Exponentielle Gleitende Mittlere Standardabweichung

Standardabweichung Standardabweichungswert der Marktvolatilitätsmessung. Dieser Indikator beschreibt die Spanne der Preisschwankungen relativ zum Moving Average. Wenn der Wert dieses Indikators hoch ist, ist der Markt volatil, und die Preise der Bars sind relativ im Verhältnis zum gleitenden Durchschnitt verteilt. Wenn der Indikatorwert niedrig ist, kann der Markt mit einer niedrigen Volatilität beschrieben werden, und die Preise der Bars liegen eher nahe beim gleitenden Durchschnitt. Normalerweise wird dieser Indikator als Bestandteil anderer Indikatoren verwendet. Somit muss bei der Berechnung von Bollinger-Bandsreg der Symbol-Standardabweichungswert zu seinem gleitenden Durchschnitt addiert werden. Das Marktverhalten stellt den Austausch hoher Handelsaktivitäten und langwierigen Marktes dar. Der Indikator kann daher leicht interpretiert werden: Wenn sein Wert zu niedrig ist, d. H. Der Markt ist absolut inaktiv, ist es sinnvoll, eine Spike bald anders zu erwarten, wenn sie extrem hoch ist, bedeutet dies höchstwahrscheinlich, dass die Aktivität bald zurückgehen wird. Berechnen StdDev (i) SQRT (AMOUNT (ji - N, i) N) AMOUNT (ji - N, i) SUM ((ApPRICE (j) - MA (ApPRICE, N, i)) 2) StdDev (i) Standardabweichung Der aktuellen Bar SQRT Quadratwurzel AMOUNT (ji - N, i) Summe der Quadrate von ji - N bis i N Glättungsperiode ApPRICE (j) angewandter Preis der j bar MA (ApPRICE, N, i) gleitender Mittelwert mit der N Zeitraum auf der aktuellen bar ApPRICE (i) angewandten Preis der aktuellen bar. Erwerben Die exponentiell gewichtete Moving Average Volatility ist die häufigste Maßnahme des Risikos, aber es kommt in mehreren Geschmacksrichtungen. In einem früheren Artikel haben wir gezeigt, wie man einfache historische Volatilität berechnet. (Um diesen Artikel zu lesen, finden Sie unter Verwenden von Volatilität, um zukünftiges Risiko zu messen.) Wir verwendeten Googles tatsächlichen Aktienkursdaten, um die tägliche Volatilität basierend auf 30 Tagen der Bestandsdaten zu berechnen. In diesem Artikel werden wir auf einfache Volatilität zu verbessern und diskutieren den exponentiell gewichteten gleitenden Durchschnitt (EWMA). Historische Vs. Implied Volatility Erstens, lassen Sie diese Metrik in ein bisschen Perspektive. Es gibt zwei breite Ansätze: historische und implizite (oder implizite) Volatilität. Der historische Ansatz geht davon aus, dass Vergangenheit ist Prolog Wir messen Geschichte in der Hoffnung, dass es prädiktive ist. Die implizite Volatilität dagegen ignoriert die Geschichte, die sie für die Volatilität der Marktpreise löst. Es hofft, dass der Markt am besten weiß und dass der Marktpreis, auch wenn implizit, eine Konsensschätzung der Volatilität enthält. (Für verwandte Erkenntnisse siehe Die Verwendungen und Grenzen der Volatilität.) Wenn wir uns nur auf die drei historischen Ansätze (auf der linken Seite) konzentrieren, haben sie zwei Schritte gemeinsam: Berechnen Sie die Reihe der periodischen Renditen Berechnen die periodische Rendite. Das ist typischerweise eine Reihe von täglichen Renditen, bei denen jede Rendite in kontinuierlich zusammengesetzten Ausdrücken ausgedrückt wird. Für jeden Tag nehmen wir das natürliche Protokoll des Verhältnisses der Aktienkurse (d. H. Preis heute geteilt durch den Preis gestern und so weiter). Dies erzeugt eine Reihe von täglichen Renditen, von u i bis u i-m. Je nachdem wie viele Tage (m Tage) wir messen. Das bringt uns zum zweiten Schritt: Hier unterscheiden sich die drei Ansätze. Wir haben gezeigt, dass die einfache Varianz im Rahmen einiger akzeptabler