Dado uma série de tempo xi, eu quero calcular uma média móvel ponderada com uma janela de média de pontos N, onde as ponderações favorecem valores mais recentes sobre valores mais antigos. Ao escolher os pesos, estou usando o fato familiar de que uma série geométrica converge para 1, ou seja, soma (frac) k, desde que sejam tomadas infinitamente muitos termos. Para obter um número discreto de pesos que somam a unidade, estou simplesmente tomando os primeiros N termos da série geométrica (frac) k e depois normalizando por sua soma. Quando N4, por exemplo, isso dá os pesos não normalizados que, depois de normalizar por sua soma, dão. A média móvel é então simplesmente a soma do produto dos últimos 4 valores em relação a esses pesos normalizados. Este método é generalizado da maneira óbvia para mover janelas de comprimento N, e também parece computacionalmente fácil. Existe algum motivo para não usar esta maneira simples de calcular uma média móvel ponderada usando pesos exponenciais que eu pergunto porque a entrada da Wikipedia para EWMA parece mais complicada. O que me faz pensar se a definição do livro de texto da EWMA talvez tenha algumas propriedades estatísticas que a definição simples acima não seja ou são de fato equivalentes pediram 28 de novembro às 23:53 Para começar, você está assumindo 1) que não existem valores incomuns E sem mudanças de nível e sem tendências de tempo e sem dummies sazonais 2) que a média ponderada ótima tem pesos que caem em uma curva suave descritível por 1 coeficiente 3) que a variância do erro é constante que não há séries causais conhecidas Por que todos os premissas. Ndash IrishStat 1 de outubro 14 às 21:18 Ravi: No exemplo dado, a soma dos primeiros quatro termos é 0.9375 0.06250.1250.250.5. Assim, os primeiros quatro termos detém 93,8 do peso total (6,2 está na cauda truncada). Use isso para obter pesos normalizados que somam a unidade por meio de uma atualização (dividindo) por 0.9375. Isto dá 0.06667, 0.1333, 0.2667, 0.5333. Ndash Assad Ebrahim 1 de outubro 14 às 22:21 Eu descobri que a computação de médias correntes ponderadas exponetially usando overline leftarrow overline alpha (x-overline), alphalt1 é um método simples de uma linha, que é facilmente, se apenas aproximadamente, interpretável em termos de Um número efetivo de amostras Nalpha (compare esse formulário com o formulário para calcular a média de corrida), requer apenas o datum atual (e o valor médio atual) e é numericamente estável. Tecnicamente, essa abordagem incorpora toda a história na média. As duas principais vantagens para o uso da janela completa (em oposição ao truncado discutido na questão) são que, em alguns casos, pode facilitar a caracterização analítica da filtragem e reduz as flutuações induzidas se um dado muito grande (ou pequeno) O valor é parte do conjunto de dados. Por exemplo, considere o resultado do filtro se os dados são todos zero, exceto por um dado cujo valor é 106. respondido 29 de novembro 12 em 0: 33A abordagem EWMA possui um recurso atraente: requer relativamente poucos dados armazenados. Para atualizar nossa estimativa em qualquer ponto, precisamos apenas de uma estimativa prévia da taxa de variância e do valor de observação mais recente. Um objetivo secundário da EWMA é rastrear mudanças na volatilidade. Para valores pequenos, as observações recentes afetam a estimativa prontamente. Para valores mais próximos de um, a estimativa muda lentamente com base em mudanças recentes nos retornos da variável subjacente. O banco de dados RiskMetrics (produzido pelo JP Morgan e disponibilizado) usa o EWMA para atualizar a volatilidade diária. IMPORTANTE: A fórmula EWMA não assume um nível de variação média longo. Assim, o conceito de volatilidade significa reversão não é capturado pelo EWMA. Os modelos ARCHGARCH são mais adequados para esse fim. Um objetivo secundário da EWMA é acompanhar as mudanças na volatilidade, portanto, para valores pequenos, a observação recente afeta a estimativa prontamente, e para os valores mais próximos de uma, a estimativa muda lentamente para as mudanças recentes nos retornos da variável subjacente. O banco de dados RiskMetrics (produzido por JP Morgan) e disponibilizado em 1994, usa o modelo EWMA para atualizar a estimativa de volatilidade diária. A empresa descobriu que, em uma variedade de variáveis de mercado, esse valor fornece uma previsão da variação que se aproxima da taxa de variação realizada. As taxas de variação realizadas em um determinado dia foram calculadas como uma média igualmente ponderada nos 25 dias subseqüentes. Da mesma forma, para calcular o valor ótimo de lambda para o nosso conjunto de dados, precisamos calcular a volatilidade realizada em cada ponto. Existem vários métodos, então escolha um. Em seguida, calcule a soma de erros quadrados (SSE) entre a estimativa EWMA e a volatilidade realizada. Finalmente, minimize o SSE variando o valor lambda. Soa simples é. O maior desafio é concordar com um algoritmo para calcular a volatilidade realizada. Por exemplo, as pessoas da RiskMetrics escolheram os 25 dias subseqüentes para calcular a taxa de variação realizada. No seu caso, você pode escolher um algoritmo que utilize preços diários, HILO e OPEN-CLOSE. Q 1: Podemos usar o EWMA para estimar (ou prever) a volatilidade mais de um passo à frente A representação da volatilidade EWMA não assume uma volatilidade média de longo prazo e, portanto, para qualquer horizonte de previsão além de um passo, o EWMA retorna uma constante valor:
No comments:
Post a Comment