensi esponenziale EWMA: ciascun peso è un moltiplicatore costante (cioè lambda, che deve essere inferiore a uno) della prima peso giorni. Questo assicura una varianza che viene ponderato o sbilanciata verso i dati più recenti. (Per ulteriori informazioni, controllare il foglio di lavoro Excel per Googles volatilità.) La differenza tra semplicemente volatilità e EWMA per Google è indicato di seguito. La volatilità semplice pesa in modo efficace ogni ritorno periodico da 0.196 come mostrato nella colonna O (abbiamo avuto due anni di dati di prezzo delle azioni quotidiane. Cioè 509 rendimenti giornalieri e il 1509 0.196). Ma si noti che Colonna P assegna un peso di 6, poi 5,64, quindi 5.3 e così via. Quello è l'unica differenza tra semplice varianza e EWMA. Ricorda: Dopo sommiamo l'intera serie (in Q colonna) abbiamo la varianza, che è il quadrato della deviazione standard. Se vogliamo la volatilità, abbiamo bisogno di ricordare di prendere la radice quadrata di tale varianza. Che cosa è la differenza di volatilità giornaliera tra la varianza e EWMA in caso Googles suo significativo: La semplice varianza ci ha dato una volatilità giornaliera di 2,4 ma il EWMA ha dato una volatilità giornaliera di soli 1.4 (vedere il foglio di calcolo per i dettagli). A quanto pare, Googles volatilità si stabilì più di recente, pertanto, una semplice variazione potrebbe essere artificialmente alto. Di oggi Variance è una funzione di preavviso Pior giorni Varianza Youll abbiamo bisogno di calcolare una lunga serie di pesi in modo esponenziale in declino. Abbiamo solito facciamo la matematica qui, ma una delle migliori caratteristiche del EWMA è che l'intera serie riduce convenientemente ad una formula ricorsiva: ricorsivo significa che i riferimenti varianza di oggi (cioè è una funzione del giorni prima varianza). È possibile trovare questa formula nel foglio di calcolo anche, e produce lo stesso risultato esatto come il calcolo longhand Dice: varianza di oggi (sotto EWMA) uguale varianza di ieri (ponderato per lambda) più il rendimento di ieri al quadrato (pesato da una lambda meno). Si noti come stiamo solo aggiungendo due termini insieme: ieri varianza ponderata e ieri ponderati, al quadrato di ritorno. Anche così, lambda è il nostro parametro smoothing. Un lambda più alto (ad esempio, come RiskMetrics 94) indica più lento decadimento della serie - in termini relativi, stiamo per avere più punti di dati nella serie e che stanno per cadere più lentamente. D'altra parte, se riduciamo lambda, indichiamo superiore decadimento: i pesi cadere fuori più rapidamente e, come risultato diretto del rapido decadimento, meno punti dati sono usati. (Nel foglio di calcolo, lambda è un ingresso, in modo da poter sperimentare con la sua sensibilità). Riassunto La volatilità è la deviazione standard istantanea di un magazzino e la metrica di rischio più comune. È anche la radice quadrata della varianza. Siamo in grado di misurare la varianza storicamente o implicitamente (volatilità implicita). Quando si misura storicamente, il metodo più semplice è semplice varianza. Ma la debolezza con una semplice varianza è tutti i ritorni ottenere lo stesso peso. Quindi ci troviamo di fronte un classico trade-off: vogliamo sempre più dati ma più dati che abbiamo più il nostro calcolo è diluito da dati lontani (meno rilevanti). La media mobile esponenziale ponderata (EWMA) migliora semplice varianza assegnando pesi alle dichiarazioni periodiche. In questo modo, siamo in grado di utilizzare una dimensione sia grande campione, ma anche dare maggior peso ai rendimenti più recenti. (Per visualizzare un tutorial film su questo argomento, visitare il Bionic Turtle.) Un'offerta iniziale su un fallito beni company039s da un acquirente interessato scelto dalla società fallita. Da un pool di offerenti. L'articolo 50 è una clausola di negoziazione e di regolamento nel trattato UE che delinea i passi da compiere per qualsiasi paese che. Beta è una misura della volatilità o rischio sistematico, di sicurezza o di un portafoglio rispetto al mercato nel suo complesso. Un tipo di imposta riscossa sulle plusvalenze sostenute da individui