أضعافا مضاعفة المرجحة الحركة من المتوسط القيمة المعرضة للخطر

استكشاف المتوسط ​​المتحرك الموزون أسي. فولياتيليتي هو المقياس الأكثر شيوعا من المخاطر، لكنه يأتي في العديد من النكهات في مقال سابق، أظهرنا كيفية حساب التقلبات التاريخية البسيطة لقراءة هذه المقالة، انظر استخدام التقلب لقياس المخاطر في المستقبل استخدمنا جوجل s البيانات الفعلية لأسعار الأسهم من أجل حساب التقلب اليومي استنادا إلى 30 يوما من بيانات المخزون في هذه المقالة، سوف نقوم بتحسين التقلبات البسيطة ومناقشة المتوسط ​​المتحرك المرجح أضعافا إوما التاريخية المتضمنة التقلب الضمني أولا، دعونا نضع هذا المقياس في قليلا من منظور هناك نهجان واسعان التقلب التاريخي والضمني أو الضمني النهج التاريخي يفترض أن الماضي هو مقدمة نحن قياس التاريخ على أمل أن يكون التنبؤية التقلب الضمني، من ناحية أخرى، يتجاهل التاريخ الذي يحل للتقلبات التي تنطوي عليها أسعار السوق وهي تأمل في أن يعرف السوق على أفضل وجه وأن سعر السوق يحتوي، حتى ولو ضمنا، على تقدير للآراء المتقلبة إتي للقراءة ذات الصلة، انظر استخدامات وحدود التقلب. إذا كنا نركز على النهج التاريخية الثلاثة فقط على اليسار أعلاه، لديهم خطوتين في common. Calculate سلسلة من العائدات الدورية. تطبيق مخطط الترجيح. أولا، نحسب العائد الدوري هذا هو عادة سلسلة من العائدات اليومية حيث يتم التعبير عن كل عودة في مصطلحات معقدة بشكل متواصل لكل يوم، ونحن نأخذ السجل الطبيعي لنسبة أسعار الأسهم أي السعر اليوم مقسوما على سعر أمس، وهلم جرا. هذا ينتج سلسلة من العوائد اليومية، من أوي إلى u إم اعتمادا على عدد الأيام أيام م نحن قياس. وهذا يحصلنا على الخطوة الثانية هذا هو المكان الذي تختلف فيه ثلاثة نهج في المقالة السابقة باستخدام التقلب لقياس المخاطر في المستقبل، أظهرنا أن تحت اثنين من التبسيط مقبول، والتباين البسيط هو متوسط ​​العوائد التربيعية. لاحظ أن هذا المبلغ كل من العائدات الدورية، ثم يقسم هذا المجموع من قبل عدد من الأيام أو الملاحظات م لذلك، انها حقا جوس t متوسط ​​العوائد الدورية المربعة بطريقة أخرى، يعطى لكل عائد مربعة وزن متساوي لذلك إذا كان ألفا هو عامل ترجيح على وجه التحديد، 1 م، فإن التباين البسيط يبدو شبيها بهذا. إن إوما يحسن التباين البسيط. ضعف هذا النهج هو أن جميع العائدات كسب نفس الوزن يوم أمس s عودة الأخيرة جدا ليس له تأثير أكثر على التباين من العودة في الشهر الماضي يتم إصلاح هذه المشكلة باستخدام المتوسط ​​المتحرك المرجح أضعافا إوما، التي عوائد أكثر حداثة وزنا أكبر على التباين. المتوسط ​​المتحرك المرجح أضعافا إوما يدخل لامدا وهو ما يسمى معلمة التمهيد يجب أن يكون لامبا أقل من واحد في ظل هذا الشرط، بدلا من الأوزان متساوية، يتم ترجيح كل مربعات العائد من مضاعف على النحو التالي. على سبيل المثال، ريسمتريكس تم، وهي