Eksponensieel Geweegde Moving Gemiddelde Vergelyking

Verken die eksponensieel Geweegde Moving Gemiddelde Volatiliteit is die mees algemene maatstaf van risiko, maar dit kom in verskeie geure. In 'n vorige artikel het ons gewys hoe om eenvoudige historiese wisselvalligheid te bereken. (Om hierdie artikel te lees, sien Die gebruik van Volatiliteit Om toekomstige risiko te meet.) Ons gebruik Googles werklike aandele prys data om daaglikse wisselvalligheid gebaseer op 30 dae van voorraad data bereken. In hierdie artikel, sal ons verbeter op eenvoudige wisselvalligheid en bespreek die eksponensieel geweeg bewegende gemiddelde (EWMA). Historiese Vs. Geïmpliseer Volatiliteit Eerste, laat sit hierdie metrieke in 'n bietjie van perspektief. Daar is twee breë benaderings: historiese en geïmpliseer (of implisiete) wisselvalligheid. Die historiese benadering veronderstel dat verlede is proloog ons geskiedenis te meet in die hoop dat dit voorspellende. Geïmpliseerde wisselvalligheid, aan die ander kant, ignoreer die geskiedenis wat dit oplos vir die wisselvalligheid geïmpliseer deur markpryse. Hulle hoop dat die mark weet die beste en dat die markprys bevat, selfs al is implisiet, 'n konsensus skatting van wisselvalligheid. (Vir verwante leesstof, sien die gebruike en beperkinge van Volatiliteit.) As ons fokus op net die drie historiese benaderings (op die bogenoemde links), hulle het twee stappe in gemeen: Bereken die reeks periodieke opgawes Pas 'n gewig skema Eerstens, ons bereken die periodieke terugkeer. Dis gewoonlik 'n reeks van die daaglikse opgawes waar elke terugkeer uitgedruk in voortdurend saamgestel terme. Vir elke dag, neem ons die natuurlike log van die verhouding van aandele pryse (dit wil sê die prys vandag gedeel deur die prys gister, en so aan). Dit veroorsaak 'n reeks van die daaglikse opbrengs van u ek u i-m. afhangende van hoeveel dae (m dae) ons meet. Dit kry ons by die tweede stap: Dit is hier waar die drie benaderings verskil. In die vorige artikel (Die gebruik van Volatiliteit Om toekomstige risiko Gauge), ons het getoon dat onder 'n paar aanvaarbare vereenvoudigings, die eenvoudige afwyking is die gemiddeld van die kwadraat opbrengste: Let daarop dat hierdie som elk van die periodieke opgawes, verdeel dan wat totaal deur die aantal dae of waarnemings (m). So, dit is regtig net 'n gemiddeld van die kwadraat periodieke opgawes. Anders gestel, is elke vierkant terugkeer gegee 'n gelyke gewig. So as alfa (a) is 'n gewig faktor (spesifiek, 'n 1 / m), dan 'n eenvoudige variansie lyk iets soos hierdie: Die EWMA Verbeter op Eenvoudige Variansie Die swakheid van hierdie benadering is dat alle opgawes verdien dieselfde gewig. Yesterdays (baie onlangse) terugkeer het geen invloed meer op die variansie as verlede maande terugkeer. Hierdie probleem is opgelos deur die gebruik van die eksponensieel geweeg bewegende gemiddelde (EWMA), waarin meer onlangse opbrengste het 'n groter gewig op die variansie. Die eksponensieel geweeg bewegende gemiddelde (EWMA) stel lambda. wat die smoothing parameter genoem. Lambda moet minstens een wees. Onder daardie toestand, in plaas van gelyke gewigte, elke vierkant terugkeer is geweeg deur 'n vermenigvuldiger soos volg: Byvoorbeeld, RiskMetrics TM, 'n finansiële risikobestuur maatskappy, is geneig om 'n lambda van 0,94, of 94. gebruik in hierdie geval, die eerste ( mees onlangse) kwadraat periodieke terugkeer is geweeg deur (1-0,94) (. 