GARCH und EWMA 21. Mai 2010 von David Harper, CFA, FRM, CIPM AIM: Vergleich, Kontrast und Berechnung parametrischer und nichtparametrischer Ansätze zur Schätzung der bedingten Volatilität 8230 Einschließlich: GARCH-ANSATZ Einschließlich: EXPONENTIALE SMOOTHING (EWMA) Exponentielle Glättung (bedingte parametrische) Moderne Methoden legen mehr Gewicht auf aktuelle Informationen. Sowohl EWMA als auch GARCH legen mehr Wert auf aktuelle Informationen. Da EWMA ein Spezialfall von GARCH ist, verwenden sowohl EWMA als auch GARCH exponentielle Glättung. GARCH (p, q) und insbesondere GARCH (1, 1) GARCH (p, q) ist ein allgemeines autoregressives bedingtes heteroskedastisches Modell. Zu den wichtigsten Aspekten gehören: Autoregressive (AR). Tomorrow8217s Varianz (oder Volatilität) ist eine regressive Funktion von heute8217s variance8212it regresses auf sich Bedingte (C). Tomorrow8217s Varianz hängt8212is bedingt an8212die neueste Varianz. Eine bedingungslose Varianz hängt nicht von der heutigen Heteroskedastik (H) ab. Abweichungen sind nicht konstant, sie Fluß im Laufe der Zeit GARCH regresses auf 8220lagged8221 oder historische Begriffe. Die verzögerten Terme sind entweder Varianz - oder quadratische Renditen. Das generische GARCH (p, q) - Modell regressiert auf (p) quadratischen Renditen und (q) Varianzen. Daher rückt GARCH (1, 1) 8220lags8221 oder regressiert auf der quadrierten Rückkehr der letzten Periode8217s (d. h. nur 1 zurück) und der letzten Periode8217s-Varianz (d. h. nur 1 Varianz). GARCH (1, 1), die durch die folgende Gleichung gegeben ist. Die gleiche GARCH (1, 1) - Formel kann mit griechischen Parametern angegeben werden: Hull schreibt die gleiche GARCH-Gleichung wie folgt: Der erste Term (gVL) ist wichtig, da VL die Langzeit-Varianz ist. Daher ist (gVL) ein Produkt: es ist die gewichtete langfristige durchschnittliche Varianz. Das GARCH-Modell (1, 1) löst für die bedingte Varianz als Funktion von drei Variablen (vorherige Varianz, frühere Rückkehr2 und Langzeitvarianz): Persistenz ist ein in das GARCH-Modell eingebettetes Merkmal. Tipp: In den obigen Formeln ist die Persistenz (b c) oder (alpha-1 beta). Persistenz bezieht sich darauf, wie schnell (oder langsam) die Varianz zurückkehrt oder 8220decays8221 in Richtung zu seinem langfristigen Durchschnitt. Eine hohe Persistenz entspricht einem langsamen Verfall und einem langsamen Rückgang auf die mittlere8221 niedrige Persistenz entspricht einem schnellen Zerfall und einer schnellen 8220-Rückkehr zum Mittel.8221 Eine Persistenz von 1,0 impliziert keine mittlere Reversion. Eine Beharrlichkeit von weniger als 1,0 bedeutet 8220reversion des Mittelwerts, 8221, wo eine geringere Persistenz eine grßere Reversion des Mittels zur Folge hat. Tip: Wie oben ist die Summe der Gewichte, die der verzögerten Varianz und der verzögerten quadrierten Rendite zugeordnet sind, Persistenz (bc Persistenz). Eine hohe Persistenz (größer als Null, aber kleiner als eins) impliziert eine langsame Reversion auf den Mittelwert. Wenn jedoch die Gewichte, die der verzögerten Varianz und der verzögerten quadratischen Rückkehr zugewiesen sind, größer als eins sind, ist das Modell nicht stationär. Ist (bc) größer als 1 (wenn bc gt 1) ist das Modell nicht stationär und nach Hull instabil. In diesem Fall ist EWMA bevorzugt. Linda Allen sagt über GARCH (1, 1): GARCH ist sowohl 8220compact8221 (d. H. Relativ einfach) als auch bemerkenswert genau. GARCH-Modelle dominieren in der wissenschaftlichen Forschung. Viele Variationen der GARCH-Modell wurden versucht, aber nur wenige haben auf das Original verbessert. Der Nachteil des GARCH-Modells ist seine Nichtlinearität sic Beispiel: Lösung für Langzeitvarianz in GARCH (1,1) Betrachten wir die GARCH (1, 1) - Gleichung unten: Angenommen, der Alpha-Parameter 0.2, der Beta-Parameter 0.7, Und beachten Sie, dass Omega 0,2, aber don8217t Fehler Omega (0,2) für die langfristige Varianz Omega ist das Produkt von Gamma und die langfristige Varianz. Also, wenn Alpha-beta 0,9, dann muss gamma 0,1 sein. Da Omega 0,2 ist, wissen wir, dass die Langzeitvarianz 2,0 (0,2 184 0,1 2,0) betragen muss. GARCH (1,1): Der Notationsunterschied zwischen Hull und Allen EWMA ist ein Spezialfall von GARCH (1,1) und GARCH (1,1) ist ein verallgemeinerter Fall von EWMA. Der herausragende Unterschied ist, dass GARCH den zusätzlichen Begriff für mittlere Reversion enthält und EWMA fehlt eine mittlere Reversion. Wie wir aus GARCH (1,1) zu EWMA gelangen, lassen wir nun eine 0 und (bc) 1, so dass sich die obige Gleichung vereinfacht: Dies ist nun gleichbedeutend mit der Formel für den exponentiell gewichteten gleitenden Durchschnitt (EWMA): In EWMA bestimmt der Lambda-Parameter nun das 8220decay: 8221 ein Lambda, das nahe bei einem (hohen Lambda) liegt, zeigt einen langsamen Abfall. Der RiskMetricsTM-Ansatz RiskMetrics ist eine Markenform des exponentiell