شركة إدارة المخاطر المالية، تميل إلى استخدام لامدا من 0 94، أو 94 وفي هذه الحالة، يتم ترجيح أول عائد دوري مربعة الأحدث بنسبة 1-0 94 94 0 6 ن إرجاع التربيع الموسع هو ببساطة لامدا متعددة من الوزن السابق في هذه الحالة 6 مضروبا في 94 5 64 والثالث في اليوم السابق الوزن s يساوي 1-0 94 0 94 2 5 30. وهذا معنى الأسي في إوما كل وزن هو المضاعف المستمر أي لامدا، والتي يجب أن تكون أقل من واحد من وزن اليوم السابق s وهذا يضمن التباين الذي هو مرجح أو منحازة نحو أحدث البيانات لمعرفة المزيد، راجع ورقة عمل إكسيل لتقلب غوغل s الفرق بين ببساطة التقلب و إوما ل غوغل هو موضح أدناه. التذبذب البسيط يزن بشكل فعال كل عودة دورية من قبل 0 196 كما هو مبين في العمود O كان لدينا عامين من بيانات سعر السهم اليومي وهذا هو 509 عوائد يومية و 1 509 0 196 ولكن لاحظ أن تعيينات العمود P ووزن 6، ثم 5 64، ثم 5 3 وهلم جرا هذا الفرق الوحيد بين التباين البسيط و EWMA. Remember بعد أن نجمع السلسلة بأكملها في العمود Q لدينا التباين، وهو مربع الانحراف المعياري إذا نحن نريد تقلب، نحن ني د لتذكر أن تأخذ الجذر التربيعي لهذا التباين. ما الفرق في التقلب اليومي بين التباين و إوما في حالة غوغل s انها كبيرة التباين البسيط أعطانا تقلب يومي من 2 4 ولكن إوما أعطى تقلب يومي من فقط 1 4 انظر جدول البيانات للحصول على التفاصيل على ما يبدو، استقر تقلب جوجل في أسفل في الآونة الأخيرة وبالتالي، قد يكون التباين البسيط مصطنع high. Today s التباين هو وظيفة بيور يوم ق الفرق سوف نلاحظ أننا بحاجة إلى حساب سلسلة طويلة من أضعافا مضاعفة انخفاض الأوزان فزنا ر تفعل الرياضيات هنا، ولكن واحدة من أفضل ملامح إوما هو أن السلسلة بأكملها يقلل بشكل ملائم إلى صيغة عودية. الاسترداد يعني أن اليوم مراجع الفرق أي أي وظيفة من اليوم السابق الصورة التباين يمكنك العثور على هذه الصيغة في جدول البيانات أيضا، وتنتج نفس النتيجة بالضبط مثل حساب لونغاند يقول اليوم الفرق s تحت إوما يساوي فارق التباين بالأوزان لامدا زائد أمس سس كواريد عودة يزنها ناقص لامدا لاحظ كيف نضيف فقط اثنين من المصطلحات معا يوم أمس التباين المرجح والأمثلة المرجحة، مربعة العودة. حتى ذلك، لامدا هو لدينا تمهيد المعلمة أعلى لامدا مثل ريسكمتريك s 94 يشير إلى تسوس أبطأ في سلسلة - من الناحية النسبية، سنحصل على المزيد من نقاط البيانات في السلسلة، وسوف تسقط ببطء أكثر من ناحية أخرى، إذا قلنا من لامدا، فإننا نشير إلى انحلال أعلى في الأوزان تسقط بسرعة أكبر، نتيجة التسوس السريع، وتستخدم نقاط بيانات أقل في جدول البيانات، لامدا هو المدخلات، حتى تتمكن من تجربة مع حساسية لها. تقلب سوماري هو الانحراف المعياري لحظية من الأسهم ومقياس المخاطر الأكثر شيوعا بل هو أيضا الجذر التربيعي من التباين يمكننا قياس التباين تاريخيا أو ضمنا تقلب