e aziende. Le plusvalenze sono i profitti che un investitore. Un ordine per l'acquisto di un titolo pari o inferiore a un determinato prezzo. Un ordine di acquisto limite consente agli operatori e agli investitori di specificare. Un Internal Revenue Service (IRS) regola che consente per i prelievi senza penalità da un account IRA. La regola richiede that. I avere una serie storica con una media mobile esponenziale e voglio calcolare un ritorno in movimento della EMA negli ultimi periodi m (qualcosa di simile a un ritorno in movimento levigato). Y (t) è il valore della serie tempo al tempo t S (t) è il valore di un EMA di Y al periodo t Ora R (t) è il ritorno del EMA nei periodi di tempo ultima m: My domanda è: quanti periodi di tempo dovrebbe all'uso di calcolo EMA per un dato m Precisamente, se l'EMA è calcolato utilizzando S (t) alpha Y (t) (1-alpha) S (t-1) e alfa viene impostato 2 (N1), allora come dovrebbe N dipendere m Im supponendo che N sia sufficientemente inferiore m per evitare sovrapposizioni di valori Y che vengono utilizzati per il calcolo di S (t) e S (tm). Eventuali teorie o le migliori pratiche su questo Questo è in realtà un problema piuttosto complesso. Ci sono alcune indicazioni si possono esaminare. Un modo, in genere consigliato nella letteratura di previsione, è quello di ottimizzare per l'errore di previsione. Se si dispone di una specifica applicazione in mente è possibile definire la propria funzione di costo per ottimizzare. Un punto di vista diverso su questo è quello di guardare al EWMA come un modello di spazio di stato, allora il problema è equivalente alla creazione di un filtro di Kalman appropriata che si può fare con MLE, si veda ad esempio Time Series Analysis per Stato space Metodi Ci sono altre direzioni si può andare, ma penso che questo vi darà un idea. Forecasting lisciando Tecniche questo sito è parte del JavaScript e-laboratori oggetti per il processo decisionale di apprendimento. Altri JavaScript in questa serie sono suddivise in diverse aree di applicazione nella sezione MENU in questa pagina. Una serie temporale è una sequenza di osservazioni che vengono ordinati nel tempo. Inerente la raccolta di dati assunto nel tempo è una forma di variazione casuale. Esistono metodi per ridurre di annullare l'effetto dovuto alla variazione casuale. Ampiamente tecniche utilizzate sono levigante. Queste tecniche, se applicato correttamente, rivela più chiaramente le tendenze di fondo. Inserire le serie storiche Riga-saggio in sequenza, a partire dall'angolo sinistro in alto, e il parametro (s), quindi fare clic sul pulsante Calcola per ottenere la previsione di un periodo avanti. caselle vuote non sono inclusi nei calcoli, ma gli zeri sono. In introdurre i dati per passare da cellula a cellula nel data-matrix utilizzare il tasto Tab non freccia o inserire le chiavi. Caratteristiche di serie temporali, che potrebbero essere rivelato esaminando il suo grafico. con i valori previsti, e il comportamento dei residui, la modellazione di previsione condizione. Medie mobili: Le medie mobili sono tra le tecniche più popolari per la pre-elaborazione delle serie storiche. Essi sono utilizzati per filtrare il rumore bianco casuale dai dati, per rendere più agevole la serie storica o anche per sottolineare alcuni componenti informativi contenuti nelle serie temporali. Esponenziale: Questo è uno schema molto popolare per la produzione di una serie storica levigata. Considerando che le medie mobili osservazioni passate hanno lo stesso peso, esponenziale assegna in modo esponenziale diminuzione pesi come l'osservazione invecchiano. In altre parole, osservazioni recenti sono date relativamente più peso nella previsione che le osservazioni più anziani. Doppia esponenziale è meglio alle tendenze di manipolazione. Triple esponenziale è meglio a gestire le tendenze parabola. Una media mobile exponenentially ponderata con una costante livellamento a. corrisponde all'incirca ad una media mobile semplice di lunghezza (cioè periodo) n, dove n e sono legati da: 2 (n1) o N (2 - a) a. Così, per esempio, una media mobile exponenentially ponderato con una lisciatura