94) 0 6. die volgende kwadraat terugkeer is bloot 'n lambda-veelvoud van die vorige gewig in hierdie geval 6 vermenigvuldig met 94 5.64. En die derde voor dae gewig gelyk (1-0,94) (0.94) 2 5,30. Dis die betekenis van eksponensiële in EWMA: elke gewig is 'n konstante vermenigvuldiger (dit wil sê lambda, wat moet wees minder as een) van die dae gewig voor. Dit sorg vir 'n afwyking wat geweeg of voorkeur vir meer onlangse data. (Vir meer inligting, kyk na die Excel Werkkaart vir Googles Volatiliteit.) Die verskil tussen net wisselvalligheid en EWMA vir Google word hieronder getoon. Eenvoudige wisselvalligheid effektief weeg elke periodieke terugkeer deur 0,196 soos uiteengesit in kolom O (ons het twee jaar van die daaglikse aandeleprys data. Dit is 509 daaglikse opgawes en 1/509 0,196). Maar let op dat Kolom P ken 'n gewig van 6, dan 5.64, dan 5.3 en so aan. Dis die enigste verskil tussen eenvoudige variansie en EWMA. Onthou: Nadat ons die hele reeks (in kolom Q) het ons die variansie, wat is die kwadraat van die standaardafwyking som. As ons wil hê wisselvalligheid, moet ons onthou om die vierkantswortel van daardie afwyking te neem. Wat is die verskil in die daaglikse wisselvalligheid tussen die variansie en EWMA in Googles geval beduidende: Die eenvoudige variansie het ons 'n daaglikse wisselvalligheid van 2,4, maar die EWMA het 'n daaglikse wisselvalligheid van slegs 1.4 (sien die sigblad vir besonderhede). Blykbaar, Googles wisselvalligheid bedaar meer onlangs dus kan 'n eenvoudige variansie kunsmatig hoog wees. Vandag se afwyking is 'n funksie van Pior Dae Variansie Youll kennisgewing wat ons nodig het om 'n lang reeks van eksponensieel afneem gewigte bereken. Ons sal nie die wiskunde doen hier, maar een van die beste eienskappe van die EWMA is dat die hele reeks gerieflik verminder tot 'n rekursiewe formule: Rekursiewe beteken dat vandag se stryd verwysings (dit wil sê 'n funksie van die vorige dae variansie). Jy kan hierdie formule in die sigblad ook, en dit lei tot die presies dieselfde resultaat as die skuldbewys berekening Dit sê: Vandag se variansie (onder EWMA) gelyk yesterdays variansie (geweeg volgens lambda) plus yesterdays kwadraat terugkeer (geweeg deur een minus lambda). Let op hoe ons net bymekaar te tel twee terme: yesterdays geweegde variansie en yesterdays geweeg, vierkantig terugkeer. Net so is, lambda is ons glad parameter. 'N Hoër lambda (bv soos RiskMetrics 94) dui stadiger verval in die reeks - in relatiewe terme, gaan ons meer datapunte in die reeks en hulle gaan stadiger af te val. Aan die ander kant, as ons die lambda verminder, dui ons hoër verval: die gewigte val vinniger af en, as 'n direkte gevolg van die snelle verval, is minder datapunte gebruik. (In die sigblad, lambda is 'n inset, sodat jy kan eksperimenteer met sy sensitiwiteit). Opsomming Volatiliteit is die oombliklike standaardafwyking van 'n voorraad en die mees algemene risiko metrieke. Dit is ook die vierkantswortel van variansie. Ons kan variansie histories of implisiet (geïmpliseer wisselvalligheid) te meet. Wanneer histories meet, die maklikste metode is eenvoudig variansie. Maar die swakheid met 'n eenvoudige afwyking is alle opgawes kry dieselfde gewig. So staan ​​ons voor 'n klassieke kompromis: ons wil altyd meer inligting, maar hoe meer data het ons die meer ons berekening verwater deur verre (minder relevant) data. Die eksponensieel geweeg bewegende gemiddelde (EWMA) verbeter op eenvoudige variansie deur die toeken van gewigte aan die periodieke opgawes. Deur dit te doen, kan ons albei gebruik 'n groot monster grootte, maar ook 'n groter gewig te gee aan meer onlangse opbrengste. (Om 'n fliek handleiding te sien oor hierdie onderwerp, besoek die Bionic skilpad.) EWMA 101 Die EWMA benadering het 'n aantreklike kenmerk: dit relatief min data wat gestoor word vereis. Om ons skatting op enige punt op te dateer, ons moet net 'n vorige skatting van die variansie koers en die mees onlangse waarneming waarde. 