Exploración de la media ponderada ponderada exponencial La volatilidad es la medida más común del riesgo, pero viene en varios sabores. En un artículo anterior, mostramos cómo calcular la volatilidad histórica simple. Utilizamos la volatilidad para medir el riesgo futuro. Utilizamos los datos reales de los precios de las acciones de Google para calcular la volatilidad diaria basada en 30 días de datos de existencias. En este artículo, mejoraremos la volatilidad simple y discutiremos el promedio móvil exponencialmente ponderado (EWMA). Vs histórico. Volatilidad implícita En primer lugar, permite poner esta métrica en un poco de perspectiva. Existen dos enfoques generales: volatilidad histórica e implícita (o implícita). El enfoque histórico supone que el pasado es un prólogo que medimos la historia con la esperanza de que sea predictivo. La volatilidad implícita, por el contrario, ignora la historia que resuelve por la volatilidad implícita en los precios de mercado. Espera que el mercado conozca mejor y que el precio de mercado contenga, aunque implícitamente, una estimación consensual de la volatilidad. Si nos centramos sólo en los tres enfoques históricos (a la izquierda de arriba), tienen dos pasos en común: Calcular la serie de retornos periódicos Aplicar un esquema de ponderación En primer lugar, Calcular el retorno periódico. Ésa es típicamente una serie de vueltas diarias donde cada vuelta se expresa en términos continuamente compuestos. Para cada día, tomamos el registro natural de la relación de precios de las acciones (es decir, el precio hoy dividido por el precio ayer, y así sucesivamente). Esto produce una serie de retornos diarios, de u i a u i-m. Dependiendo de cuántos días (m días) estamos midiendo. Eso nos lleva al segundo paso: aquí es donde los tres enfoques difieren. En el artículo anterior (Usando Volatilidad Para Calcular el Riesgo Futuro), mostramos que bajo un par de simplificaciones aceptables, la varianza simple es el promedio de los retornos cuadrados: Obsérvese que esto suma cada uno de los retornos periódicos, luego divide ese total por el Número de días u observaciones (m). Por lo tanto, su realmente sólo un promedio de los retornos cuadrados periódico. Dicho de otra manera, cada cuadrado de retorno se da un peso igual. Por lo tanto, si alfa (a) es un factor de ponderación (específicamente, 1 / m), entonces una variante simple se parece a esto: El EWMA mejora en la varianza simple La debilidad de este enfoque es que todas las ganancias ganan el mismo peso. El retorno de ayer (muy reciente) no tiene más influencia sobre la varianza que el retorno de los últimos meses. Este problema se fija mediante la media móvil ponderada exponencialmente (EWMA), en la cual los rendimientos más recientes tienen mayor peso sobre la varianza. La media móvil exponencialmente ponderada (EWMA) introduce lambda. Que se denomina parámetro de suavizado. Lambda debe ser menos de uno. Bajo esta condición, en lugar de iguales ponderaciones, cada cuadrado de retorno es ponderado por un multiplicador de la siguiente manera: Por ejemplo, RiskMetrics TM, una empresa de gestión de riesgos financieros, tiende a utilizar un lambda de 0,94 o 94. En este caso, el primero Más reciente) cuadrado es ponderado por (1-0.94) (. 94) 0 6. El próximo cuadrado de retorno es simplemente un lambda-múltiplo del peso anterior en este caso 6 multiplicado por 94 5.64. Y el tercer día anterior el peso es igual (1-0.94) (0.94) 2 5.30. Ese es el significado de exponencial en EWMA: cada peso es un multiplicador constante (es decir, lambda, que debe ser menor que uno) del peso de los días anteriores. Esto asegura una varianza que está ponderada o sesgada hacia datos más recientes. (Para obtener más información, consulte la hoja de cálculo de Excel para la volatilidad de Google.) A continuación se muestra la diferencia entre la volatilidad y EWMA para Google. La volatilidad simple pesa efectivamente cada vuelta periódica en 0.196 como se muestra en la columna O (teníamos dos años de datos de precios de acciones diarios, es decir, 509 devoluciones diarias y 1/509 0.196). Pero note que la Columna P asigna un peso de 6, luego 5.64, luego 5.3 y así sucesivamente. Esa es la única diferencia entre la varianza simple y EWMA. Recuerde: Después de sumar la serie completa (en la columna