Wyraźny ważony poruszający średni pdf

Przenoszenie średnich i wykładniczych modeli wygładzania Jako pierwszy krok w wychodzeniu poza średnie modele, przypadkowe modele walk i modele trendów liniowych, nieinwazyjne wzorce i trendy mogą być ekstrapolowane za pomocą modelu ruchomego średniego lub wygładzającego. Podstawowym założeniem za modelami uśredniania i wygładzania jest to, że szereg czasowy jest lokalnie stacjonarny, a powoli zmienia się średnio. W związku z tym bierzemy ruchomą (lokalną) średnią w celu oszacowania bieżącej wartości średniej, a następnie użyć jej jako prognozy na najbliższą przyszłość. Można to uznać za kompromis między średnim modelem a modelem losowego chodzenia bez dryfu. Ta sama strategia może być wykorzystana do oszacowania i ekstrapolacji lokalnego trendu. Średnia ruchoma jest często określana jako quotsmoothedquot wersja pierwotnej serii, ponieważ uśrednianie krótkotrwałe ma efekt wygładzania uderzeń w oryginalnej serii. Dostosowując stopień wygładzania (szerokość średniej ruchomej), możemy mieć nadzieję na osiągnięcie jakiegoś optymalnego balansu między osiągnięciem modelu średniej i losowej. Najprostszym modelem uśredniania jest. Prosta (równoważona wagą) Średnia ruchoma: Prognoza dla wartości Y w czasie t1, która jest wykonana w czasie t równa się zwykłej średniej z ostatnich obserwacji m: (Tutaj i gdzie indziej będę używać symbolu 8220Y-hat8221 dla prognozowania serii czasowej Y dokonanej najwcześniej w poprzednim terminie przez dany model). Ta średnia jest wyśrodkowana w okresie t - (m1) 2, co oznacza, że ​​oszacowanie lokalnej średniej będzie miało tendencję do opóźnienia w stosunku do prawdziwych wartość lokalnej średniej o około (m1) 2 okresów. Tak więc mówimy, że średni wiek danych w prostej średniej ruchomej wynosi (m1) 2 w stosunku do okresu, na który obliczana jest prognoza: jest to ilość czasu, w jakim prognozy będą się spóźniały za punktami zwrotnymi w danych . Na przykład, jeśli uśrednimy ostatnie 5 wartości, prognozy będą wynosić około 3 okresy późne w odpowiedzi na punkty zwrotne. Zauważ, że jeśli m1, model prostego ruchu średniego (SMA) odpowiada modelowi losowego chodzenia (bez wzrostu). Jeśli m jest bardzo duża (porównywalna z długością okresu szacowania), model SMA jest równoważny średniemu modelowi. Podobnie jak w przypadku dowolnego parametru modelu prognozowania, zwykle dostosowywana jest wartość k w celu uzyskania najlepszej jakości danych, tzn. Najmniejszych średnich błędów prognozy. Oto przykład serii, która wydaje się wykazywać przypadkowe wahania wokół średniej wolno zmieniającej się. Po pierwsze, spróbuj dopasować go do modelu przypadkowego spaceru, co odpowiada prostej średniej ruchomej z jednej kadencji: model losowego spaceru reaguje bardzo szybko na zmiany w serii, ale w ten sposób robi to znacznie pobudzając kwintesencję dane (losowe fluktuacje), jak również kwotsignalquot (lokalna średnia). Jeśli weźmiemy pod uwagę prostą średnią ruchomą wynoszącą 5 terminów, otrzymamy gładszy zestaw prognoz: 5-letnia prosta średnia ruchoma daje w tym przypadku znacznie mniejsze błędy niż model losowego chodu. Przeciętny wiek danych w tej prognozie wynosi 3 ((51) 2), co oznacza, że ​​ma tendencję do pozostawania za punktami zwrotnymi przez około trzy okresy. (Na przykład spadek koniunktury wydaje się występować w okresie 21, ale prognozy nie odwracają się do kilku okresów później). Zauważ, że długoterminowe prognozy modelu SMA to poziome linie proste, podobnie jak w przypadku losowego spaceru Model. Tak więc, model SMA zakłada, że ​​nie ma tendencji w danych. Jednakże, mając na uwadze, że prognozy z modelu losowego spaceru są po prostu równoważne ostatniej obserwowanej wartości, prognozy z modelu SMA są równe średniej ważonej ostatnich wartości. Ograniczenia ufności obliczone przez Statgraphics w odniesieniu do długoterminowych prognoz dotyczących prostej średniej ruchomej nie są szersze, gdy horyzont prognoz wzrasta. To oczywiście nie jest poprawne Niestety, nie ma podstawowej teorii statystycznej, która mówi nam, w jaki sposób przedziały ufności powinny poszerzać się w tym modelu. Nie jest jednak zbyt trudno obliczyć empirycznych szacunków dopuszczalnych granic dla prognoz długoterminowych. Na przykład można utworzyć arkusz kalkulacyjny, w którym model SMA byłby wykorzystywany do prognozowania 2 kroków naprzód, 3 kroków naprzód itp. W