ضمني عند قياس تاريخيا، وأسهل طريقة هو التباين البسيط ولكن الضعف مع التباين البسيط هو كل عوائد الحصول على نفس w ثمانية لذلك نحن نواجه المفاضلة الكلاسيكية نحن نريد دائما المزيد من البيانات ولكن المزيد من البيانات لدينا أكثر يتم تخفيف حسابنا من قبل البيانات أقل ذات الصلة المتوسط ​​المتحرك أضعافا مضاعفة إوما يحسن على التباين البسيط عن طريق تعيين الأوزان للعائدات الدورية عن طريق القيام هذا، يمكننا على حد سواء استخدام حجم عينة كبيرة ولكن أيضا إعطاء المزيد من الوزن لعوائد أكثر حداثة. لعرض فيلم تعليمي حول هذا الموضوع، قم بزيارة بيونيك Turtle. Define كما تقلب متغير السوق في اليوم ن، كما يقدر في نهاية اليوم n-1 معدل التباين هو مربع من التقلبات، في يوم n. Suppose قيمة متغير السوق في نهاية اليوم i هو معدل العائد المركب بشكل مستمر خلال اليوم i بين نهاية اليوم السابق أي i-1 ونهاية اليوم i. يعبر عنه. التالي، باستخدام المقاربة القياسية للتقدير من تاريخي البيانات، وسوف نستخدم أحدث م - الملاحظات لحساب مقدر غير منحازة من التباين. أين هو متوسط. لذلك، دعونا نفترض واستخدام أقصى تقدير الاحتمال من معدل التباين. حتى الآن، طبقنا أوزان متساوية إلى ذلك، غالبا ما يشار إلى التعريف أعلاه بتقدير التقلب على أساس الترجيح. وفي المقابل، ذكرنا أن هدفنا هو تقدير المستوى الحالي للتذبذب بحيث يكون من المنطقي إعطاء أوزان أعلى للبيانات الحديثة مقارنة بالبيانات الأقدم. ، واسمحوا s التعبير عن تقدير التباين المرجح على النحو التالي. هو مقدار الوزن المعطاة للمراقبة I - أيام قبل ذلك، لإعطاء وزن أعلى إلى الملاحظات الأخيرة. تباين متوسط ​​المدى الطويل. الإمكانية تمديد الفكرة أعلاه هو افتراض أن هناك متوسط ​​المدى الطويل التباين وأنه ينبغي أن يعطى بعض الوزن. النموذج السابق يعرف باسم نموذج أرش m، مقترح من قبل إنغل في 1994. إوما هو حالة خاصة من المعادلة أعلاه في هذه الحالة، نحن جعله بحيث أوزان انخفاض متغير على نحو متناغم ونحن نتحرك مرة أخرى من خلال time. Unlic العرض السابق، و إوما يتضمن جميع الملاحظات السابقة، ولكن مع الأوزان انخفاض أضعافا مضاعفة طوال الوقت. بعد ذلك، نطبق مجموع الأوزان بحيث تساوي القيد الوحدة. للقيمة. الآن فإننا نقوم بتوصيل هذه المصطلحات مرة أخرى في المعادلة. بالنسبة لمجموعة البيانات الكبيرة، تكون صغيرة بما فيه الكفاية بحيث يتم تجاهلها من المعادلة. نهج إوما له ميزة جذابة واحدة يتطلب بيانات مخزنة قليلة نسبيا لتحديث تقديراتنا في أي وقت، نحن على يحتاج إلى تقدير مسبق لمعدل التباين وأحدث قيمة للمراقبة. والهدف الثانوي ل إوما هو تتبع التغيرات في التقلبات بالنسبة للقيم الصغيرة، تؤثر الملاحظات الأخيرة على التقدير الفوري بالنسبة للقيم الأقرب إلى واحد، فإن التقديرات تتغير ببطء استنادا إلى التغييرات الأخيرة في عوائد المتغير الأساسي. قاعدة