Q) tenemos la varianza, que es el cuadrado de la desviación estándar. Si queremos volatilidad, necesitamos recordar tomar la raíz cuadrada de esa varianza. ¿Cuál es la diferencia en la volatilidad diaria entre la varianza y EWMA en el caso de Googles? Su significativo: La variación simple nos dio una volatilidad diaria de 2,4 pero la EWMA dio una volatilidad diaria de sólo 1,4 (ver la hoja de cálculo para más detalles). Aparentemente, la volatilidad de Googles se estableció más recientemente, por lo tanto, una simple varianza podría ser artificialmente alta. La variación de hoy es una función de la variación de los días de Pior Usted notará que necesitábamos calcular una larga serie de pesos exponencialmente decrecientes. No haremos la matemática aquí, pero una de las mejores características de la EWMA es que toda la serie se reduce convenientemente a una fórmula recursiva: Recursiva significa que las referencias de la varianza de hoy (es decir, es una función de la variación de días anteriores). Esta fórmula también se encuentra en la hoja de cálculo, y produce exactamente el mismo resultado que el cálculo de longitud larga. Se dice: La varianza de hoy (bajo EWMA) equivale a la varianza de ayer (ponderada por lambda) más la vuelta al cuadrado de ayer (pesada por uno menos lambda). Observe cómo estamos agregando dos términos juntos: la variación ponderada de ayer y la ponderada ponderada de ayer, la vuelta al cuadrado. Aun así, lambda es nuestro parámetro de suavizado. Un lambda más alto (por ejemplo, como RiskMetrics 94) indica una disminución más lenta en la serie - en términos relativos, vamos a tener más puntos de datos en la serie y van a caer más lentamente. Por otro lado, si reducimos el lambda, indicamos una mayor decaimiento: los pesos se caen más rápidamente y, como resultado directo de la rápida decaimiento, se utilizan menos puntos de datos. (En la hoja de cálculo, lambda es una entrada, para que pueda experimentar con su sensibilidad). Resumen La volatilidad es la desviación estándar instantánea de un stock y la métrica de riesgo más común. Es también la raíz cuadrada de la varianza. Podemos medir la varianza históricamente o implícitamente (volatilidad implícita). Al medir históricamente, el método más fácil es la varianza simple. Pero la debilidad con la varianza simple es que todas las ganancias obtienen el mismo peso. Así que enfrentamos un trade-off clásico: siempre queremos más datos, pero cuanto más datos tengamos, más nuestro cálculo se diluye por datos distantes (menos relevantes). La media móvil exponencialmente ponderada (EWMA) mejora la varianza simple asignando pesos a los retornos periódicos. Haciendo esto, ambos podemos usar un tamaño grande de la muestra pero también dar mayor peso a vueltas más recientes. (Para ver un tutorial de película sobre este tema, visite la Tortuga Biónica.) Filtro exponencial Esta página describe el filtrado exponencial, el filtro más sencillo y más popular. Esto forma parte de la sección Filtrado que forma parte de Guía de detección y diagnóstico de fallas. Resumen, constante de tiempo y equivalente analógico El filtro más simple es el filtro exponencial. Tiene sólo un parámetro de sintonización (distinto del intervalo de muestreo). Requiere el almacenaje de solamente una variable - la salida anterior. Es un filtro IIR (autorregresivo) - los efectos de un cambio de entrada decaen exponencialmente hasta que los límites de las pantallas o la aritmética computarizada lo oculten. En varias disciplinas, el uso de este filtro se conoce también como suavizado 8220exponencial8221. En algunas disciplinas, como el análisis de inversiones, el filtro exponencial se denomina 8220Valor móvil exponencialmente ponderado8221 (EWMA), o simplemente 8220Valor móvil exponencial8221 (EMA). Esto abusa de la terminología ARMA 8220moving media8221 tradicional de análisis de series de tiempo, ya que no hay historial de entrada que se utiliza - sólo la entrada actual. Es el equivalente en tiempo discreto del lag8221 de primer orden utilizado comúnmente en el modelado analógico de sistemas de control de tiempo continuo. En circuitos eléctricos, un filtro RC (filtro con una resistencia y un condensador) es un retraso de primer orden. Al enfatizar la analogía con los circuitos analógicos, el parámetro de ajuste único