ramach historycznej próbki danych. Następnie można obliczyć próbkowe odchylenia standardowe błędów w każdym horyzoncie prognozy, a następnie skonstruować interwały zaufania dla prognoz długoterminowych przez dodawanie i odejmowanie wielokrotności odpowiedniego odchylenia standardowego. Jeśli będziemy próbować 9-letniej prostej średniej ruchomej, otrzymamy jeszcze gładsze prognozy i bardziej opóźniamy: średni wiek wynosi teraz 5 okresów ((91) 2). Jeśli weźmiemy 19-letnią średnią ruchliwą, średni wiek wzrośnie do 10: Zauważ, że prognozy są już za punktami zwrotnymi o około 10 okresów. Która suma wygładzania jest najlepsza dla tej serii Poniżej znajduje się tabela porównująca ich statystykę błędów, w tym również średnia 3-letnia: Model C, 5-letnia średnia ruchoma, daje najniższą wartość RMSE przez mały margines w ciągu 3 średnie i średnie 9-dniowe oraz inne statystyki są niemal identyczne. Wśród modeli o bardzo podobnych statystykach błędów możemy wybrać, czy wolelibyśmy nieco lepiej reagować lub trochę bardziej sprawnie. (Powtórz początek strony). Browns Simple Exponential Smoothing (średnia wykładana ważona średnią ruchoma) Opisany wyżej prosty model średniej średniej ma niepożądaną właściwość, która traktuje ostatnie obserwacje równomiernie i całkowicie ignoruje wszystkie poprzednie obserwacje. Intuicyjnie dane z przeszłości powinny być dyskontowane w sposób bardziej stopniowy - na przykład ostatnie obserwacje powinny mieć nieco więcej niż druga ostatnia, a druga ostatnia powinna być nieco większa niż ostatnia z trzech, a wkrótce. Dokonuje tego prostokątny wygładzający (SES). Niech 945 oznacza stałą kwotową konsystencji (liczba między 0 a 1). Jednym ze sposobów zapisania modelu jest zdefiniowanie serii L, która reprezentuje aktualny poziom (tzn. Średnia wartość lokalna) szeregu szacowana na podstawie danych do dnia dzisiejszego. Wartość L w czasie t obliczana jest rekurencyjnie z własnej poprzedniej wartości: W ten sposób bieżąca wygładzona wartość jest interpolacją pomiędzy poprzednią wygładzoną wartością a bieżącą obserwacją, gdzie 945 kontroluje bliskość interpolowanej wartości do najnowszej obserwacja. Prognoza na następny okres jest po prostu aktualną wygładzoną wartością: równoważnie możemy wyrazić następną prognozę bezpośrednio w odniesieniu do poprzednich prognoz i wcześniejszych obserwacji w dowolnej z następujących równoważnych wersji. W pierwszej wersji prognoza jest interpolacją między poprzednią prognozą a poprzednią obserwacją: w drugiej wersji następna prognoza uzyskuje się przez dostosowanie poprzedniej prognozy w kierunku poprzedniego błędu w ułamkowej wartości 945. jest błędem dokonanym w czas t. W trzecim projekcie prognoza jest średnią ruchoma ważoną wykładnicą (tzn. Zdyskontowaną) z współczynnikiem dyskontowania 1 - 945: wersja interpolacyjna formuły prognozowania jest najprostszym sposobem użycia, jeśli model jest wdrażany w arkuszu kalkulacyjnym: jest on dopasowany do pojedynczą komórkę i zawiera odwołania do komórek wskazujące na poprzednią prognozę, poprzednią obserwację oraz komórkę, w której zapisana jest wartość 945. Zauważ, że jeśli 945 1, model SES jest równoważny modelowi losowego spaceru (bez wzrostu). Jeśli 945 0, model SES jest odpowiednikiem średniego modelu, zakładając, że pierwsza wygładzona wartość jest równa średniej. (Powrót na górę strony.) Przeciętny wiek danych w prognozie wygładzania według wykładników prostych i wykładniczych wynosi 1 945 w stosunku do okresu, w którym obliczana jest prognoza. (Nie powinno to być oczywiste, ale można to łatwo wykazać przez ocenę nieskończonej serii). W związku z tym, prosta średnia ruchoma przebiega za punktami zwrotnymi przez około 1 945 okresów. Na przykład, gdy 945 0,5 opóźnienie to 2 okresy, gdy 945 0,2 opóźnienie wynosi 5 okresów, gdy 945 0,1 opóźnienia wynosi 10 okresów itd. Dla pewnego przeciętnego wieku (czyli ilości opóźnień), prosta prognoza wygładzania wykładniczego (SES) jest nieco lepsza od prognozy SMA (Simple moving average), ponieważ w ostatnim obserwowaniu obserwuje się relatywnie większą wagę. jest nieco bardziej odpowiadający na zmiany zachodzące w niedawnej przeszłości. Na przykład model SMA z 9 terminami i model SES z 945 0.2 mają średni wiek 5 lat dla danych w ich prognozach, ale model SES daje większą wagę w stosunku do ostatnich 3 wartości niż model SMA i na poziomie w tym samym