بيانات ريسكمتريكس التي تنتجها جب مورغان والمتاحة للجمهور تستخدم إوما مع لتحديث التقلبات اليومية. المهمة لا تحمل صيغة إوما متوسط ​​التباين متوسط ​​المدى وبالتالي، فإن مفهوم التقلب يعني لا يتم التقاط انعكاس من قبل إوما نماذج أرش غارتش هي الأنسب لهذا الغرض. الهدف الثانوي من إوما هو تتبع التغيرات في التقلب، وذلك لقيم صغيرة، الملاحظة الأخيرة تؤثر على تقدير على الفور، والقيم أقرب إلى واحد، يتغير التقدير ببطء إلى التغيرات الأخيرة في عوائد المتغير الأساسي. قاعدة بيانات ريسكمتريكس التي تنتجها جب مورغان وجعلت متاحة للجمهور في عام 1994، يستخدم نموذج إوما مع لتحديث تقديرات التقلبات اليومية وجدت الشركة أن عبر مجموعة من المتغيرات السوق، وهذه القيمة يعطي توقعات التباين التي تأتي الأقرب إلى معدل التباين المحقق تم احتساب معدلات التباين المحققة في يوم معين على النحو التالي ومتوسط ​​مرجح بالتساوي على 25 يوما لاحقة. وبالمثل، لحساب القيمة المثلى لل لامدا لمجموعة البيانات لدينا، ونحن بحاجة لحساب التقلبات المحققة في كل نقطة هناك عدة طرق، لذلك اختيار واحد التالي، وحساب مجموع أخطاء سمد بين تقدير إوما والتقلبات المحققة وأخيرا، تقليل سس من خلال تغيير قيمة لامدا. سوند بسيط هو التحدي الأكبر هو الاتفاق على خوارزمية لحساب التقلبات المحققة على سبيل المثال، اختار الناس في ريسكمتريكس اللاحقة 25 يوما لحساب معدل التباين المحقق في حالتك، يمكنك اختيار خوارزمية تستخدم الحجم اليومي، هاي لو أو أوبين-كلوز بريسز. Q 1 هل يمكننا استخدام إوما لتقدير أو فوريكا ست تقلب أكثر من خطوة واحدة إلى الأمام. تمثيل التذبذب إوما لا يفترض تقلب متوسط ​​المدى الطويل، وبالتالي، لأي أفق التنبؤ خارج خطوة واحدة، إوما ترجع قيمة ثابتة. لمجموعة بيانات كبيرة، والقيمة لديها تأثير ضئيل جدا على القيمة المحسوبة. الذهاب إلى الأمام، ونحن نخطط للاستفادة من حجة لقبول المستخدم قيمة التقلب الأولي. س 3 ما هو علاقة إوما ل أرش غارتش Model. EWMA هو في الأساس شكل خاص من نموذج أرش، مع الخصائص التالية. ترتيب أرش يساوي حجم بيانات العينة. أوزان التراجع تنخفض بشكل كبير في معدل طوال الوقت. Q 4 هل إوما تعود إلى المتوسط. لا إوما ليس لها مصطلح لمتوسط ​​التباين على المدى الطويل وبالتالي ، فإنه لا يعود إلى أي قيمة. Q 5 ما هو تقدير التباين في الأفق بعد يوم واحد أو خطوة إلى الأمام. كما هو الحال في Q1، ترجع الدالة إوما قيمة ثابتة تساوي قيمة تقدير خطوة واحدة. Q 6 لدي أسبوعيا البيانات السنوية الشهرية أي قيمة يجب أن أستخدم . قد لا تزال تستخدم 0 94 كقيمة افتراضية، ولكن إذا كنت ترغب في العثور على القيمة المثلى، تحتاج إلى إعداد مشكلة الأمثل لتقليل سس أو مس بين إوما والتقلبات المحققة. لاحظ تقلبنا 101 البرنامج التعليمي في نصائح وتلميحات على موقعنا على الانترنت لمزيد من التفاصيل