costante pari a 0,1 corrisponderebbe all'incirca ad una media mobile 19 giorni. E una media mobile semplice di 40 giorni corrisponderebbe grosso modo a una media mobile esponenziale ponderata con una costante livellamento pari a 0,04,878 mila. Holts lineare esponenziale: Supponiamo che la serie temporale è non stagionale, ma fa tendenza del display. Metodo Holts stima sia il livello attuale e la tendenza attuale. Si noti che la media mobile semplice è caso particolare di livellamento esponenziale impostando il periodo di media mobile per la parte intera di (2-Alpha) Alpha. Per la maggior parte dei dati aziendali un parametro Alpha minore di 0,40 è spesso efficace. Tuttavia, si può eseguire una ricerca a griglia dello spazio dei parametri, con 0.1 al 0.9, con incrementi di 0,1. Quindi il miglior alfa ha il più piccolo errore assoluto medio (MA errore). Come confrontare diversi metodi di lisciatura: Anche se ci sono indicatori numerici per valutare l'accuratezza della tecnica di previsione, l'approccio più ampiamente è nell'uso confronto visivo di diverse previsioni per valutare la loro accuratezza e scegliere tra i vari metodi di previsione. In questo approccio, si deve tracciare (utilizzando, ad esempio Excel) sullo stesso grafico i valori originali di una variabile serie storiche ei valori previsti di diversi metodi di previsione diversi, facilitando in tal modo un confronto visivo. È possibile, come proiettando le ipotesi precedenti, levigando Tecniche JavaScript per ottenere i valori di previsione passato in base ad smoothing tecniche che utilizzano il parametro unico singolo. Holt e Winters metodi utilizzano due e tre parametri, rispettivamente, quindi non è un compito facile per selezionare l'ottimale, o anche vicine ai valori ottimali per tentativi ed errori per i parametri. Il singolo di livellamento esponenziale sottolinea la prospettiva a corto raggio si imposta il livello di all'ultima osservazione e si basa a condizione che non vi è alcuna tendenza. La regressione lineare, che si inserisce una linea minimi quadrati ai dati storici (o dati storici trasformati), rappresenta il lungo raggio, che è condizionato sull'andamento base. Holts livellamento esponenziale lineare acquisisce informazioni sulla recente tendenza. I parametri nel modello Holts è livelli-parametro che dovrebbe essere diminuita quando la quantità di variazione dei dati è grande, e tendenze a parametro dovrebbe essere aumentato se la direzione recente tendenza è sostenuta dalla causale alcuni fattori. Previsione a breve termine: Si noti che ogni JavaScript in questa pagina fornisce una previsione one-step-avanti. Per ottenere una previsione in due fasi-avanti. è sufficiente aggiungere il valore previsto per la fine di voi dati di serie temporali e quindi fare clic sullo stesso pulsante Calcola. Si può ripetere questo processo per un paio di volte al fine di ottenere la forecasts. This a breve termine necessaria repo fornisce ponderata esponenzialmente Moving algoritmi media, o EWMAs in breve, sulla base della nostra Quantificare anormale parlare del comportamento. Ponderata esponenzialmente Una media mobile esponenziale ponderata media mobile è un modo per calcolare continuamente un tipo di media per una serie di numeri, come i numeri arrivano. Dopo un valore nella serie viene aggiunto alla media, il suo peso in media diminuisce esponenzialmente nel tempo. Questo polarizza la media verso i dati più recenti. EWMAs sono utili per diversi motivi, soprattutto la loro economico costo computazionale e memoria, così come il fatto che essi rappresentano la recente tendenza centrale della serie di valori. L'algoritmo EWMA richiede un fattore di decadimento, alfa. Più grande è l'alfa, più la media è sbilanciata verso la storia recente. L'alfa deve essere compreso tra 0 e 1, ed è tipicamente un numero relativamente piccolo, ad esempio 0,04. Discuteremo la scelta di alfa tardi. L'algoritmo funziona così, in pseudocodice: moltiplicare il numero successivo della serie da alfa. Moltiplicare il valore corrente della media per 1 meno alfa. Aggiungere il risultato delle fasi 1 e 2, e memorizzarlo come nuovo valore