'N Sekondêre doel van EWMA is om veranderinge in die wisselvalligheid op te spoor. Vir klein waardes, Onlangse waarnemings beïnvloed die skatting stiptelik. Vir waardes nader aan een, die skatting veranderinge stadig gebaseer op onlangse veranderings in die opbrengste van die onderliggende veranderlike. Die RiskMetrics databasis (wat deur JP Morgan en openbaar gemaak beskikbaar) gebruik die EWMA met vir die opdatering daagliks wisselvalligheid. BELANGRIK: Die EWMA formule nie aanvaar 'n lang loop gemiddelde variansie vlak. So, die konsep van wisselvalligheid beteken terugkeer is nie vasgevang word deur die EWMA. Die ARCH / GARCH modelle is beter geskik vir hierdie doel. Lambda 'n Sekondêre doel van EWMA is om veranderinge in die wisselvalligheid op te spoor, sodat vir klein waardes, onlangse waarneming beïnvloed die skatting stiptelik, en vir waardes nader aan een, die skatting veranderinge stadig onlangse veranderinge in die opbrengste van die onderliggende veranderlike. Die RiskMetrics databasis (wat deur JP Morgan) en openbare beskikbaar gestel in 1994, gebruik die EWMA model met vir die opdatering daagliks wisselvalligheid skatting. Die maatskappy het bevind dat oor 'n reeks van die mark veranderlikes, hierdie waarde van gee voorspelling van die variansie wat die naaste aan besef variansie koers kom. Die besef variansie tariewe op 'n bepaalde dag is bereken as 'n ewe-gemiddelde van die daaropvolgende 25 dae. Net so, om die optimale waarde van lambda bereken vir ons datastel, moet ons die besef wisselvalligheid by elke punt te bereken. Daar is verskeie metodes, so kies een. Volgende, bereken die som van 'n vierkant foute (SSE) tussen EWMA skatting en besef wisselvalligheid. Ten slotte, verminder die SSE deur wisselende die lambda waarde. Klink maklik dit is. Die grootste uitdaging is om in te stem op 'n algoritme om besef wisselvalligheid bereken. Byvoorbeeld, die mense by RiskMetrics verkies die daaropvolgende 25-dag te besef variansie koers bereken. In jou geval, kan jy 'n algoritme wat daaglikse volume gebruik, MI / LO en / of openbare-close pryse te kies. Vrae Q 1: Kan ons gebruik EWMA om te skat (of voorspel) wisselvalligheid meer as 'n stap vorentoe Die EWMA wisselvalligheid verteenwoordiging nie aanvaar 'n langtermyn gemiddelde wisselvalligheid, en dus, vir enige vooruitsig horison meer as een-stap, die EWMA gee 'n konstante waarde: eksponensiële filter Hierdie bladsy beskryf eksponensiële filter, die eenvoudigste en mees gewilde filter. Dit is deel van die artikel filter wat deel is van 'n Gids tot Fout opsporing en diagnose .. Oorsig, tydkonstante, en analoog gelykstaande Die eenvoudigste filter is die eksponensiële filter. Dit het net een stem parameter (behalwe die voorbeeld interval). Dit vereis dat die berging van slegs een veranderlike - die vorige uitset. Dit is 'n IIR (outoregressiewe) filter - die gevolge van 'n inset verandering verval eksponensieel tot die grense van uitstallings of rekenaar rekenkundige wegsteek nie. In verskeie dissiplines, is die gebruik van hierdie filter ook verwys na as 8220exponential smoothing8221. In sommige dissiplines soos belegging analise, is die eksponensiële filter genoem 'n 8220Exponentially Geweegde Moving Average8221 (EWMA), of net 8220Exponential Moving Average8221 (EMA). Dit misbruik die tradisionele ARMA 8220moving average8221 terminologie van tydreeksanalise, want daar is geen insette geskiedenis wat gebruik word - net die huidige insette. Dit is die diskrete tyd ekwivalent van die 8220first orde lag8221 algemeen gebruik in analoog modellering van kontinue-tyd stelsels. In elektriese stroombane, 'n RC filter (filter met een weerstand en een kapasitor) is 'n eerste-orde lag. Wanneer die klem op die analogie te analoog stroombane, die enkele stem parameter is die 8220time constant8221, gewoonlik geskryf as die kleinletter Griekse letter Tau (). Trouens, die waardes van die diskrete monster tye presies ooreenstem met die ekwivalent deurlopende tydsverloop met dieselfde tyd konstant. Die verhouding tussen die digitale implementering en die tydkonstante word in die onderstaande vergelykings. Eksponensiële filter vergelykings en inisialisering Die eksponensiële filter is 'n geweegde kombinasie van die vorige