es la constante de tiempo 82208221, usualmente escrita como la letra griega Tau (). De hecho, los valores en los tiempos de muestreo discretos coinciden exactamente con el retardo de tiempo continuo equivalente con la misma constante de tiempo. La relación entre la implementación digital y la constante de tiempo se muestra en las ecuaciones siguientes. Ecuaciones de filtro exponencial e inicialización El filtro exponencial es una combinación ponderada de la estimación anterior (salida) con los datos de entrada más recientes, con la suma de los pesos igual a 1 para que la salida coincida con la entrada en estado estacionario. Siguiendo la notación de filtro ya introducida: y (k) ay (k-1) (1-a) x (k) donde x (k) es la entrada cruda en el paso de tiempo ky (k) es la salida filtrada en el paso de tiempo ka Es una constante entre 0 y 1, normalmente entre 0,8 y 0,99. (A-1) o a se denomina a veces la constante de suavizado 82208221. Para sistemas con un paso de tiempo fijo T entre muestras, la constante 8220a8221 se calcula y se almacena por conveniencia sólo cuando el desarrollador de aplicaciones especifica un nuevo valor de la constante de tiempo deseada. Para los sistemas con muestreo de datos a intervalos irregulares, se debe utilizar la función exponencial anterior con cada paso de tiempo, donde T es el tiempo transcurrido desde la muestra anterior. Normalmente, la salida del filtro se inicializa para que coincida con la primera entrada. A medida que la constante de tiempo se aproxima a 0, a pasa a cero, por lo que no hay filtrado 8211 la salida es igual a la nueva entrada. A medida que la constante de tiempo se vuelve muy grande, se aproxima a 1, de modo que la nueva entrada es casi ignorada 8211 filtración muy pesada. La ecuación de filtro anterior puede ser reordenada en el siguiente equivalente predictor-corrector: Esta forma hace más evidente que la estimación de la variable (salida del filtro) se predice como sin cambios desde la estimación anterior y (k-1) más un término de corrección basado en En la inesperada 8220innovación 8221 - la diferencia entre la nueva entrada x (k) y la predicción y (k-1). Esta forma es también el resultado de derivar el filtro exponencial como un simple caso especial de un filtro de Kalman. Que es la solución óptima a un problema de estimación con un conjunto particular de suposiciones. Paso de respuesta Una forma de visualizar el funcionamiento del filtro exponencial es trazar su respuesta en el tiempo a una entrada escalonada. Es decir, comenzando con la entrada y salida del filtro a 0, el valor de entrada cambia repentinamente a 1. Los valores resultantes se representan a continuación: En la gráfica anterior, el tiempo se divide por la constante de tiempo del filtro tau para que pueda predecir más fácilmente Los resultados para cualquier período de tiempo, para cualquier valor de la constante de tiempo del filtro. Después de un tiempo igual a la constante de tiempo, la salida del filtro aumenta a 63,21 de su valor final. Después de un tiempo igual a 2 constantes de tiempo, el valor sube a 86,47 de su valor final. Las salidas después de tiempos iguales a 3,4 y 5 constantes de tiempo son 95,02, 98,17 y 99,33 del valor final, respectivamente. Dado que el filtro es lineal, esto significa que estos porcentajes pueden usarse para cualquier magnitud del cambio de paso, no sólo para el valor de 1 usado aquí. Aunque la respuesta de paso en teoría toma un tiempo infinito, desde un punto de vista práctico, piense en el filtro exponencial como 98 a 99 8220done8221 respondiendo después de un tiempo igual a 4 a 5 constantes de tiempo de filtro. Variaciones en el filtro exponencial Existe una variación del filtro exponencial llamado filtro exponencial no lineal que pretende filtrar fuertemente el ruido dentro de una amplitud determinada, pero luego responder más rápidamente a cambios más grandes. Filtro de media móvil Puede utilizar el módulo Filtro de media móvil para calcular una serie de promedios de un lado o de dos caras en un conjunto de datos, utilizando una longitud de ventana que especifique. Después de haber definido un filtro que satisfaga sus necesidades, puede aplicarlo a las columnas seleccionadas de un conjunto de datos conectándolo al módulo Aplicar filtro. El módulo hace todos los cálculos y reemplaza los