Vereinfachungen der Mittelwert der quadratischen Renditen ist: Beachten Sie, dass diese Summe die periodischen Renditen zusammenfasst und dann diese Summe durch die Anzahl der Tage oder Beobachtungen (m). Also, seine wirklich nur ein Durchschnitt der quadrierten periodischen kehrt zurück. Setzen Sie einen anderen Weg, jede quadratische Rückkehr wird ein gleiches Gewicht gegeben. Also, wenn alpha (a) ein Gewichtungsfaktor (speziell eine 1m) ist, dann eine einfache Varianz sieht etwa so aus: Die EWMA verbessert auf einfache Varianz Die Schwäche dieser Ansatz ist, dass alle Renditen das gleiche Gewicht zu verdienen. Yesterdays (sehr jüngste) Rückkehr hat keinen Einfluss mehr auf die Varianz als die letzten Monate zurück. Dieses Problem wird durch Verwendung des exponentiell gewichteten gleitenden Mittelwerts (EWMA), bei dem neuere Renditen ein größeres Gewicht auf die Varianz aufweisen, festgelegt. Der exponentiell gewichtete gleitende Durchschnitt (EWMA) führt Lambda ein. Die als Glättungsparameter bezeichnet wird. Lambda muss kleiner als 1 sein. Unter dieser Bedingung wird anstelle der gleichen Gewichtungen jede quadratische Rendite durch einen Multiplikator wie folgt gewichtet: Beispielsweise neigt die RiskMetrics TM, eine Finanzrisikomanagementgesellschaft, dazu, eine Lambda von 0,94 oder 94 zu verwenden. In diesem Fall wird die erste ( (1 - 0,94) (94) 0 6. Die nächste quadrierte Rückkehr ist einfach ein Lambda-Vielfaches des vorherigen Gewichts in diesem Fall 6 multipliziert mit 94 5,64. Und das dritte vorherige Tagegewicht ist gleich (1-0,94) (0,94) 2 5,30. Das ist die Bedeutung von exponentiell in EWMA: jedes Gewicht ist ein konstanter Multiplikator (d. h. Lambda, der kleiner als eins sein muß) des vorherigen Gewichtes. Dies stellt eine Varianz sicher, die gewichtet oder zu neueren Daten voreingenommen ist. (Weitere Informationen finden Sie im Excel-Arbeitsblatt für die Googles-Volatilität.) Der Unterschied zwischen einfacher Volatilität und EWMA für Google wird unten angezeigt. Einfache Volatilität wiegt effektiv jede periodische Rendite von 0,196, wie in Spalte O gezeigt (wir hatten zwei Jahre täglich Aktienkursdaten, das sind 509 tägliche Renditen und 1509 0,196). Aber beachten Sie, dass die Spalte P ein Gewicht von 6, dann 5,64, dann 5,3 und so weiter. Das ist der einzige Unterschied zwischen einfacher Varianz und EWMA. Denken Sie daran: Nachdem wir die Summe der ganzen Reihe (in Spalte Q) haben wir die Varianz, die das Quadrat der Standardabweichung ist. Wenn wir Volatilität wollen, müssen wir uns daran erinnern, die Quadratwurzel dieser Varianz zu nehmen. Was ist der Unterschied in der täglichen Volatilität zwischen der Varianz und der EWMA im Googles-Fall? Bedeutend: Die einfache Varianz gab uns eine tägliche Volatilität von 2,4, aber die EWMA gab eine tägliche Volatilität von nur 1,4 (Details siehe Tabelle). Offenbar ließ sich die Googles-Volatilität in jüngster Zeit nieder, daher könnte eine einfache Varianz künstlich hoch sein. Die heutige Varianz ist eine Funktion der Pior Tage Variance Youll bemerken wir benötigt, um eine lange Reihe von exponentiell sinkende Gewichte zu berechnen. Wir werden die Mathematik hier nicht durchführen, aber eine der besten Eigenschaften der EWMA ist, daß die gesamte Reihe zweckmäßigerweise auf eine rekursive Formel reduziert: Rekursiv bedeutet, daß heutige Varianzreferenzen (d. h. eine Funktion der früheren Tagesvarianz) ist. Sie können diese Formel auch in der Kalkulationstabelle zu finden, und es erzeugt genau das gleiche Ergebnis wie die Langzeitberechnung Es heißt: Die heutige Varianz (unter EWMA) ist gleichbedeutend mit der gestrigen Abweichung (gewichtet mit Lambda) plus der gestrigen Rückkehr (gewogen durch ein Minus-Lambda). Beachten Sie, wie wir sind nur das Hinzufügen von zwei Begriffe zusammen: gestern gewichtet Varianz und gestern gewichtet, quadriert zurück. Dennoch ist Lambda unser Glättungsparameter. Ein höheres Lambda (z. B. wie RiskMetrics 94) deutet auf einen langsameren Abfall in der Reihe hin - in relativer Hinsicht werden wir mehr Datenpunkte in der Reihe haben, und sie fallen langsamer ab. Auf der anderen Seite, wenn wir das Lambda reduzieren, deuten wir auf einen höheren Abfall hin: die Gewichte fallen schneller ab, und als direkte Folge des schnellen Zerfalls werden weniger Datenpunkte verwendet. (In der Kalkulationstabelle ist Lambda ein Eingang, so dass Sie mit seiner Empfindlichkeit experimentieren können). Zusammenfassung Volatilität ist die momentane Standardabweichung einer Aktie und die häufigste Risikomessung. Es ist auch die Quadratwurzel der Varianz. Wir können Varianz historisch oder implizit messen (implizite Volatilität). Bei der historischen Messung ist die einfachste Methode eine einfache Varianz. Aber die Schwäche mit einfacher Varianz ist alle Renditen bekommen das gleiche Gewicht. So stehen wir vor einem klassischen Kompromiss: Wir wollen immer mehr Daten, aber je mehr Daten wir haben, desto mehr wird unsere Berechnung durch weit entfernte (weniger relevante) Daten verdünnt. Der exponentiell gewichtete gleitende Durchschnitt (EWMA) verbessert die einfache Varianz durch Zuordnen von Gewichten zu den periodischen Renditen. Auf diese Weise können wir beide eine große Stichprobengröße, sondern auch mehr Gewicht auf neuere Renditen. (Um eine Film-Tutorial zu diesem Thema zu sehen, besuchen Sie die Bionic Turtle.) Das Material auf dieser Website dient nur zu Informationszwecken und stellt weder ein Angebot zum Verkauf, eine Aufforderung zum Kauf oder eine Empfehlung oder Billigung für eine Sicherheit oder Strategie, noch stellt es ein Angebot zur Anlageberatung von Quantopian zur Verfügung. Darüber hinaus bietet das Material keine Stellungnahme in Bezug auf die Eignung von Sicherheiten oder spezifischen Investitionen. Quantopian übernimmt keine Gewähr für die Richtigkeit und Vollständigkeit der auf der Website dargestellten Ansichten. Die Ansichten sind freibleibend und können aus verschiedenen Gründen unzuverlässig geworden sein, unter anderem Änderungen der Marktbedingungen oder der wirtschaftlichen Verhältnisse. Bei allen Anlagen handelt es sich um Risiken einschließlich des Verlustes des Kapitalbetrags. Bevor Sie Investitionsentscheidungen treffen, sollten Sie sich mit einem Anlageberater beraten. Ich möchte nur darauf hinweisen, dass ich diesen Algo nicht trade oder so, aber er hat einen guten Ausgangspunkt für die Art der naiven Risiko-Parität Positionierung Rob Carver beschreibt in seinem Buch Vielen Dank für interessante Algo. Ich lese auch Carver Buch und wie sein Ansatz der Bestimmung der Position Größe basierend auf gewünschte Volatilität, zugrunde liegende Volatilität und die Prognose. Aber es sieht aus wie die schlechte Leistung (negative Sharp) der Algo kommt aus Unter-Investitionen. Der Algo investiert nur 0,008 des Kapitals oder 8000 von 1M. Die Idee im Carvers-Buch war, dass die Volatilität die Positionen anpasst, um die optimale Volatilität des Gesamtportfolios zu erreichen. Wenn die Volatilität von SampP 12,8 beträgt, sollte der Algo 100 in Aktien investieren, um z. B. 0,008 täglich oder 12,8 annualisiert. In Ihrem algo ist die Volatilität des Portfolios in der Nähe von 0.