gewichteten gleitenden Durch - schnitts (EWMA) - Ansatzes: Das optimale (theoretische) Lambda variiert je nach Assetklasse, aber der insgesamt optimale Parameter, der von RiskMetrics verwendet wird, beträgt 0,94. In der Praxis verwendet RiskMetrics nur einen Zerfallsfaktor für alle Serien: 183 0,94 für tägliche Daten 183 0,97 für monatliche Daten (Monat definiert als 25 Handelstage) Technisch gesehen sind die täglichen und monatlichen Modelle inkonsistent. Allerdings sind sie beide einfach zu bedienen, sie angenähert das Verhalten der tatsächlichen Daten ganz gut, und sie sind robust, misspecification. Hinweis: GARCH (1, 1), EWMA und RiskMetrics sind jeweils parametrisch und rekursiv. (GARCH amp EWMA) Zusammenfassung Tipps: GARCH (1, 1) ist verallgemeinert RiskMetrics und umgekehrt RiskMetrics ist GARCH (1, 1) ist gegeben durch: Die drei Parameter sind Gewichte und müssen daher auf eins addieren: Tipp: Seien Sie vorsichtig mit dem ersten Begriff in der GARCH (1, 1) Gleichung: omega () gamma () (mittlere Langzeitvarianz). Wenn Sie nach der Varianz gefragt werden, müssen Sie eventuell das Gewicht aufteilen, um die durchschnittliche Varianz zu berechnen. Bestimmen Sie, wann und ob ein GARCH - oder EWMA-Modell in der Volatilitätsabschätzung verwendet werden sollte. In der Praxis sind die Varianzraten tendenziell mittlere Umkehrung, daher ist das GARCH (1, 1) - Modell theoretisch überlegen (8220 attraktiver als8221) an das EWMA-Modell. Denken Sie daran, dass8217s der große Unterschied: GARCH fügt den Parameter, der den langfristigen Durchschnitt gewichtet und deshalb enthält es mittlere Reversion. Tipp: GARCH (1, 1) ist bevorzugt, es sei denn, der erste Parameter ist negativ (was impliziert wird, wenn alpha beta gt 1). In diesem Fall ist GARCH (1,1) instabil und EWMA wird bevorzugt. Erklären Sie, wie die GARCH-Schätzungen Prognosen liefern können, die genauer sind. Der gleitende Durchschnitt berechnet die Varianz auf der Basis eines nachlaufenden Beobachtungsfensters, z. B. Die letzten zehn Tage, die letzten 100 Tage. Es gibt zwei Probleme mit dem gleitenden Durchschnitt (MA): Ghosting-Feature: Volatilitätsschocks (plötzliche Erhöhungen) werden abrupt in die MA-Metrik integriert und dann, wenn das hintere Fenster überschreitet, werden sie plötzlich aus der Berechnung fallen gelassen. Dadurch verschiebt sich die MA-Metrik in Abhängigkeit von der gewählten Fensterlänge Trendinformationen werden nicht übernommen GARCH-Schätzungen verbessern diese Schwächen auf zweierlei Weise: Neuere Beobachtungen werden mit größeren Gewichten verknüpft. Dieses überwindet das Geisterbild, weil ein Volatilitätsschock sofort die Schätzung beeinflusst, aber sein Einfluss wird allmählich im Laufe der Zeit vergehen. Ein Begriff wird hinzugefügt, um die Umkehrung des Mittels zu berücksichtigen. Erklären Sie, wie Persistenz mit der Reversion des Mittelwerts zusammenhängt. Die GARCH (1, 1) - Gleichung: Persistenz ist gegeben durch: GARCH (1, 1) ist instabil, wenn die Persistenz gt 1. Eine Persistenz von 1,0 bedeutet keine mittlere Reversion. Eine geringe Persistenz (z. B. 0,6) zeigt einen schnellen Abfall und eine hohe Reversion gegenüber dem Mittel an. Tipp: GARCH (1, 1) hat drei Gewichte, die drei Faktoren zugeordnet sind. Persistenz ist die Summe der Gewichte, die sowohl der verzögerten Varianz als auch der verzögerten quadrierten Rendite zugeordnet sind. Das andere Gewicht wird der Langzeitvarianz zugeordnet. Wenn P-Persistenz und G-Gewicht einer Langzeitvarianz zugewiesen werden, dann PG 1. Wenn daher P (Persistenz) hoch ist, dann ist G (mittlere Reversion) niedrig: die anhaltende Reihe ist nicht stark, bedeutet sie zurückzukehren, zeigt 8220slow decay8221 in Richtung der bedeuten. Wenn P niedrig ist, dann muss G hoch sein: die widersprüchliche Reihe bedeutet stark rückgängig, zeigt 8220rapid decay8221 zum Mittelwert. Die durchschnittliche, unbedingte Varianz des GARCH (1, 1) - Modells ist gegeben durch: Erläutern Sie, wie EWMA systematisch ältere Daten vergisst und die RiskMetrics174 täglichen und monatlichen Zerfallsfaktoren identifiziert. Der exponentiell gewichtete gleitende Durchschnitt (EWMA) ist gegeben durch: Die obige Formel ist eine rekursive Vereinfachung der EWMA-Reihe 8220true8221, die gegeben ist durch: In der EWMA-Reihe ist jedes Gewicht, das den quadrierten Renditen zugeordnet ist, ein konstantes Verhältnis des vorhergehenden Gewichts. Insbesondere ist Lambda (l) das Verhältnis zwischen benachbarten Gewichten. Auf diese Weise werden ältere Daten systematisch diskontiert. Der systematische Rabatt kann schrittweise (langsam) oder abrupt, abhängig von Lambda. Wenn Lambda hoch ist (z. B. 0,99), dann ist die Diskontierung sehr allmählich. Wenn Lambda niedrig ist (beispielsweise 0,7), ist die Diskontierung schlagartiger. Die RiskMetrics TM Zerfallsfaktoren: 0,94 für tägliche Daten 0,97 für monatliche Daten (Monat definiert als 25 Handelstage) Erklären Sie, warum Prognosekorrelationen wichtiger sein können als Prognosen von Volatilitäten. Bei der Messung des Portfoliorisikos können Korrelationen wichtiger sein als einzelne Volatilitätsvariationen der einzelnen Instrumente. Daher kann in Bezug auf das Portfolio-Risiko eine Korrelationsprognose wichtiger sein als einzelne Volatilitätsprognosen. Verwenden Sie GARCH (1, 1), um die Volatilität zu prognostizieren Die erwartete zukünftige Varianzrate in (t) Perioden vorwärts ist gegeben durch: Beispielsweise wird angenommen, dass eine aktuelle Volatilitätsschätzung (Periode n) durch die folgenden GARCH (1, ) Gleichung: In diesem Beispiel ist alpha das Gewicht (0,1), das der vorherigen quadratischen Rückkehr zugewiesen wurde (die vorherige Rückkehr war 4), beta das Gewicht (0,7), das der vorherigen Varianz (0,0016) zugewiesen wurde. Was ist die erwartete zukünftige Volatilität, in zehn Tagen (n 10) First, für die langfristige Varianz zu lösen. Es ist nicht 0,00008 dieser Begriff ist das Produkt aus der Varianz und seinem Gewicht. Da das Gewicht 0,2 (1 - 0,1 - 0,7) betragen muss, beträgt die Langlaufvarianz 0,0004. Zweitens brauchen wir die aktuelle Varianz (Periode n). Das ist fast schon für uns oben: Jetzt können wir die Formel anwenden, um für die erwartete zukünftige Varianzrate zu lösen: Dies ist die erwartete Varianzrate, so dass die erwartete Volatilität etwa 2,24 beträgt. Beachten Sie, wie dies funktioniert: die aktuelle Volatilität beträgt etwa 3,69 und die langfristige Volatilität ist 2. Die 10-Tage-Forward-Projektion 8220fades8221 die aktuelle Rate näher an die langfristige Rate. Nonparametric Volatility ForecastingMoving durchschnittliche und exponentielle Glättungsmodelle Als ein erster Schritt bei der Überwindung von Mittelwertsmodellen, Random-Walk-Modellen und linearen Trendmodellen können nicht-saisonale Muster und Trends mit einem gleitenden Durchschnitt oder Glättungsmodell extrapoliert werden. Die grundlegende Annahme hinter Mittelwertbildung und Glättungsmodellen ist, dass die Zeitreihe lokal stationär mit einem sich langsam verändernden Mittelwert ist. Daher nehmen wir einen bewegten (lokalen) Durchschnitt, um den aktuellen Wert des Mittelwerts abzuschätzen und dann als die Prognose für die nahe Zukunft zu verwenden. Dies kann als Kompromiss zwischen dem mittleren Modell und dem random-walk-ohne-Drift-Modell betrachtet werden. Die gleiche Strategie kann verwendet werden, um einen lokalen Trend abzuschätzen und zu extrapolieren. Ein gleitender Durchschnitt wird oft als "quotsmoothedquot" - Version der ursprünglichen Serie bezeichnet, da die kurzzeitige Mittelung die Wirkung hat, die Stöße in der ursprünglichen Reihe zu glätten. Durch Anpassen des Glättungsgrades (die Breite des gleitenden Durchschnitts) können wir hoffen, eine Art von optimaler Balance zwischen der Leistung des Mittelwerts und der zufälligen Wandermodelle zu erreichen. Die einfachste Art der Mittelung Modell ist die. Einfache (gleichgewichtige) Moving Average: Die Prognose für den Wert von Y zum Zeitpunkt t1, der zum Zeitpunkt t gemacht wird, entspricht dem einfachen Mittelwert der letzten m Beobachtungen: (Hier und anderswo werde ich das Symbol 8220Y-hat8221 stehen lassen Für eine Prognose der Zeitreihe Y, die am frühestmöglichen früheren Zeitpunkt durch ein gegebenes Modell durchgeführt wird.) Dieser Mittelwert wird auf den Zeitraum t (m1) 2 zentriert, was impliziert, daß die Schätzung des lokalen Mittels dazu neigt, hinter dem wahr zu liegen Wert des lokalen Mittels um etwa (m1) 2 Perioden. Somit ist das Durchschnittsalter der Daten im einfachen gleitenden Durchschnitt (m1) 2 relativ zu der Periode, für die die Prognose berechnet wird, angegeben: dies ist die Zeitspanne, in der die Prognosen dazu tendieren, hinter den Wendepunkten der Daten zu liegen . Wenn Sie z. B. die letzten 5 Werte mitteln, werden die Prognosen etwa 3 Perioden spät sein, wenn sie auf Wendepunkte reagieren. Beachten Sie, dass, wenn m1, die einfache gleitende Durchschnitt (SMA) - Modell ist gleichbedeutend mit der random walk-Modell (ohne Wachstum). Wenn m sehr groß ist (vergleichbar der Länge des Schätzzeitraums), entspricht das SMA-Modell dem mittleren Modell. Wie bei jedem Parameter eines Prognosemodells ist es üblich, den Wert von k anzupassen, um den besten Quotienten der Daten zu erhalten, d. H. Die kleinsten Prognosefehler im Durchschnitt. Hier ist ein Beispiel einer Reihe, die zufällige Fluktuationen um ein sich langsam veränderndes Mittel zu zeigen scheint. Erstens können wir versuchen, es mit einem zufälligen Fußmodell, das entspricht einem einfachen gleitenden Durchschnitt von 1 Begriff entspricht: Das zufällige gehen Modell reagiert sehr schnell auf Änderungen in der Serie, aber dabei nimmt sie einen Großteil der quotnoisequot in der Daten (die zufälligen Fluktuationen) sowie