czasie nie robi nic 8220forget8221 o wartościach powyżej 9 okresów, jak pokazano na poniższym wykresie: Inną ważną zaletą modelu SES w modelu SMA jest to, że model SES wykorzystuje parametr wygładzania, który jest ciągle zmienny, dzięki czemu można z łatwością zoptymalizować za pomocą algorytmu quotsolverquot w celu zminimalizowania średniego kwadratu. Optymalna wartość 945 w modelu SES dla tej serii okazała się wynosić 0.2961, jak pokazano poniżej: średni wiek danych w tej prognozie to 10.2961 3.4 okresy, które są podobne do średniej 6-letniej prostej średniej ruchomej. Długoterminowe prognozy z modelu SES są poziomej prostej. jak w modelu SMA i modelu przypadkowego spacerowania bez wzrostu. Należy jednak pamiętać, że przedziały ufności obliczane przez Statgraphics różnią się w rozsądny sposób i że są one znacznie węższe niż przedziały ufności dla modelu losowego spaceru. Model SES zakłada, że ​​seria jest nieco bardziej przewidywalna niż model losowego chodu. Model SES jest faktycznie szczególnym przypadkiem modelu ARIMA. tak więc statystyczna teoria modeli ARIMA stanowi solidną podstawę do obliczania przedziałów ufności dla modelu SES. W szczególności model SES jest modelem ARIMA z odmienną różnicą, terminem MA (1), a nie określonym terminem. inaczej znany jako model quotARIMA (0,1,1) bez stałej ilości. Współczynnik MA (1) w modelu ARIMA odpowiada ilościowi 1- 945 w modelu SES. Na przykład, jeśli dopasujesz model ARIMA (0,1,1) bez stałej do analizowanej serii, szacowany współczynnik MA (1) okazuje się wynosić 0.7029, czyli prawie dokładnie minus minus 0.2961. Możliwe jest dodanie założenia niezerowej stałej tendencji liniowej do modelu SES. W tym celu wystarczy podać model ARIMA z jedną różniczkową różnicą i terminem MA (1) ze stałą, tj. Model ARIMA (0,1,1) ze stałą. Prognozy długoterminowe będą wtedy miały tendencję, która jest równa średniej tendencji obserwowanej w całym okresie szacunkowym. Nie można tego zrobić w połączeniu z dostosowaniem sezonowym, ponieważ opcje dostosowania sezonowego są wyłączone, gdy typ modelu jest ustawiony na ARIMA. Można jednak dodać stałą długoterminową tendencję wykładniczą do prostego modelu wygładzania wykładniczego (z korektą sezonową lub bez), korzystając z opcji regulacji inflacji w procedurze prognozowania. Odpowiednia szybkość wzrostu kwotowania (stopa wzrostu procentowego) w danym okresie może być oszacowana jako współczynnik nachylenia w modelu liniowego tendencji dopasowany do danych w połączeniu z naturalną transformacją logarytmiczną lub może opierać się na innych, niezależnych informacjach dotyczących długoterminowych perspektyw wzrostu . (Powrót na początek strony). Browns Linear (tj. Podwójne) Wyrównywanie wykładnicze Modele SMA i modele SES zakładają, że w danych nie ma żadnego trendu (co zwykle jest OK lub przynajmniej nie jest zbyt złe dla 1- prognozy stopniowe, gdy dane są stosunkowo hałaśliwe) i można je zmodyfikować, aby uwzględnić stały trend liniowy, jak pokazano powyżej. Co z trendami krótkoterminowymi Jeśli seria wykazuje zróżnicowaną stopę wzrostu lub cykliczny wzór wyraźnie wyróżniający się w stosunku do hałasu, a jeśli istnieje potrzeba prognozowania więcej niż jednego okresu, szacunek lokalnej tendencji może być również problem. Prosty model wygładzania wykładniczego można uogólnić w celu uzyskania liniowego modelu wygładzania wykładniczego (LES), który oblicza lokalne szacunki zarówno poziomu, jak i tendencji. Najprostszym modelem trendów jest Browns liniowy model wygładzania wykładniczego, który wykorzystuje dwie różne wygładzone serie, które są wyśrodkowane w różnych punktach w czasie. Formuła prognozy opiera się na ekstrapolacji linii przez dwa centra. (Poniżej omówiono bardziej wyrafinowaną wersję tego modelu, Holt8217). Algorytm liniowy linearyzacji Brown8217s, podobny do prostokątnego modelu wygładzania, może być wyrażony w wielu różnych, ale równoważnych formach. Niewątpliwą formą tego modelu jest zwykle wyrażona w następujący sposób: Niech S oznacza pojedynczo wygładzoną serię otrzymaną przez zastosowanie prostego wygładzania wykładniczego do serii Y. Oznacza to, że wartość S w okresie t jest wyrażona przez: (Przypomnijmy, że według prostego wyrównywanie wykładnicze, to byłaby prognoza dla Y w okresie t1). Pozwólmy Squot oznaczać podwójnie wygładzoną serię otrzymaną przez zastosowanie prostego wygładzania wykładniczego (przy użyciu tego samego 945) do serii S: Wreszcie prognoza dla Y tk. dla każdego kgt1, podaje: Otrzymuje e 1 0 (to znaczy trochę oszukiwać, a pierwsza prognoza jest równa faktycznej pierwszej obserwacji) i e 2 Y 2 8211 Y 1. po których generowane są prognozy przy użyciu powyższego wzoru. Daje to takie same wartości, jak wzór na podstawie S i S, jeśli te ostatnie zostały uruchomione przy użyciu S 1 S 1 Y 1. Ta wersja modelu jest używana na następnej stronie, która ilustruje kombinację wygładzania wykładniczego z dostosowaniem sezonowym. Model LES firmy Holt8217s oblicza lokalny szacunek poziomu i trendu, wygładając ostatnie dane, ale fakt, że wykonuje to za pomocą pojedynczego parametru wygładzania, ogranicza wzorce danych, które można dopasować: poziom i trend nie mogą zmieniać się w niezależnych stawkach. Model LES firmy Holt8217s rozwiązuje ten problem przez uwzględnienie dwóch stałych wygładzania, po jednym dla poziomu i jednego dla tego trendu. W dowolnym momencie t, podobnie jak w modelu Brown8217s, szacuje się, że na poziomie lokalnym jest szacunkowa t t lokalnego trendu. Tutaj są obliczane rekurencyjnie z wartości Y obserwowanej w czasie t oraz poprzednich szacunków poziomu i tendencji przez dwa równania, które nakładają na siebie wyrównywanie wykładnicze. Jeśli szacowany poziom i tendencja w czasie t-1 to L t82091 i T t-1. odpowiednio, wówczas prognoza dla Y tshy, która została dokonana w czasie t-1, jest równa L t-1 T t-1. Gdy rzeczywista wartość jest zaobserwowana, zaktualizowany szacunek poziomu jest obliczany rekurencyjnie przez interpolowanie pomiędzy Y tshy a jego prognozą, L t-1 T t-1, przy użyciu odważników 945 i 1 945. Zmiana szacowanego poziomu, mianowicie L t 8209 L t82091. można interpretować jako hałasujący pomiar tendencji w czasie t. Zaktualizowane oszacowanie trendu jest następnie obliczane rekurencyjnie przez interpolowanie pomiędzy L t 8209 L t82091 a poprzednim oszacowaniem tendencji T t-1. przy użyciu odważników 946 i 1-946: Interpretacja stałej 946 wyrównania tendencji jest analogiczna do stałej stymulacji 945. Modele o małych wartościach 946 zakładają, że tendencja zmienia się bardzo powoli w czasie, podczas gdy modele z większy rozmiar 946 zakłada, że ​​zmienia się szybciej. Model z dużą liczbą 946 uważa, że ​​dalsza przyszłość jest bardzo niepewna, ponieważ błędy w oszacowaniu tendencji stają się bardzo ważne, gdy prognozuje się więcej niż jeden rok. (Powrót na początek strony). Stałe wygładzania 945 i 946 można oszacować w zwykły sposób minimalizując średnie kwadratowe błędy prognoz na jeden etap. Gdy to nastąpi w Statgraphics, szacunki wyniosły 945 0,3048 i 946 0,008. Bardzo mała wartość 946 oznacza, że ​​model zakłada bardzo niewielką zmianę tendencji z jednego okresu do następnego, więc w zasadzie ten model próbuje oszacować długoterminowy trend. Przez analogię do pojęcia średniego wieku danych używanych do oszacowania lokalnego poziomu szeregu, średni wiek danych wykorzystywanych do oszacowania tendencji lokalnej jest proporcjonalny do 1 946, chociaż nie jest dokładnie taki sam . W tym przypadku okazuje się, że jest to 10.006 125. Jest to bardzo dokładna liczba, ponieważ dokładność szacowania 946 isn8217t rzeczywiście wynosi 3 miejsca po przecinku, ale ma ten sam ogólny porządek wielkości co rozmiar próbki 100, więc ten model uśrednia wiele historii w szacowaniu tendencji. Poniższa wykres prognozuje, że model LES szacuje nieco większą tendencję lokalną na końcu serii niż stała tendencja szacowana w modelu SEStrend. Ponadto szacowana wartość 945 jest niemal identyczna z uzyskaną przez dopasowanie modelu SES do trendu lub bez, więc jest to prawie ten sam model. Teraz wyglądają jak rozsądne prognozy modelu, które ma oszacować trend lokalny Jeśli wygląda to na wykresie, wygląda na to, że lokalny trend spadł na koniec serii Co się stało Parametry tego modelu zostały oszacowane przez zminimalizowanie kwadratu błędów prognoz na jeden etap, a nie prognoz długoterminowych, w których to przypadku tendencja ta ma wiele różnic. Jeśli wszystko, na co patrzysz, to błędy z jednopodstawowym wyprzedzeniem, nie widzisz większego obrazu trendów w ciągu 10 lub 20 okresów (powiedzmy). Aby uzyskać ten model bardziej zgodny z naszą ekstrapolacją danych oczu, możemy ręcznie dostosować stałą wygładzania trendu, tak aby używała krótszej linii odniesienia dla szacowania