Beregning av EWMA-korrelasjon ved hjelp av Excel. We hadde nylig lært om hvordan å estimere volatilitet ved å bruke EWMA eksponentielt vektet flytende gjennomsnitt. Som vi vet, unngår EWMA fallgruvene av likevektede gjennomsnitt, da det gir mer vekt til de nyere observasjonene i forhold til de eldre observasjonene. Så, hvis vi har ekstrem avkastning i våre data, etter hvert som tiden går, blir disse dataene eldre og blir mindre vekt i vår beregning. I denne artikkelen vil vi se på hvordan vi kan beregne korrelasjon ved hjelp av EWMA i Excel. Vi vet at korrelasjonen beregnes ved hjelp av Følgende formel. Det første trinnet er å beregne kovariansen mellom de to returseriene. Vi bruker utjevningsfaktoren Lambda 0 94, som brukt i RiskMetrics. Consider følgende ligning. Vi bruker kvadreret returr 2 som serien x i denne ligningen for varianseprognoser og kryssproduktene av to avkastninger som serien x i ligningen for kovariansprognoser Merk at samme lambda brukes til alle avvik og covarians ce. Det andre trinnet er å beregne avvik og standardavvik for hver returserie, som beskrevet i denne artikkelen. Beregn historisk volatilitet ved hjelp av EWMA. Det tredje trinnet er å beregne korrelasjonen ved å plugge inn verdiene for Covariance og Standard Deviations i over gitt formel for korrelasjon. Følgende Excel-ark gir et eksempel på korrelasjons - og volatilitetsberegningen i Excel. Det tar loggen returnerer av to aksjer og beregner sammenhengen mellom dem. Gjennomgang av gjennomsnittlige modeller for volatilitet og korrelasjon og Covariance Matrices av Frank J Fabozzi. Moving Gjennomsnittlig Modeller for Volatilitet og Korrelasjon, og Covariance Matrices. CAROL ALEXANDER, PhD. Professor of Finance, University of Sussex. Abstract Volatiliteten og korrelasjonene av avkastningen på et sett med eiendeler, risikofaktorer eller renter er oppsummert i en kovariansmatrise Denne matrisen ligger i hjertet av risiko - og returanalyse. Den inneholder all informasjon som er nødvendig for å estimere måle volatiliteten i en portefølje, simulere korrelerte verdier for risikofaktorene, diversifisere investeringer og oppnå effektive porteføljer som har optimal avvik mellom risiko og avkastning. Både risikostyrere og kapitalforvaltere krever kovariansmatriser som kan omfatte svært mange eiendeler eller risikofaktorer For eksempel i et globalt risikostyringssystem i en stor internasjonal bank vil alle de store rentekurver, aksjeindekser, valutakurser og råvarepriser bli omfattet i en meget stor dimensjonal kovariansmatrise. Variasjoner og covariances er parametere av fellesfordeling av eiendel - eller risikofaktoravkastning Det er viktig å forstå at de ikke er observerbare. De kan bare estimeres eller prognose innenfor en modell. Kontinuerlige modeller, som brukes til opsjonsprising, er ofte basert på stokastiske prosesser for varians og kovarians Diskretidsmodeller, som brukes til måling av porteføljens risiko, er basert på tidsseriemodeller for vari ance og kovarians I hvert tilfelle kan vi bare anslå eller prognose varians og kovarians. Finn nøyaktig informasjon du trenger for å løse et problem i farten, eller gå dypere for å mestre teknologiene og ferdighetene du trenger for å lykkes. Ingen kredittkort kreves. Unvikelig vektet varians var allerede adressert her og andre steder, men det synes fortsatt å være en overraskende mengde forvirring. Det ser ut til å være enighet om formelen som presenteres i den første lenken, så vel som i Wikipedia-artikkelen. Dette ser også ut som formelen som brukes av R, Mathematica og GSL, men ikke MATLAB. Wikipedia-artikkelen inneholder imidlertid også følgende linje som ser ut som en god sunnhetskontroll for en vektet variansimplementasjon. For eksempel, hvis verdier trekkes fra samme fordeling, kan vi behandle dette settet som en uvektet prøve, eller vi kan behandle den som den vektede prøven med tilsvarende vekter, og vi bør få de samme resultatene. Mine beregninger gir verdien av 2 1667 for varians av t han opprinnelige verdier og 2 9545 for den veide variansen Skal jeg virkelig forvente at de blir de samme Hvorfor eller hvorfor ikke. Ja, du bør forvente at begge eksemplene er uveide vs veid for å gi deg de samme resultatene. Jeg har implementert de to algoritmer fra Wikipedia artikkelen. Hvis alle xi er tegnet fra samme fordeling og integervektene wi indikerer hyppighet av forekomst i prøven, er den objektive estimatoren for den vektede populasjonsvarianen gitt av. s 2 frac sum N wi venstre xi - mu right 2.Hvorfor denne som bruker brøkvekter virker ikke for meg. Hvis hver xi er tegnet fra en Gauss-distribusjon med varians 1 wi, er den objektive estimatoren for en vektet populasjonsvariasjon gitt av . s 2 frac sum N wi venstre xi - mu right 2. Jeg undersøker fortsatt årsakene til at den andre ligningen ikke virker som ønsket. EDIT Funnet årsaken til at den andre ligningen ikke fungerte da jeg trodde du kan bruke den andre ligningen bare hvis du har normalisert vekt eller varians pålitelighet vekter, og det er IKKE upartisk, fordi hvis du ikke bruker gjentatte vekter teller antall ganger en observasjon ble observert og dermed bør gjentas i matematikkoperasjonen, du mister muligheten til å telle totalt antall observasjoner, og dermed kan du ikke bruke en korrektionsfaktor. Så dette forklarer forskjellen i resultatene dine ved å bruke vektet og ikke-vektet variansen din beregning er partisk. Hvis du vil ha en objektiv vektet varianse, bruk bare gjentatte vekter og bruk den første ligningen jeg har skrevet over. Hvis det ikke er mulig, kan du ikke hjelpe det.
No comments:
Post a Comment