das Quotsignalquot (das lokale Mittel). Wenn wir stattdessen einen einfachen gleitenden Durchschnitt von 5 Begriffen anwenden, erhalten wir einen glatteren Satz von Prognosen: Der 5-Term-einfache gleitende Durchschnitt liefert in diesem Fall deutlich kleinere Fehler als das zufällige Wegmodell. Das Durchschnittsalter der Daten in dieser Prognose beträgt 3 ((51) 2), so dass es dazu neigt, hinter den Wendepunkten um etwa drei Perioden zu liegen. (Zum Beispiel scheint ein Rückgang in Periode 21 aufgetreten zu sein, aber die Prognosen drehen sich erst um einige Zeit später.) Beachten Sie, dass die Langzeitprognosen des SMA-Modells eine horizontale Gerade sind, genau wie beim zufälligen Weg Modell. Somit geht das SMA-Modell davon aus, dass es keinen Trend in den Daten gibt. Während jedoch die Prognosen aus dem Zufallswegmodell einfach dem letzten beobachteten Wert entsprechen, sind die Prognosen des SMA-Modells gleich einem gewichteten Mittelwert der neueren Werte. Die von Statgraphics berechneten Konfidenzgrenzen für die Langzeitprognosen des einfachen gleitenden Durchschnitts werden nicht breiter, wenn der Prognosehorizont zunimmt. Dies ist offensichtlich nicht richtig Leider gibt es keine zugrunde liegende statistische Theorie, die uns sagt, wie sich die Vertrauensintervalle für dieses Modell erweitern sollten. Allerdings ist es nicht zu schwer, empirische Schätzungen der Konfidenzgrenzen für die längerfristigen Prognosen zu berechnen. Beispielsweise können Sie eine Tabellenkalkulation einrichten, in der das SMA-Modell für die Vorhersage von 2 Schritten im Voraus, 3 Schritten voraus usw. innerhalb der historischen Datenprobe verwendet wird. Sie könnten dann die Stichproben-Standardabweichungen der Fehler bei jedem Prognosehorizont berechnen und dann Konfidenzintervalle für längerfristige Prognosen durch Addieren und Subtrahieren von Vielfachen der geeigneten Standardabweichung konstruieren. Wenn wir einen 9-Term einfach gleitenden Durchschnitt versuchen, erhalten wir sogar noch bessere Prognosen und mehr von einem nacheilenden Effekt: Das Durchschnittsalter beträgt jetzt 5 Perioden ((91) 2). Wenn wir einen 19-term gleitenden Durchschnitt nehmen, steigt das Durchschnittsalter auf 10 an: Beachten Sie, dass die Prognosen tatsächlich hinter den Wendepunkten um etwa 10 Perioden zurückbleiben. Welches Maß an Glättung ist am besten für diese Serie Hier ist eine Tabelle, die ihre Fehlerstatistiken vergleicht, darunter auch einen 3-Term-Durchschnitt: Modell C, der 5-Term-Gleitender Durchschnitt, ergibt den niedrigsten Wert von RMSE mit einer kleinen Marge über die 3 - term und 9-Term-Mittelwerte, und ihre anderen Statistiken sind fast identisch. So können wir bei Modellen mit sehr ähnlichen Fehlerstatistiken wählen, ob wir ein wenig mehr Reaktionsfähigkeit oder ein wenig mehr Glätte in den Prognosen bevorzugen würden. (Rückkehr nach oben.) Browns Einfache Exponentialglättung (exponentiell gewichteter gleitender Durchschnitt) Das oben beschriebene einfache gleitende Durchschnittsmodell hat die unerwünschte Eigenschaft, daß es die letzten k-Beobachtungen gleich und vollständig ignoriert. Intuitiv sollten vergangene Daten in einer allmählicheren Weise diskontiert werden - zum Beispiel sollte die jüngste Beobachtung ein wenig mehr Gewicht als die zweitletzte erhalten, und die 2. jüngsten sollten ein wenig mehr Gewicht als die 3. jüngsten erhalten, und bald. Das einfache exponentielle Glättungsmodell (SES) erfüllt dies. 945 bezeichnen eine quotsmoothing constantquot (eine Zahl zwischen 0 und 1). Eine Möglichkeit, das Modell zu schreiben, besteht darin, eine Serie L zu definieren, die den gegenwärtigen Pegel (d. H. Den lokalen Mittelwert) der Serie, wie er aus Daten bis zu der Zeit geschätzt wird, darstellt. Der Wert von L zur Zeit t wird rekursiv von seinem eigenen vorherigen Wert wie folgt berechnet: Somit ist der aktuelle geglättete Wert eine Interpolation zwischen dem vorher geglätteten Wert und der aktuellen Beobachtung, wobei 945 die Nähe des interpolierten Wertes auf die neueste steuert Überwachung. Die Prognose für die nächste Periode ist einfach der aktuelle geglättete Wert: Äquivalent können wir die nächste Prognose direkt in Form früherer Prognosen und früherer Beobachtungen in einer der folgenden gleichwertigen Versionen ausdrücken. In der ersten Version ist die Prognose eine Interpolation zwischen vorheriger Prognose und vorheriger Beobachtung: In der zweiten Version wird die nächste Prognose durch Anpassung der bisherigen Prognose in Richtung des bisherigen Fehlers um einen Bruchteil 945 erhalten Zeit t. In der dritten Version ist die Prognose ein exponentiell gewichteter (dh diskontierter) gleitender Durchschnitt mit Abzinsungsfaktor 1-945: Die Interpolationsversion der Prognoseformel ist am einfachsten zu verwenden, wenn Sie das Modell in einer Tabellenkalkulation implementieren