tendencji. Na przykład, jeśli zdecydujemy się ustawić 946 0,1, średni wiek danych wykorzystywanych do oszacowania tendencji miejscowej wynosi 10 okresów, co oznacza, że ​​uśrednimy tendencję w ciągu ostatnich 20 okresów. Here8217s jak wygląda prognoza wykresu, jeśli ustawimy 946 0.1 przy zachowaniu 945 0.3. To wydaje się intuicyjnie rozsądne w tej serii, chociaż najprawdopodobniej jest to niebezpieczne, aby wyliczyć tę tendencję w przyszłości o więcej niż 10 okresów. Co ze statystykami o błędach Oto porównanie modelu dwóch modeli przedstawionych powyżej oraz trzech modeli SES. Optymalna wartość 945 dla modelu SES wynosi około 0,3, ale uzyskuje się podobne wyniki (z nieco większą lub mniejszą reakcją) przy 0,5 i 0,2. (A) Holts liniowy exp. wygładzanie z alfa 0,3048 i beta 0,008 (B) liniowe liniowe exp. wygładzanie za pomocą alfa 0.3 i beta 0.1 (C) proste wyrównywanie wykładnicze z alfa 0.5 (D) proste wyrównywanie wykładnicze z alfa 0.3 (E) proste wyrównywanie wykładnicze z alfa 0.2 ich statystyka jest prawie identyczna, więc naprawdę możemy8217t dokonać wyboru na podstawie Błędy prognozy dotyczące etapu wyprzedzania w ramach próbki danych. Musimy pogodzić się z innymi względami. Jeśli uważamy, że sensowne jest oparcie bieżącej tendencji szacunkowej na to, co wydarzyło się w ciągu ostatnich 20 okresów, możemy zrobić przypadek modelu LES z 945 0,3 i 946 0,1. Jeśli chcemy być agnostyczni, czy istnieje tendencja lokalna, jeden z modeli SES może być łatwiejszy do wyjaśnienia, a także dałby więcej prognoz średniej wielkości na najbliższe 5 lub 10 okresów. (Powrót na początek strony.) Który typ tendencji - ekstrapolacja jest najlepsza: pozioma lub liniowa Dane empiryczne sugerują, że jeśli dane zostały już skorygowane (jeśli to konieczne) dla inflacji, może okazać się nieroztropne, aby ekstrapolować krótkoterminową liniową trendy bardzo daleko w przyszłość. Trendy widoczne dziś mogą się spowolnić w przyszłości ze względu na różne przyczyny, takie jak nieaktualność produktu, zwiększona konkurencja i cykliczne spowolnienie gospodarcze lub wzrost w przemyśle. Z tego powodu prosty wygładzanie wykładnicze często wykonuje lepszą próbę poza próbą niż oczekiwano inaczej, pomimo ekstrapolacji tendencji poziomej. Często w praktyce często stosuje się modyfikacje trendu tłumiącego liniowego modelu wygładzania wykładniczego, aby w praktyce wprowadzić do konserwacji swój zapis konserwatyzmu. Model "LES" z tendencjami tłumionymi może być realizowany jako szczególny przypadek modelu ARIMA, w szczególności modelu ARIMA (1,1,2). Możliwe jest obliczanie przedziałów ufności wokół prognoz długoterminowych wytworzonych przez wykładnicze modele wygładzania, biorąc pod uwagę je jako szczególne przypadki modeli ARIMA. (Uwaga: nie wszystkie programy obliczają prawidłowe przedziały ufności dla tych modeli.) Szerokość przedziałów ufności zależy od (i) błędu RMS modelu, (ii) rodzaju wygładzania (prostego lub liniowego) (iii) wartości (-ów) wygładzania (a) i (iv) liczbę prognozowanych okresów. Ogólnie rzecz biorąc, odstępy czasowe rozciągają się szybciej, gdy 945 staje się większe w modelu SES i rozciągają się znacznie szybciej, gdy stosuje się linearne, a nie proste wygładzanie. Ten temat jest omówiony w dalszej części sekcji ARIMA w uwagach. (Powrót na początek strony.) Podejście EWMA ma jedną atrakcyjną cechę: wymaga stosunkowo niewielkich zapisanych danych. Aby zaktualizować nasze oszacowania w dowolnym momencie, potrzebujemy tylko wstępnego oszacowania współczynnika wariancji i najnowszej wartości obserwacji. Drugim celem EWMA jest śledzenie zmian w zmienności. W przypadku małych wartości najnowsze obserwacje mają wpływ na szybką ocenę. W przypadku wartości zbliżonych do jednej, szacunek zmienia się powoli w oparciu o ostatnie zmiany w zakresie zwracania zmiennej bazowej. Baza danych RiskMetrics (wyprodukowana przez JP Morgan i dostępna publicznie) wykorzystuje EWMA do aktualizacji codziennej zmienności. WAŻNE: Formuła EWMA nie zakłada długiego przeciętnego poziomu wariancji. Tak więc koncepcja zmienności oznacza odwrócenie nie zostaje uchwycona przez EWMA. W tym celu lepiej dostosować modele ARCHGARCH. Drugim celem EWMA jest śledzenie zmian w zmienności, a więc w przypadku małych wartości, niedawna obserwacja wpływa na szybką ocenę, a dla wartości zbliżonych do jednego, szacunkowa zmiana powoli do ostatnich zmian