valores dentro de las columnas numéricas con las medias móviles correspondientes. Puede usar el promedio móvil resultante para el trazado y la visualización, como una nueva línea de base suave para el modelado, para calcular las desviaciones con respecto a los cálculos para periodos similares, y así sucesivamente. Este tipo de promedio le ayuda a revelar y pronosticar patrones temporales útiles en datos retrospectivos y en tiempo real. El tipo más simple de media móvil comienza en alguna muestra de la serie y utiliza el promedio de esa posición más las n posiciones anteriores en lugar del valor real. (Puede definir n como quiera.) Cuanto más largo sea el período n en el que se calcula el promedio, menor será la varianza entre los valores. Además, a medida que aumenta el número de valores utilizados, menos efecto tiene un solo valor en el promedio resultante. Un promedio móvil puede ser unilateral o bilateral. En un promedio unilateral, sólo se utilizan los valores que preceden al valor del índice. En un promedio de dos caras, se utilizan valores pasados y futuros. Para los escenarios en los que está leyendo los datos de transmisión, las medias móviles acumuladas y ponderadas son particularmente útiles. Un promedio móvil acumulativo toma en cuenta los puntos anteriores al período actual. Puede ponderar todos los puntos de datos de manera igual al calcular el promedio, o puede garantizar que los valores más cercanos al punto de datos actual se ponderan más fuertemente. En una media móvil ponderada. Todos los pesos deben sumar a 1. En una media móvil exponencial. Los promedios consisten en una cabeza y una cola. Que pueden ponderarse. Una cola ligeramente ponderada significa que la cola sigue la cabeza muy de cerca, por lo que el promedio se comporta como un promedio móvil en un corto período de ponderación. Cuando los pesos de la cola son más pesados, el promedio se comporta más como un promedio móvil simple más largo. Agregue el módulo de filtro de media móvil a su experimento. Para Longitud. Escriba un valor de número entero positivo que define el tamaño total de la ventana a través de la cual se aplica el filtro. Esto también se llama la máscara del filtro. Para una media móvil, la longitud del filtro determina cuántos valores se promedian en la ventana deslizante. Los filtros más largos también se llaman filtros de orden superior y proporcionan una ventana de cálculo más grande y una aproximación más cercana a la línea de tendencia. Los filtros de orden más corto o inferior utilizan una ventana de cálculo más pequeña y se asemejan más a los datos originales. Para Tipo. Elija el tipo de media móvil a aplicar. Azure Machine Learning Studio soporta los siguientes tipos de cálculos de promedio móvil: Se calcula un promedio móvil simple (SMA) como una media de balanceo no ponderada. Los promedios móviles triangulares (TMA) se promedian dos veces para una línea de tendencia más suave. La palabra triangular se deriva de la forma de los pesos que se aplican a los datos, lo que hace hincapié en los valores centrales. Un promedio móvil exponencial (EMA) da más peso a los datos más recientes. La ponderación disminuye exponencialmente. Un promedio móvil exponencial modificado calcula un promedio móvil en ejecución, donde calcular el promedio móvil en cualquier punto considera la media móvil previamente calculada en todos los puntos anteriores. Este método produce una línea de tendencia más suave. Dado un solo punto y una media móvil actual, la media móvil acumulativa (CMA) calcula la media móvil en el punto actual. Agregue el conjunto de datos que tiene los valores que desea calcular un promedio móvil y agregue el módulo Aplicar filtro. Conecte el filtro de media móvil a la entrada de la izquierda de Aplicar filtro. Y conecte el dataset a la entrada derecha. En el módulo Aplicar filtro, utilice el selector de columnas para especificar a qué columnas debe aplicarse el filtro. De forma predeterminada, el filtro que cree se aplicará a todas las columnas numéricas, así que asegúrese de excluir todas las columnas que no tienen los datos adecuados. Ejecute el experimento. En ese punto, para cada conjunto de valores definido por el parámetro de longitud del filtro, el valor actual (o índice) se sustituye por el valor de la media móvil.
No comments:
Post a Comment