Einzelne Zelle und enthält Zellverweise, die auf die vorhergehende Prognose, die vorherige Beobachtung und die Zelle mit dem Wert von 945 zeigen. Beachten Sie, dass, wenn 945 1, das SES-Modell zu einem zufälligen Weg-Modell (ohne Wachstum) äquivalent ist. Wenn 945 0 ist, entspricht das SES-Modell dem mittleren Modell, wobei angenommen wird, dass der erste geglättete Wert gleich dem Mittelwert gesetzt ist. (Zurück zum Seitenanfang.) Das Durchschnittsalter der Daten in der Simple-Exponential-Smoothing-Prognose beträgt 1 945, bezogen auf den Zeitraum, für den die Prognose berechnet wird. (Dies sollte nicht offensichtlich sein, kann aber leicht durch die Auswertung einer unendlichen Reihe gezeigt werden.) Die einfache gleitende Durchschnittsprognose neigt daher zu Verzögerungen hinter den Wendepunkten um etwa 1 945 Perioden. Wenn beispielsweise 945 0,5 die Verzögerung 2 Perioden beträgt, wenn 945 0,2 die Verzögerung 5 Perioden beträgt, wenn 945 0,1 die Verzögerung 10 Perioden und so weiter ist. Für ein gegebenes Durchschnittsalter (d. H. Eine Verzögerung) ist die einfache exponentielle Glättungsprognose (SES) der simplen gleitenden Durchschnittsprognose (SMA) etwas überlegen, weil sie relativ viel mehr Gewicht auf die jüngste Beobachtung - i. e stellt. Es ist etwas mehr quresponsivequot zu Änderungen, die sich in der jüngsten Vergangenheit. Zum Beispiel haben ein SMA - Modell mit 9 Terminen und ein SES - Modell mit 945 0,2 beide ein durchschnittliches Alter von 5 Jahren für die Daten in ihren Prognosen, aber das SES - Modell legt mehr Gewicht auf die letzten 3 Werte als das SMA - Modell und am Gleiches gilt für die Werte von mehr als 9 Perioden, wie in dieser Tabelle gezeigt: 822forget8221. Ein weiterer wichtiger Vorteil des SES-Modells gegenüber dem SMA-Modell ist, dass das SES-Modell einen Glättungsparameter verwendet, der kontinuierlich variabel ist und somit leicht optimiert werden kann Indem ein Quotsolverquot-Algorithmus verwendet wird, um den mittleren quadratischen Fehler zu minimieren. Der optimale Wert von 945 im SES-Modell für diese Serie ergibt sich wie folgt: Das durchschnittliche Alter der Daten in dieser Prognose beträgt 10.2961 3,4 Perioden, was ähnlich wie bei einem 6-term einfachen gleitenden Durchschnitt ist. Die Langzeitprognosen aus dem SES-Modell sind eine horizontale Gerade. Wie im SMA-Modell und dem Random-Walk-Modell ohne Wachstum. Es ist jedoch anzumerken, dass die von Statgraphics berechneten Konfidenzintervalle nun in einer vernünftigen Weise abweichen und dass sie wesentlich schmaler sind als die Konfidenzintervalle für das Zufallswegmodell. Das SES-Modell geht davon aus, dass die Reihe etwas vorhersehbarer ist als das Zufallswandermodell. Ein SES-Modell ist eigentlich ein Spezialfall eines ARIMA-Modells. So dass die statistische Theorie der ARIMA-Modelle eine solide Grundlage für die Berechnung der Konfidenzintervalle für das SES-Modell bildet. Insbesondere ist ein SES-Modell ein ARIMA-Modell mit einer nicht sonderbaren Differenz, einem MA (1) - Term und kein konstanter Term. Ansonsten als quotARIMA (0,1,1) - Modell ohne Konstantquot bekannt. Der MA (1) - Koeffizient im ARIMA-Modell entspricht der Größe 1 - 945 im SES-Modell. Wenn Sie zum Beispiel ein ARIMA-Modell (0,1,1) ohne Konstante an die hier analysierte Serie anpassen, ergibt sich der geschätzte MA (1) - Koeffizient auf 0,7029, was fast genau ein Minus von 0,2961 ist. Es ist möglich, die Annahme eines von Null verschiedenen konstanten linearen Trends zu einem SES-Modell hinzuzufügen. Dazu wird ein ARIMA-Modell mit einer nicht sonderbaren Differenz und einem MA (1) - Term mit konstantem, d. H. Einem ARIMA-Modell (0,1,1) mit konstantem Wert angegeben. Die langfristigen Prognosen haben dann einen Trend, der dem durchschnittlichen Trend über den gesamten Schätzungszeitraum entspricht. Sie können dies nicht in Verbindung mit saisonalen Anpassungen tun, da die saisonalen Anpassungsoptionen deaktiviert sind, wenn der Modelltyp auf ARIMA gesetzt ist. Sie können jedoch einen konstanten langfristigen exponentiellen Trend zu einem einfachen exponentiellen Glättungsmodell (mit oder ohne saisonale Anpassung) hinzufügen, indem Sie die Inflationsanpassungsoption im Prognoseverfahren verwenden. Die prozentuale Zinssatzquote (prozentuale Wachstumsrate) pro Periode kann als der Steigungskoeffizient in einem linearen Trendmodell geschätzt werden, das an die Daten in Verbindung mit einer natürlichen Logarithmuswandlung angepasst ist, oder es kann auf anderen unabhängigen Informationen bezüglich der langfristigen Wachstumsperspektiven beruhen . (Rückkehr nach oben.) Browns Linear (dh doppelt) Exponentielle Glättung Die SMA-Modelle und SES-Modelle gehen davon aus, dass es in den Daten keine Tendenzen gibt (die in der Regel in Ordnung sind oder zumindest nicht zu schlecht für 1- Wenn die Daten relativ verrauscht sind), und