zwrotu zmiennej bazowej. Baza danych RiskMetrics (wyprodukowana przez JP Morgan) i udostępniana publicznie w 1994 r. Wykorzystuje model EWMA do aktualizacji dziennej oceny zmienności. Firma stwierdziła, że ​​w wielu zmiennych rynkowych wartość ta daje prognozę wariancji, która jest najbardziej zbliżona do zrealizowanej różnicy. Ustalone stawki wariancji w danym dniu obliczono jako średnią ważoną w kolejnych 25 dniach. Podobnie, aby obliczyć optymalną wartość lambda dla naszego zestawu danych, musimy obliczyć zrealizowaną zmienność w każdym punkcie. Istnieje kilka metod, więc wybierz jeden. Następnie obliczyć sumę kwadratowych błędów (SSE) pomiędzy szacunkiem EWMA a zrealizowaną zmiennością. Na koniec zminimalizuj SSE zmieniając wartość lambda. Brzmi to proste. Największym wyzwaniem jest uzgodnienie algorytmu obliczania zrealizowanej zmienności. Na przykład ludzie z firmy RiskMetrics wybrali kolejny 25-dniowy obliczony współczynnik wariancji. W Twoim przypadku można wybrać algorytm, który wykorzystuje ceny dzienne, cena HILO i lub OPEN-CLOSE. Pytanie 1: Czy możemy używać EWMA do oszacowania (lub prognozy) zmienności więcej niż jeden krok? Przedstawicielstwo EWMA w zmienności nie zakłada długoterminowej zmienności średniej, a zatem w przypadku każdego prognozowanego horyzontu ponad jednokrotny EWMA zwraca stałą Wartość: Zbadanie średniej ruchomej średniej zmienności jest najczęstszym miernikiem ryzyka, ale ma kilka smaków. W poprzednim artykule pokazaliśmy, jak obliczyć prostą zmienność historyczną. Wykorzystaliśmy dane o kursach akcji Google do obliczania dziennej niestabilności w oparciu o 30 dni danych o zapasach. W tym artykule poprawimy prostą lotność i omówimy ważną średnią ruchową (EWMA). Historyczne Vs. Imponująca zmienność Najpierw należy umieścić ten wskaźnik w perspektywie. Istnieją dwa szerokie podejścia: domniemana i domniemana (lub ukryta) zmienność. Podejście historyczne zakłada, że ​​przeszłość jest prologiem mierzymy historię w nadziei, że jest ona przewidywalna. Z drugiej strony ignoruje historię, którą rozwiązuje za niestabilność, którą sugerują ceny rynkowe. Ma nadzieję, że rynek wie najlepiej i że cena rynkowa zawiera, nawet jeśli w sposób dorozumiany, konsensusową ocenę niestabilności. Jeśli chodzi o trzy historyczne podejścia (po lewej stronie powyżej), mają one dwa wspólne kroki: Oblicz cykl okresowych zwrotów Zastosuj schemat ważenia Po pierwsze, my, obliczyć okresowy powrót. To zazwyczaj szereg codziennych zwrotów, gdzie każdy powrót jest wyrażany w stale złożonych terminach. Dla każdego dnia przyjmujemy naturalny dziennik stosunku cen akcji (tzn. Dzisiejszej ceny podzielonej przez cenę w cenach, itd.). Powoduje to szereg codziennych zwrotów, od ui do u i-m. w zależności od tego ile dni (m dni) mierzymy. To prowadzi nas do drugiego kroku: tam są trzy różne podejścia. W poprzednim artykule (Wykorzystanie zmienności w celu oceny przyszłego ryzyka) wykazaliśmy, że w ramach kilku akceptowalnych uproszczeń prosta wariacja jest średnią kwadratowych zwrotów: Zwróć uwagę, że suma każdego z okresowych zwrotów, a następnie dzieli się na sumę liczba dni lub obserwacji (m). Więc, to naprawdę średnia wielkość kwadratowych zwrotów okresowych. Innymi słowy, każda kwadratowa powrót ma taką samą wagę. Więc jeśli alfa (a) jest czynnikiem ważącym (konkretnie 1m), to prosta wariacja wygląda tak: EWMA poprawia się na prostej odmianie. Słabością tego podejścia jest to, że wszystkie zyski mają taką samą wagę. Wczorajsze (ostatnie) powroty nie mają większego wpływu na wariancję niż w zeszłym miesiącu. Problem ten jest ustalony przy użyciu średniej ruchomej (EWMA), w której większe odchylenia mają większy wpływ na wariancję. Średnia geometryczna (EWMA) wprowadza lambda. nazywanym parametrem wygładzania. Lambda musi być mniejsza niż jeden. W tym wariancie, zamiast równej wagi, każdy zwrócony kwadrat jest ważony przez mnożnik w następujący sposób: Na przykład firma RiskMetrics TM, firma zajmująca się zarządzaniem ryzykiem finansowym, zazwyczaj używa lambda w wysokości 0,94 lub 94. W tym przypadku pierwszy ostatni kwadratowy zwrotu jest po prostu lambda-wielokrotnością poprzedniej wagi w tym przypadku 6 pomnożonej przez 94 5,64. W trzecim przedziale czasowym wagi są równe (1-0,94) (0,94) 2 5,30. Wyraża znaczenie wykładnicze w EWMA: każda masa jest stałym mnożnikiem (tj. Lambda, która musi