corrente della media. Ripetere per ogni numero della serie. Ci sono casi speciali comportamenti per come inizializzare il valore corrente, e questi variano tra le implementazioni. Un approccio è di iniziare con il primo valore della serie un'altra è la media dei primi 10 o così valori della serie tramite una media aritmetica, e poi iniziare l'aggiornamento incrementale della media. Ogni metodo ha vantaggi e svantaggi. Può essere utile per guardare pittoricamente. Supponiamo che la serie ha cinque numeri, e abbiamo scelto di essere alfa 0,50 per semplicità. Heres la serie, con i numeri in prossimità di 300. Ora lascia prendere la media mobile di quei numeri. In primo luogo abbiamo impostato la media per il valore del primo numero. Successivo moltiplichiamo il numero successivo da alfa, moltiplicare il valore di corrente da 1-alfa, e aggiungerli a generare un nuovo valore. Questo continua fino a quando abbiamo finito. Nota come ciascuno dei valori della serie decade metà ogni volta che viene aggiunto un nuovo valore, e la parte superiore delle barre nella parte inferiore dell'immagine rappresenta la dimensione media mobile. E 'un levigata, o passa-basso, medio della serie originale. Si consideri una dimensione fissa finestra scorrevole media mobile (non una media mobile esponenziale ponderata) che le medie oltre i precedenti N campioni. Qual è l'età media di ogni campione è N2. Ora supponiamo che si desidera costruire un EWMA i cui campioni hanno la stessa età media. La formula per calcolare l'alfa necessario per questo è: alpha 2 (N1). La prova è nella produzione di libri e analisi delle operazioni da Steven Nahmias. Così, per esempio, se si dispone di un tempo di serie con i campioni di una volta al secondo, e si desidera ottenere la media mobile rispetto alla precedente minuto, è necessario utilizzare un alfa di 0,032,786885 millions. Questa, tra l'altro, è l'alfa costante usata per questo repositorys SimpleEWMA. Questo repository contiene due implementazioni dell'algoritmo EWMA, con diverse proprietà. Le implementazioni sono tutti conformi all'interfaccia media mobile, e il costruttore restituisce quel tipo. implementazioni attuali assumono un intervallo di tempo implicito di 1,0 tra ogni campione aggiunto. Cioè, il passaggio del tempo viene trattata come se il suo stesso come l'arrivo di campioni. Se avete bisogno di decadimento basato sul tempo in cui i campioni non stanno arrivando proprio a intervalli prestabiliti, allora questo pacchetto non sosterrà le vostre esigenze attualmente. Un SimpleEWMA è progettata per CPU a basso consumo di memoria e. Avrà un comportamento diverso da quello del VariableEWMA per diverse ragioni. Non ha periodo di riscaldamento e utilizza un decadimento costante. Queste proprietà lasciarlo utilizzare meno memoria. Sarà anche comportamento diverso quando il suo uguale a zero, che si presume significa inizializzata, quindi se un valore è destinato a diventare effettivamente pari a zero nel tempo, allora qualsiasi valore diverso da zero causerà un brusco salto invece di un piccolo cambiamento. A differenza SimpleEWMA, questo sostiene un periodo personalizzato che deve essere conservato, e usa quindi più memoria. Essa ha anche un tempo di riscaldamento quando si inizia aggiungendo valori ad esso. Si riporterà un valore di 0,0 fino ad aggiungere il numero di campioni ad esso. Esso utilizza memoria per memorizzare il numero di campioni aggiunti ad esso. Come risultato si utilizza un po 'oltre il doppio della memoria di SimpleEWMA. Visualizzare la documentazione GODOC generato qui. Si accettano solo richieste di pull di correzioni o migliorie minori. Questo include: Piccolo bug fix Typos documentazione o commenti si prega di aprire questioni da discutere nuove funzionalità. le richieste di attrazione per le nuove funzionalità saranno respinte, quindi si consiglia di fork repository e fare cambiamenti nella vostra forcella per il vostro caso d'uso. Questo repository è Copyright (c) 2013 VividCortex, Inc. Tutti i diritti riservati. Si è rilasciato sotto la licenza MIT. Si prega di consultare il file di licenza per i termini di licenza applicabili.