sie können modifiziert werden, um einen konstanten linearen Trend, wie oben gezeigt, zu integrieren. Was ist mit kurzfristigen Trends Wenn eine Serie eine unterschiedliche Wachstumsrate oder ein zyklisches Muster zeigt, das sich deutlich gegen das Rauschen auszeichnet, und wenn es notwendig ist, mehr als eine Periode vorher zu prognostizieren, könnte die Schätzung eines lokalen Trends auch sein Ein Problem. Das einfache exponentielle Glättungsmodell kann verallgemeinert werden, um ein lineares exponentielles Glättungsmodell (LES) zu erhalten, das lokale Schätzungen sowohl des Niveaus als auch des Trends berechnet. Das einfachste zeitvariable Trendmodell ist Browns lineares exponentielles Glättungsmodell, das zwei verschiedene geglättete Serien verwendet, die zu verschiedenen Zeitpunkten zentriert sind. Die Prognoseformel basiert auf einer Extrapolation einer Linie durch die beiden Zentren. (Eine weiterentwickelte Version dieses Modells, Holt8217s, wird unten diskutiert.) Die algebraische Form des Brown8217s linearen exponentiellen Glättungsmodells, wie die des einfachen exponentiellen Glättungsmodells, kann in einer Anzahl von unterschiedlichen, aber äquivalenten Formen ausgedrückt werden. Die quadratische quadratische Form dieses Modells wird gewöhnlich wie folgt ausgedrückt: Sei S die einfach geglättete Reihe, die durch Anwendung einfacher exponentieller Glättung auf Reihe Y erhalten wird. Das heißt, der Wert von S in der Periode t ist gegeben durch: (Erinnern wir uns, Exponentielle Glättung, dies wäre die Prognose für Y in der Periode t1.) Dann sei Squot die doppelt geglättete Reihe, die man erhält, indem man eine einfache exponentielle Glättung (unter Verwendung desselben 945) auf die Reihe S anwendet: Schließlich die Prognose für Ytk. Für jedes kgt1 ist gegeben durch: Dies ergibt e & sub1; & sub0; (d. h. Cheat ein Bit und die erste Prognose der tatsächlichen ersten Beobachtung gleich) und e & sub2; Y & sub2; 8211 Y & sub1; Nach denen die Prognosen unter Verwendung der obigen Gleichung erzeugt werden. Dies ergibt die gleichen Anpassungswerte wie die Formel auf der Basis von S und S, wenn diese mit S 1 S 1 Y 1 gestartet wurden. Diese Version des Modells wird auf der nächsten Seite verwendet, die eine Kombination von exponentieller Glättung mit saisonaler Anpassung veranschaulicht. Holt8217s Lineares Exponentialglättung Brown8217s LES-Modell berechnet lokale Schätzungen von Pegel und Trend durch Glätten der letzten Daten, aber die Tatsache, dass dies mit einem einzigen Glättungsparameter erfolgt, legt eine Einschränkung für die Datenmuster fest, die es anpassen kann: den Pegel und den Trend Dürfen nicht zu unabhängigen Preisen variieren. Holt8217s LES-Modell adressiert dieses Problem durch zwei Glättungskonstanten, eine für die Ebene und eine für den Trend. Zu jedem Zeitpunkt t, wie in Brown8217s-Modell, gibt es eine Schätzung L t der lokalen Ebene und eine Schätzung T t der lokalen Trend. Hier werden sie rekursiv aus dem zum Zeitpunkt t beobachteten Wert von Y und den vorherigen Schätzungen von Pegel und Trend durch zwei Gleichungen berechnet, die exponentielle Glättung separat anwenden. Wenn der geschätzte Pegel und der Trend zum Zeitpunkt t-1 L t82091 und T t-1 sind. Dann ist die Prognose für Y tshy, die zum Zeitpunkt t-1 gemacht worden wäre, gleich L t-1 T t-1. Wenn der tatsächliche Wert beobachtet wird, wird die aktualisierte Schätzung des Pegels rekursiv berechnet, indem zwischen Y tshy und seiner Prognose L t-1 T t-1 unter Verwendung von Gewichten von 945 und 1- 945 interpoliert wird. Die Änderung des geschätzten Pegels, Nämlich L t 8209 L t82091. Kann als eine verrauschte Messung des Trends zum Zeitpunkt t interpretiert werden. Die aktualisierte Schätzung des Trends wird dann rekursiv berechnet, indem zwischen L t 8209 L t82091 und der vorherigen Schätzung des Trends T t-1 interpoliert wird. Unter Verwendung der Gewichte von 946 und 1-946: Die Interpretation der Trendglättungskonstanten 946 ist analog zu der Pegelglättungskonstante 945. Modelle mit kleinen Werten von 946 nehmen an, dass sich der Trend mit der Zeit nur sehr langsam ändert, während Modelle mit Größere 946 nehmen an, dass sie sich schneller ändert. Ein Modell mit einem großen 946 glaubt, dass die ferne Zukunft sehr unsicher ist, da Fehler in der Trendschätzung bei der Prognose von mehr als einer Periode ganz wichtig werden. (Rückkehr nach oben) Die Glättungskonstanten 945 und 946 können auf übliche Weise geschätzt werden, indem der mittlere quadratische Fehler der 1-Schritt-Voraus-Prognosen minimiert wird. Wenn dies in Statgraphics getan wird, erweisen sich die Schätzungen als 945 0.3048 und 946 0,008. Der sehr geringe Wert von 946 bedeutet, dass das Modell eine sehr geringe Veränderung im Trend von einer Periode zur nächsten annimmt, so dass dieses Modell im Grunde versucht, einen langfristigen Trend