być mniejsza niż jeden) masy poprzednich dni. Zapewnia to odmianę ważoną lub tendencyjną wobec najnowszych danych. (Aby dowiedzieć się więcej, przejrzyj arkusz programu Excel w celu zapewnienia płynności w programie Google). Różnica między po prostu zmiennością a EWMA dla Google jest pokazana poniżej. Prosta zmienność skutecznie waży każdego i każdego okresu powrotu o 0.196, jak pokazano w kolumnie O (mieliśmy dwa lata dziennych danych o cenach akcji, czyli 509 dziennych zwrotów i 1509 0.196). Ale zauważ, że kolumna P przypisuje wagę 6, potem 5,64, potem 5,3 itd. To jedyna różnica między prostą odchyleniem a EWMA. Pamiętaj: Po sumie całej serii (w kolumnie Q) mamy wariancję, która jest kwadratem odchylenia standardowego. Jeśli chcemy zmienności, musimy pamiętać o podstawie kwadratowej tej odmienności. Jaka jest różnica dziennej zmienności pomiędzy wariancją a EWMA w przypadku firmy Google: Istotna: prosta wariacja dała nam dzienną zmienność na poziomie 2,4, ale EWMA dała dzienną zmienność tylko 1,4 (szczegóły są dostępne w arkuszu kalkulacyjnym). Widocznie, zmienność języka Google sięgnęła ostatnio, dlatego prosta wariacja może być sztucznie wysoka. Dzisiejsza wariacja jest funkcją wariantów dni Piora Zauważmy, że musimy obliczyć długi szereg wykładniczo malejących ciężarów. Nie będziemy tu robić matrycy, ale jedna z najlepszych cech EWMA polega na tym, że cała seria wygodnie się zmniejsza do formuły rekurencyjnej: Rekursywne oznacza, że ​​dzisiejsze odchylenia od wariancji (tj. Jest funkcją wariancji poprzednich dni). Taką formułę można znaleźć również w arkuszu kalkulacyjnym i daje dokładnie taki sam wynik, jak obliczenia długoterminowe. Mówi się: wariancja Dzisiejsza (pod EWMA) jest równa wariancji wczorajszej (ważyła lambda) plus wczorajsze kwadranse zwrócone (ważyło się o jedną minus lambda). Zauważmy, jak po prostu dodajemy dwa terminy: wczorajsza ważona wariacja i wczoraj ważone, kwadratowe powrót. Mimo to, lambda jest naszym parametrem wygładzania. Wyższa lambda (np. RiskMetrics 94) wskazuje na wolniejsze zanikanie w serii - w kategoriach względnych, będziemy mieli więcej punktów danych w serii i będą padać wolniej. Z drugiej strony, jeśli zmniejszymy lambda, wskazujemy wyższy zanik: masy spadają szybciej i, w bezpośrednim wyniku szybkiego zaniku, wykorzystuje się mniej punktów danych. (W arkuszu kalkulacyjnym lambda jest wejściem, więc możesz eksperymentować z jego wrażliwością). Podsumowanie Zmienność to chwilowe odchylenie standardowe dla zapasów i najczęstszych miar ryzyka. Jest to również pierwiastek kwadratowy wariancji. Możemy zmierzyć wariancję historycznie lub domyślnie (domniemana zmienność). Podczas pomiaru historycznego najprostszą metodą jest prosta odmiana. Ale słabość z prostą odmianą to wszystkie zwroty mają taką samą wagę. Więc mamy do czynienia z klasycznym kompromisem: zawsze chcemy więcej danych, ale im więcej danych, tym bardziej nasze obliczenia są rozmyte danymi odległymi (mniej istotnymi). Średnia średnica ruchoma (EWMA) zwiększa się w prostej wariancie, przypisując wagi okresowym zwrotom. Dzięki temu możemy zarówno użyć dużego rozmiaru próbki, jak i większej wagi do najnowszych wyników. (Aby obejrzeć samouczek filmowy na ten temat, odwiedź Turion Bionic). Rodzaj podatku od zysków kapitałowych poniesionych przez osoby prywatne i korporacje. Zyski kapitałowe to zyski inwestora. Zamówienie zakupu zabezpieczenia z lub poniżej określonej ceny. Zlecenie z limitem kupna umożliwia określenie podmiotów gospodarczych i inwestorów. Reguła Internal Revenue Service (IRS), która pozwala na bezkarne wycofywanie z konta IRA. Reguła wymaga tego. Pierwsza sprzedaż akcji przez prywatną firmę do publicznej wiadomości. IPO są często wydawane przez mniejsze, młodsze firmy szukające. Wskaźnik zadłużenia jest wskaźnikiem zadłużenia stosowanym do pomiaru dźwigni finansowej firmy lub wskaźnika zadłużenia stosowanego do pomiaru jednostki. Typ struktury kompensacji, którą zarządzający funduszami hedgingowymi zwykle zatrudniają, w których część rekompensaty jest oparta na wynikach. Dokumentacja output tsmovavg (tsobj, s, lag) zwraca zwykłą średnią ruchową dla tsobj dla obiektu czasowego czasu finansowego. opóźnienie wskazuje liczbę poprzednich punktów danych używanych w bieżącym punkcie danych przy obliczaniu średniej ruchomej. output tsmovavg (vector, s, lag, dim) zwraca prostą