Moving Average Garch

GARCH en EWMA 21 Mei 2010 deur David Harper, CFA, FRM, CIPM DOEL: vergelyk, kontrasteer en te bereken parametriese en nie-parametriese benaderings vir die beraming van voorwaardelike wisselvalligheid 8230 Insluitend: GARCH BENADERING Insluitend: eksponensieel glad (EWMA) Eksponensiële smoothing (voorwaardelike parametries) moderne metodes plaas meer gewig op onlangse inligting. Beide EWMA en GARCH plaas meer gewig op onlangse inligting. Verdere, as EWMA is 'n spesiale geval van GARCH, sowel EWMA en GARCH diens eksponensiële gladstryking. GARCH (p, q) en in die besonder GARCH (1, 1) GARCH (p, q) is 'n algemene outoregressiewe voorwaardelike heteroskedastic model. Sleutelaspekte sluit in: outoregressiewe (AR). tomorrow8217s variansie (of wisselvalligheid) is 'n agteruitgang funksie van today8217s variance8212it regresses op sigself Voorwaardelike (C). tomorrow8217s variansie depends8212is voorwaardelike on8212the mees onlangse variansie. 'N onvoorwaardelike variansie sou nie afhanklik van today8217s variansie Heteroskedastic (H). afwykings is nie konstant, hulle vloed met verloop van tyd GARCH regresses op 8220lagged8221 of historiese terme. Die uitgestel terme is óf variansie of vierkantig opbrengste. Die generiese GARCH (p, q) model regresses op (bl) kwadraat opbrengste en (q) afwykings. Daarom, GARCH (1, 1) 8220lags8221 of regresses verlede period8217s kwadraat terugkeer (maw net 1 terugkeer) en laaste period8217s variansie (dit wil sê net 1 variansie). GARCH (1, 1) gegee deur die volgende vergelyking. Dieselfde GARCH (1, 1) kan formule gegee word met Griekse parameters: Hull skryf dieselfde GARCH vergelyking as: die eerste kwartaal (gVL) is belangrik omdat VL is die lang termyn gemiddelde variansie. Daarom (gVL) is 'n produk: dit is die geweegde langtermyn gemiddelde variansie. Die GARCH (1, 1) model lost vir die voorwaardelike variansie as 'n funksie van drie veranderlikes (vorige variansie, vorige return2 en langtermyn variansie): Persistence is 'n funksie is ingesluit in die GARCH model. Wenk: In die bogenoemde formules, volharding is (b c) of (alfa-1 beta). Volharding verwys na hoe vinnig (of stadig) die variansie terugval of 8220decays8221 teenoor sy langtermyn gemiddelde. Hoë volharding is gelykstaande aan verval en stadige 8220regression na die mean8221 lae volharding is gelykstaande aan 'n vinnige verval en vinnige 8220reversion om die mean.8221 A volharding van 1.0 impliseer geen geringe terugkeer vertraag. A volharding van minder as 1,0 impliseer 8220reversion om die gemiddelde, 8221 waar 'n laer volharding impliseer groter terugkeer na die gemiddelde. Wenk: Soos hierbo, die som van die gewigte aan die uitgesak variansie en uitgestel kwadraat terugkeer is volharding (BC volharding). 'N Hoë volharding (groter as nul, maar minder as een) impliseer stadig terugkeer na die gemiddelde. Maar as die gewigte aan die uitgesak variansie en uitgestel kwadraat terugkeer is groter as een, die model is nie-stasionêre. As (BC) is groter as 1 (indien vC GT 1) die model is nie-stasionêre en, volgens Hull, onstabiel. In welke geval, is EWMA verkies. Linda Allen sê oor GARCH (1, 1): GARCH is beide 8220compact8221 (maw relatief eenvoudige) en merkwaardig akkuraat. GARCH modelle oorheers in wetenskaplike navorsing. Baie variasies van die GARCH model is