abzuschätzen. Analog zur Vorstellung des Durchschnittsalters der Daten, die bei der Schätzung der lokalen Ebene der Reihe verwendet werden, ist das Durchschnittsalter der Daten, die bei der Schätzung des lokalen Trends verwendet werden, proportional zu 1 946, wenn auch nicht exakt gleich . In diesem Fall erweist sich dies als 10.006 125. Dies ist eine sehr genaue Zahl, da die Genauigkeit der Schätzung von 946 nicht wirklich 3 Dezimalstellen beträgt, aber sie ist von der gleichen Größenordnung wie die Stichprobengröße von 100 Dieses Modell ist Mittelung über eine ziemlich große Geschichte bei der Schätzung der Trend. Das Prognose-Diagramm unten zeigt, dass das LES-Modell einen etwas größeren lokalen Trend am Ende der Serie schätzt als der im SEStrend-Modell geschätzte konstante Trend. Außerdem ist der Schätzwert von 945 fast identisch mit dem, der durch Anpassen des SES-Modells mit oder ohne Trend erhalten wird, so dass dies fast das gleiche Modell ist. Nun, sehen diese aussehen wie vernünftige Prognosen für ein Modell, das soll Schätzung einer lokalen Tendenz Wenn Sie 8220eyeball8221 dieser Handlung, sieht es so aus, als ob der lokale Trend nach unten am Ende der Serie gedreht hat Was ist passiert Die Parameter dieses Modells Wurden durch Minimierung des quadratischen Fehlers von 1-Schritt-Voraus-Prognosen, nicht längerfristigen Prognosen, abgeschätzt, wobei der Trend keinen großen Unterschied macht. Wenn alles, was Sie suchen, 1-Schritt-vor-Fehler sind, sehen Sie nicht das größere Bild der Trends über (sagen) 10 oder 20 Perioden. Um dieses Modell im Einklang mit unserer Augapfel-Extrapolation der Daten zu erhalten, können wir die Trendglättungskonstante manuell anpassen, so dass sie eine kürzere Basislinie für die Trendschätzung verwendet. Wenn wir beispielsweise 946 0,1 setzen, beträgt das durchschnittliche Alter der Daten, die bei der Schätzung des lokalen Trends verwendet werden, 10 Perioden, was bedeutet, dass wir den Trend über die letzten 20 Perioden oder so mitteln. Here8217s, was das Prognose-Plot aussieht, wenn wir 946 0,1 setzen, während 945 0,3 halten. Dies scheint intuitiv vernünftig für diese Serie, obwohl es wahrscheinlich gefährlich, diesen Trend mehr als 10 Perioden in der Zukunft zu extrapolieren. Was ist mit den Fehlerstatistiken Hier ist ein Modellvergleich für die beiden oben gezeigten Modelle sowie drei SES-Modelle. Der optimale Wert von 945 für das SES-Modell beträgt etwa 0,3, aber ähnliche Ergebnisse (mit etwas mehr oder weniger Reaktionsfähigkeit) werden mit 0,5 und 0,2 erhalten. (A) Holts linearer Exp. Glättung mit alpha 0.3048 und beta 0,008 (B) Holts linear exp. Glättung mit alpha 0,3 (E) Einfache exponentielle Glättung mit alpha 0,3 (E) Einfache exponentielle Glättung mit alpha 0,2 Ihre Stats sind nahezu identisch, so dass wir wirklich die Wahl auf der Basis machen können Von 1-Schritt-Vorhersagefehlern innerhalb der Datenprobe. Wir müssen auf andere Überlegungen zurückgreifen. Wenn wir glauben, dass es sinnvoll ist, die aktuelle Trendschätzung auf das, was in den letzten 20 Perioden passiert ist, zugrunde zu legen, können wir für das LES-Modell mit 945 0,3 und 946 0,1 einen Fall machen. Wenn wir agnostisch sein wollen, ob es einen lokalen Trend gibt, dann könnte eines der SES-Modelle leichter zu erklären sein, und würde auch für die nächsten 5 oder 10 Perioden mehr Mittelprognosen geben. (Rückkehr nach oben.) Welche Art von Trend-Extrapolation am besten ist: horizontal oder linear Empirische Evidenz deutet darauf hin, dass es, wenn die Daten bereits für die Inflation angepasst wurden (wenn nötig), unprätent ist, kurzfristige lineare Werte zu extrapolieren Trends sehr weit in die Zukunft. Die heutigen Trends können sich in Zukunft aufgrund unterschiedlicher Ursachen wie Produktveralterung, verstärkte Konkurrenz und konjunkturelle Abschwünge oder Aufschwünge in einer Branche abschwächen. Aus diesem Grund führt eine einfache exponentielle Glättung oft zu einer besseren Out-of-Probe, als ansonsten erwartet werden könnte, trotz ihrer quotnaivequot horizontalen Trend-Extrapolation. Damped Trendmodifikationen des linearen exponentiellen Glättungsmodells werden in der Praxis häufig auch eingesetzt, um in seinen Trendprojektionen eine Note des Konservatismus einzuführen. Das Dämpfungs-Trend-LES-Modell kann als Spezialfall eines ARIMA-Modells, insbesondere eines ARIMA-Modells (1,1,2), implementiert werden. Es ist möglich, Konfidenzintervalle um langfristige Prognosen zu berechnen, die durch exponentielle Glättungsmodelle erzeugt werden, indem man sie als Spezialfälle von ARIMA-Modellen betrachtet. (Achtung: Nicht alle Software berechnet die Konfidenzintervalle für diese Modelle korrekt.) Die Breite der Konfidenzintervalle hängt ab von (i) dem RMS-Fehler des Modells, (ii) der Art der Glättung (einfach oder linear) (iii) dem Wert (S) der Glättungskonstante (n) und (iv) die