średnią ruchową dla wektora. opóźnienie wskazuje liczbę poprzednich punktów danych używanych w bieżącym punkcie danych przy obliczaniu średniej ruchomej. Wyjście tsmovavg (tsobj, e, timeperiod) zwraca ważoną średnią ruchową wyliczoną wykładniczo dla finansowego obiektu szeregowego czasowego, tsobj. Wyjściowa średnia ruchoma jest ważoną średnią ruchoma, w której timeperiod określa okres czasu. Wyższe średnie kroczące zmniejszają opóźnienie, stosując większą wagę do niedawnych cen. Na przykład dziesięcioletnia wykładnicza średnica ruchoma waży ostatnią cenę o 18.18. Procent procentowy 2 (TIMEPER 1) lub 2 (WINDOWSIZE 1). output tsmovavg (vector, e, timeperiod, dim) zwraca średnią ważoną ważoną wykładniczą dla wektora. Wyjściowa średnia ruchoma jest ważoną średnią ruchoma, w której timeperiod określa okres czasu. Wyższe średnie kroczące zmniejszają opóźnienie, stosując większą wagę do niedawnych cen. Na przykład dziesięcioletnia wykładnicza średnica ruchoma waży ostatnią cenę o 18.18. (2 (timeperiod 1)). tsmovavg (tsobj, t, numperiod) zwraca trójkątną średnią ruchomą dla finansowego obiektu szeregowego czasowego, tsobj. Trójkątna średnia ruchoma podwójnie wygładza dane. tsmovavg oblicza pierwszą prostą średnią ruchową z szerokością okna ceila (numperiod 1) 2. Następnie oblicza drugą prostą średnią ruchową na pierwszej średniej ruchomej o tym samym rozmiarze okna. Wyjście tsmovavg (wektor, t, numperiod, dim) zwraca trójkątną średnicę ruchu dla wektora. Trójkątna średnia ruchoma podwójnie wygładza dane. tsmovavg oblicza pierwszą prostą średnią ruchową z szerokością okna ceila (numperiod 1) 2. Następnie oblicza drugą prostą średnią ruchową na pierwszej średniej ruchomej o tym samym rozmiarze okna. tsmovavg (tsobj, w, wagi) zwraca ważoną średnią ruchową dla finansowego obiektu szeregowego czasowego, tsobj. poprzez dostarczanie ciężarów dla każdego elementu w ruchomym oknie. Długość wektora wagi określa rozmiar okna. Jeśli większe ceny są stosowane w przypadku niedawnych cen i mniejszych czynników dla poprzednich cen, trend ten jest bardziej dostosowany do ostatnich zmian. Wyjście tsmovavg (wektor, w, wagi, dim) zwraca ważoną średnią ruchomą dla wektora, dostarczając ciężary każdego elementu w ruchu okna. Długość wektora wagi określa rozmiar okna. Jeśli większe ceny są stosowane w przypadku niedawnych cen i mniejszych czynników dla poprzednich cen, trend ten jest bardziej dostosowany do ostatnich zmian. tsmovavg (tsobj, m, numperiod) zwraca zmodyfikowaną ruchomą średnią dla finansowego obiektu szeregowego czasowego, tsobj. Zmodyfikowana średnia ruchoma jest podobna do prostej średniej ruchomej. Rozważmy liczbę argumentów jako wartość opóźnienia prostej średniej ruchomej. Pierwsza zmodyfikowana średnia ruchoma jest obliczana jako prosta średnia ruchoma. Kolejne wartości są obliczane przez dodanie nowej ceny i odejmowanie ostatniej z otrzymanej sumy. Wyjście tsmovavg (wektor, m, numperiod, dim) zwraca zmodyfikowaną średnią ruchową dla wektora. Zmodyfikowana średnia ruchoma jest podobna do prostej średniej ruchomej. Rozważmy liczbę argumentów jako wartość opóźnienia prostej średniej ruchomej. Pierwsza zmodyfikowana średnia ruchoma jest obliczana jako prosta średnia ruchoma. Kolejne wartości są obliczane przez dodanie nowej ceny i odejmowanie ostatniej z otrzymanej sumy. dim 8212 wymiar do działania wzdłuż dodatniej liczby całkowitej z wartością 1 lub 2 wymiar do pracy wzdłuż, określonej jako dodatnia liczba całkowita o wartości 1 lub 2. dim jest opcjonalnym argumentem wejściowym, a jeśli nie jest to wejście, domyślne przyjmuje się wartość 2. Wartość domyślna dim 2 wskazuje macierz zorientowaną wiersz, gdzie każdy wiersz jest zmienną, a każda kolumna jest obserwacją. Jeśli dim 1. przyjmuje się, że wejście jest wektorem kolumny lub macierzą zorientowaną na kolumnę, gdzie każda kolumna jest zmienną, a każdy wiersz obserwacją. e 8212 Wskaźnik charakterystycznego wektora średniej ruchomej Wyznaczyć średnią ruchoma jest ważoną średnią ruchomą, gdzie czas jest okresem czasu wykładniczej średniej ruchomej. Wyższe średnie kroczące zmniejszają opóźnienie, stosując większą wagę do niedawnych cen. Na przykład 10-krotna średnia wykładnia średniej ruchomej odważa ostatnią cenę o 18.18. Sekwencja wykładnicza 2 (TIMEPER 1) lub 2 (WINDOWSIZE 1) timeperiod 8212 Długość okresu nieujemna liczba całkowita Wybierz kraj