skatting (uitset) met die nuutste insette data, met die som van die gewigte gelyk aan 1 sodat die uitset ooreenstem met die insette by gestadigde toestande. Na aanleiding van die filter notasie reeds bekendgestel: y (k) ay (k-1) (1-a) x (k) waar x (k) is die rou insette ten tye stap ky (k) is die gefilterde uitset ten tye stap ka is 'n konstante tussen 0 en 1, gewoonlik tussen 0.8 en 0.99. (A-1) of 'n word soms die 8220smoothing constant8221. Vir stelsels met 'n vaste tyd stap T tussen monsters, is die konstante 8220a8221 bereken en gestoor vir die gemak net vir die program ontwikkelaar spesifiseer 'n nuwe waarde van die verlangde tyd konstant. Vir stelsels met monsterneming data op ongereelde tussenposes, moet die eksponensiële funksie hierbo gebruik word met elke keer stap, waar t die tyd sedert die vorige voorbeeld. Die filter uitset is gewoonlik geïnisialiseer die eerste insette te pas. Soos die tydkonstante benaderings 0, 'n gaan na nul, so daar is geen filter 8211 die uitset is gelyk aan die nuwe insette. Soos die tydkonstante kry baie groot, 'n benaderings 1, sodat nuwe insette byna geïgnoreer 8211 baie swaar filter. Die filter vergelyking hierbo kan herrangskik in die volgende voorspeller-corrector ekwivalent: Hierdie vorm maak dit meer duidelik dat die veranderlike skatting (uitset van die filter) word voorspel as onveranderd teenoor die vorige skatting y (k-1) plus 'n regstelling termyn gebaseer op die onverwagte 8220innovation8221 - die verskil tussen die nuwe insette x (k) en die voorspelling y (k-1). Hierdie vorm is ook die gevolg van die afleiding van die eksponensiële filter as 'n eenvoudige spesiale geval van 'n Kalman filter. wat is die optimale oplossing vir 'n skatting probleem met 'n bepaalde stel aannames. Stap reaksie Een manier om te visualiseer die werking van die eksponensiële filter is om sy reaksie verloop van tyd tot 'n stap insette plot. Dit wil sê, wat begin met die filter toevoer en afvoer by 0, is die insetwaarde skielik verander na 1. Die gevolglike waardes word hieronder aangestip: In die bogenoemde plot, is die tyd gedeel deur die filter tydkonstante TLU, sodat jy kan meer maklik voorspel die resultate vir enige tydperk, vir enige waarde van die filter tydkonstante. Na 'n tyd gelyk aan die tydkonstante, die filter uitset styg tot 63,21 van sy finale waarde. Na 'n tyd gelyk aan 2 keer konstantes, die waarde styg tot 86,47 van sy finale waarde. Die uitset na tye gelyk aan 3,4 en 5 keer konstantes is 95,02, 98,17, en 99,33 van die finale waarde, onderskeidelik. Sedert die filter is lineêre, beteken dit dat hierdie persentasies kan gebruik word vir enige grootte van die stapverandering, nie net vir die waarde van 1 wat hier gebruik word. Hoewel die stap reaksie in teorie neem 'n oneindige tyd, uit 'n praktiese oogpunt, dink aan die eksponensiële filter as 98-99 8220done8221 reageer ná 'n tyd gelyk aan 4 tot 5 filter tyd konstantes. Variasies op die eksponensiële filter Daar is 'n variasie van die eksponensiële filter bekend as 'n 8220nonlinear eksponensiële filter8221 Weber, 1980 bedoel om swaar filter geraas binne 'n sekere 8220typical8221 amplitude, maar dan vinniger te reageer op groter veranderinge. Kopiereg 2010 - 2013, Greg Stanley Deel hierdie bladsy: Berekening EWMA Korrelasie Gebruik Excel Ons het onlangs geleer het oor hoe om wisselvalligheid te skat met behulp van EWMA eksponensieel Geweegde bewegende gemiddelde. Soos ons weet, EWMA vermy die slaggate van ewe geweegde gemiddeldes want dit gee meer gewig aan die meer Onlangse waarnemings in vergelyking met die ouer waarnemings. So, as ons uiterste opbrengste in ons data, met verloop van tyd, hierdie data word ouer en kry minder gewig in ons berekening. In hierdie artikel sal ons kyk na hoe ons korrelasie kan bereken met behulp van EWMA in Excel. Ons weet dat die korrelasie word bereken deur die volgende formule te gebruik: Die eerste stap is om die kovariansie tussen die twee ruil reeks te bereken. Ons gebruik die smoothing faktor Lambda 0.94, soos gebruik in RiskMetrics. Oorweeg die volgende vergelyking: Ons gebruik die kwadraat opbrengste R2 as die reeks x in hierdie vergelyking vir afwyking voorspellings en kruis produkte van twee opbrengste as die reeks x in die vergelyking vir kovariansie voorspellings. Let daarop dat dieselfde lambda word vir alle afwykings en kovariansie. Die tweede stap is om die afwykings en standaardafwyking van elke terugkeer reeks te bereken, soos beskryf in hierdie artikel Bereken Historiese Volatiliteit Gebruik EWMA. Die derde stap is om die korrelasie te bereken deur te steek in die waardes van Kovariansie en standaardafwykings in die bostaande formule vir korrelasie. Die volgende Excel vel gee 'n voorbeeld van die korrelasie en wisselvalligheid berekening in Excel. Dit neem die log opbrengste van twee aandele en bereken die korrelasie tussen them. Exponential bewegende gemiddelde - EMO laai die speler. Afbreek van Eksponensiële bewegende gemiddelde - EMO Die 12- en 26-dag EMA is die gewildste kort termyn gemiddeldes, en hulle word gebruik om aanwysers soos die bewegende gemiddelde konvergensie divergensie (MACD) en die persentasie prys ossillator (PPO) te skep. In die algemeen, is die 50- en 200-dag EMA as seine van 'n lang termyn tendense. Handelaars wat tegniese ontleding diens vind bewegende gemiddeldes baie nuttig en insiggewend wanneer dit korrek toegepas word, maar skep chaos wanneer onbehoorlik gebruik of verkeerd verstaan. Al die bewegende gemiddeldes wat algemeen gebruik word in tegniese ontleding is, volgens hulle aard, sloerende aanwysers. Gevolglik moet die afleidings wat op die toepassing van 'n bewegende gemiddelde op 'n bepaalde mark grafiek wees om 'n mark skuif bevestig of om sy krag te toon. Heel dikwels is, teen die tyd dat 'n bewegende gemiddelde aanwyser lyn het 'n verandering aan 'n beduidende stap in die mark weerspieël gemaak het die optimale punt van toegang tot die mark reeds geslaag. 'N EMO nie dien om hierdie dilemma te verlig tot 'n mate. Omdat die EMO berekening plaas meer gewig op die jongste data, dit drukkies die prys aksie 'n bietjie stywer en reageer dus vinniger. Dit is wenslik wanneer 'n EMO word gebruik om 'n handels inskrywing sein herlei. Interpretasie van die EMO Soos alle bewegende gemiddelde aanwysers, hulle is baie meer geskik vir trending markte. Wanneer die mark is in 'n sterk en volgehoue ​​uptrend. die EMO aanwyser lyn sal ook 'n uptrend en andersom vir 'n down tendens toon. A waaksaam handelaar sal nie net aandag te gee aan die rigting van die EMO lyn, maar ook die verhouding van die tempo van verandering van die een bar na die volgende. Byvoorbeeld, as die prys aksie van 'n sterk uptrend begin plat en reverse, van die EMAS tempo van verandering van die een bar na die volgende sal begin om te verminder tot tyd en wyl die aanwyser lyn plat en die tempo van verandering is nul. As gevolg van die sloerende uitwerking, deur hierdie punt, of selfs 'n paar bars voor, die prys aksie moet reeds omgekeer. Dit volg dus dat die waarneming van 'n konsekwente verminderde in die tempo van verandering van die EMO kon self gebruik word as 'n aanduiding dat die dilemma wat veroorsaak word deur die sloerende uitwerking van bewegende gemiddeldes verder kon teen te werk. Algemene gebruike van die EMO EMA word algemeen gebruik word in samewerking met ander aanwysers aan beduidende mark beweeg bevestig en om hul geldigheid te meet. Vir handelaars wat intraday en vinnig bewegende markte handel te dryf, die EMO is meer van toepassing. Dikwels handelaars gebruik EMA om 'n handels vooroordeel bepaal. Byvoorbeeld, as 'n EMO op 'n daaglikse grafiek toon 'n sterk opwaartse neiging, kan 'n intraday handelaars strategie wees om net handel van die lang kant op 'n intraday grafiek.