والأمثلة. Q 7 إذا لم يكن البيانات الخاصة بي يعني صفر، كيف يمكنني استخدام الدالة. لآن، استخدم الدالة ديترند لإزالة المتوسط ​​من البيانات قبل تمريرها إلى وظائف إوما في المستقبل الإصدارات نومكسل، فإن إوما إزالة المتوسط ​​تلقائيا نيابة عنك. هول، جون C الخيارات والعقود الآجلة وغيرها من المشتقات المالية الفترات برنتيس هول 2003، ص 372-374، إيسبن 1-405-886145.Hamilton، دينار تحليل سلسلة الوقت مطبعة جامعة برينستون 1994، إيسبن 0-691-04289-6.Tsay، روي S تحليل الوقت المالي سلسلة جون وايلي سونس 2005، إيسبن 0-471-690740. روابط ذات صلة. المحرك مدفوعة أضعافا مضاعفة المتوسطات المتحركة والقيمة توقعات - at المخاطر. نحن نقدم منهجية بسيطة لنمذجة تي لي الاختلاف في التقلبات وغيرها من اللحظات ذات الترتيب الأعلى باستخدام مخطط تحديث العودية التي تشبه النهج ريسكمتريكس مألوفة يتم تحديث المعلمات باستخدام درجة توزيع التنبؤ، والذي يسمح لديناميكيات المعلمة للتكيف تلقائيا إلى أي ميزات البيانات غير العادية ، ويزيد من متانة التقديرات اللاحقة ويعكس النهج الجديد عدة تمديدات سابقة لمتوسط ​​متحرك أسي المتوسط ​​المتحرك أضعافا مضاعفة بالإضافة إلى ذلك، يمكن أن يمتد بسهولة إلى أبعاد أعلى وتوزيعات التنبؤ البديلة يتم تطبيق الأسلوب على القيمة - التنبؤ بالمخاطر مع انحراف الطلاب ست ست توزيعات ودرجات متفاوتة من الحرية و أو الانحراف المعلمة وتبين لنا أن الطريقة الجديدة هي جيدة مثل أو أفضل من الأساليب السابقة للتنبؤ تقلب عوائد الأسهم الفردية وعوائد سعر الصرف. التقلبات الديناميكية. ديناميكية أعلى ترتيب لحظات. دمج متكامل الانحدار الذاتي نموذج النتيجة S. Exonentially الموزون المرجح المتوسط ​​EWMA. Value في خطر VAR.2015 المعهد الدولي للتنبؤات نشره إلزيفير بف جميع الحقوق محفوظة. ندر لوكاس هو أستاذ المالية في جامعة فو أمستردام حصل على درجة الدكتوراه في الاقتصاد القياسي من جامعة ايراسموس روتردام و وقد نشرت على سلسلة الاقتصاد والوقت سلسلة الاقتصاد وكذلك إدارة المخاطر في المجلات مثل مجلة مجلة الأعمال والاقتصاد الإحصائي للاقتصاد القياسي واستعراض الاقتصاد والإحصاء جنبا إلى جنب مع كريال وكوبمان، وقال انه ينشر استخدام ديناميات درجات الانحدار الذاتي المعمم لوقت نماذج المعلمة متفاوتة حصل على منحة البحث فيسي المرموقة لمدة خمس سنوات لهذا المشروع من مجلس البحوث الوطني الهولندي NWO. Xin تشانغ تلقى درجة الدكتوراه من جامعة فو أمستردام ومعهد تينبرجين كما يحمل في الاقتصاد القياسي والمالية من معهد تينبرجين كان مستشار خارجي للبنك المركزي الأوروبي في عام 2011 في خريف عام 2012، التحق سفيريجيس ريكسبان k كاقتصادي في قسم البحوث وتشمل مجالات أبحاثه سلسلة زمنية الاقتصاد القياسي والاقتصاد المالي ومخاطر الائتمان وقد تم نشر العمل شين في مجلة الأعمال والإحصاءات الاقتصادية.