Anzahl der Perioden vor der Prognose. Im Allgemeinen breiten sich die Intervalle schneller aus, da 945 im SES-Modell größer wird und sich viel schneller ausbreiten, wenn lineare statt einfache Glättung verwendet wird. Dieses Thema wird im Abschnitt "ARIMA-Modelle" weiter erläutert. (Diese Seite ist Teil von archivierten Inhalten und kann veraltet sein. Die gesamte Vielfalt der finanziellen Indikatoren könnte in drei Klassen aufgeteilt werden: Trend folgend, Oszillatoren und andere. Trend Folgende Indikatoren sind wirksam, wenn sich der Markt im Trend bewegt, aber auf einem stabilen Markt gefährlich werden. Oszillatoren zeigen feste Marktwendepunkte und können unzeitige oder falsche Signale auf dem bewegten Markt aussenden. Andere Indikatoren überwachen den Zustand der Investoren Masse Psych. Der wichtigste Trend Folgende Indikatoren sind der gleitende Durchschnitt, MACD (Moving Average ConvergenceDivergence), MACD-Histogramm, Average Directional Index (ADX) und Accumulationdistribution Index. Alle von ihnen sind nacheilende Indikatoren sie ändern, wenn der Trend hatte sich bereits geändert. Ein gleitender Durchschnitt (MA), auch Rolling Average genannt, ist ein durchschnittlicher Kursbewegungsindikator, der den Durchschnittswert der Daten innerhalb eines bestimmten Zeitrahmens darstellt. Seine verwendet, um kurzfristige Fluktuationen zu glätten und markieren langfristige Trends. Ebenso alle anderen Instrumente einen gleitenden Durchschnitt hat seine eigenen Vor-und Nachteile. Der schwächste Punkt ist, dass es nicht über die bevorstehende Änderung des Trends warnen. Der größte Vorteil, den es uns hilft, die aktuelle Bewegung des Trends zu bestimmen und die Veränderung zu bestätigen, wenn es tatsächlich passiert. Gleitende Durchschnittsniveaus werden als Widerstand in einem steigenden Markt oder Unterstützung in einem fallenden Markt interpretiert. Hier bedeutet ein Unterstützungsniveau einen Preisrang, wo der Preis dazu neigt, Unterstützung zu finden, während er nach unten geht. Der Preis ist eher zu 8220bounce8221 von diesem Niveau eher als durchbrechen. Ein Widerstandsniveau ist das Gegenteil eines Unterstützungsniveaus und ist ein oberes Extremum, wo der Preis dazu neigt, Widerstand zu finden, während er steigt. Moderne graphische analytische Programme berechnen eine breite Palette unterschiedlicher Moving Average Typen und bieten eine Auswahl ihrer Visualisierungsstile. Ein Zeitrahmen für die Berechnung könnte als kurz, mittel oder langfristig festgelegt werden. Für den langfristigen Trend ist der 200-Tage-Durchschnitt für mittelfristige 50-Tage-Durchschnitt und für kurzfristige 8211 10 Tage durchschnittlich beliebt. Folgende Arten von rollenden Durchschnitten werden häufiger als andere verwendet: ein einfacher gleitender Durchschnitt (SMA) ein gewichteter gleitender Durchschnitt (WMA) und ein exponentiell gleitender Durchschnitt (EMA). Obwohl ein einfacher gleitender Durchschnitt (arithmetisches Mittel der nicht gewichteten Preise für vergangene Perioden) am häufigsten verwendet wird, kann er überproportional durch alte Daten beeinflusst werden, eingebettet in seine Berechnung. Um zu vermeiden, dass ein zusätzliches Gewicht an neuere Datenpunkte gegeben wird, die zu einem gewichteten gleitenden Durchschnitt kommen. WMA ist auch empfindlicher als SMA und ist näher an der Preisentwicklung. In einem exponentiell gleitenden Durchschnitt wird ein Koeffizient eingestellt, um den Grad der Gewichtungsverringerung, einen konstanten Glättungsfaktor zwischen 0 und 1 darzustellen. Dann werden sowohl die letzten Daten als auch die EMA für die vorherige Periode entsprechend dem gewählten Koeffizienten gewichtet. Dadurch werden Daten für alle vorhergehenden Zeiträume automatisch in die Berechnung mit einbezogen, aber die jüngsten Preise haben noch mehr Gewicht. Die Gesamtanalyse der gleitenden Mittelwerte basiert auf den folgenden Schlüsselpositionen. Festlegung von Grenzpunkten von Preis - und MA-Graphen Bestimmung von Minimum und Maximum von MA Ermittlung der maximalen Streuung zwischen Preis und Moving Average Nach einer Bewegung eines Moving Average In der Regel zwei Moving Averages, die auf unterschiedlichen Zeitrahmen basieren , Werden für die Markttrendanalyse verwendet. Korrelation zwischen ihren Linien könnte wesentliche Informationen über Trends Stärke. In einem starken Aufwärtstrend, zum Beispiel, kurzfristig gleitenden Durchschnitt Anstieg schneller als langfristige und breitete sich zwischen den Linien auf. Wenn der Spread beginnt zu schrumpfen dies gibt uns früh zu bemerken, dass der Aufwärtstrend verliert seinen Schwung. Weil die gleitenden Durchschnitte sich nach den Indikatoren entwickeln, sind sie auf dem trendigen Markt nützlicher. Wenn der Markt stabil ist, erzeugen die Verzögerungen von der Art der gleitenden Mittelwert-Glättung falsche Signale.
No comments:
Post a Comment