probeer, maar min het verbeter op die oorspronklike. Die nadeel van die GARCH model is sy lineariteiten sic Byvoorbeeld: Los op vir langtermyn variansie in GARCH (1,1) Kyk na die GARCH (1, 1) vergelyking hieronder: Aanvaar dat: die alfa parameter 0.2, die beta parameter 0.7, en let daarop dat omega is 0.2, maar don8217t fout omega (0.2) vir die langtermyn variansie Omega is die produk van gammastrale en die langtermyn-afwyking. Dus, as Alpha Beta 0.9, dan gamma moet 0.1. Gegewe dat omega is 0.2, ons weet dat die langtermyn variansie 2,0 (0,2 184 0,1 2,0) moet wees. GARCH (1,1): Mere notasie verskil tussen Hull en Allen EWMA EWMA is 'n spesiale geval van GARCH (1,1) en GARCH (1,1) is 'n algemene geval van EWMA. Die belangrike verskil is dat GARCH sluit die addisionele term vir gemiddelde terugkeer en EWMA nie 'n gemiddelde terugkeer. Hier is hoe ons van GARCH (1,1) tot EWMA: Dan laat ons 'n 0 en (BC) 1, sodanig dat die bostaande vergelyking vereenvoudig tot: Dit is nou gelykstaande aan die formule vir eksponensieel geweeg bewegende gemiddelde (EWMA): in EWMA, die parameter lambda bepaal nou die 8220decay: 8221 'n lambda wat naby aan een (hoë lambda) vertoon stadige verval. Die RiskMetricsTM benadering RiskMetrics is 'n handelsmerk vorm van die eksponensieel geweeg bewegende gemiddelde (EWMA) benadering: die optimale (teoretiese) lambda is afhanklik van die bateklas, maar die algehele optimale parameter wat gebruik word deur RiskMetrics is 0.94. In die praktyk, RiskMetrics gebruik net een verval faktor vir al die reeks: 183 0.94 vir daaglikse data 183 0.97 vir maandelikse data (maand gedefinieer as 25 handelsdae) Tegnies, die daaglikse en maandelikse modelle is nie konsekwent nie. Hulle is egter albei maklik om te gebruik, hulle die gedrag van werklike data benader redelik goed, en hulle is sterk om misspecification. Let wel: GARCH (1, 1), EWMA en RiskMetrics is elke parametriese en rekursiewe. Rekursiewe EWMA voor - en nadele van MA (dws STDEV) teen GARCH Grafiese opsomming van die parametriese metodes wat meer gewig toeken aan onlangse opbrengste (GARCH amp EWMA) Opsomming Wenke: GARCH (1, 1) word veralgemeen RiskMetrics en omgekeerd, RiskMetrics is beperk geval van GARCH (1,1) waar 'n 0 en (BC) 1. GARCH (1, 1) word gegee deur: die drie parameters is gewigte en daarom moet opsom een: Wenk: Wees versigtig oor die eerste kwartaal in die GARCH (1, 1) vergelyking: omega () gammastrale () (gemiddelde langtermyn variansie). As jy gevra word vir die stryd, kan jy nodig het om te verdeel uit die gewig ten einde die gemiddelde afwyking te bereken. Bepaal wanneer en of 'n GARCH of EWMA model moet gebruik word in wisselvalligheid skatting In die praktyk, variansie tariewe is geneig gemiddelde te wees terugkeer dus die GARCH (1, 1) model is teoreties beter (8220more aantreklik than8221) om die EWMA model. Onthou, that8217s die groot verskil: GARCH voeg die parameter wat gewigte die langtermyn gemiddelde en daarom is dit inkorporeer beteken terugkeer. Wenk: GARCH (1, 1) verkies nie, tensy die eerste parameter is negatief (wat geïmpliseer as Alpha Beta GT 1). In hierdie geval, GARCH (1,1) is onstabiel en EWMA verkies. Verduidelik hoe die GARCH skattings voorspellings dat meer akkuraat is, kan voorsien. Die bewegende gemiddelde bere afwyking gebaseer op 'n sleep venster waarnemings bv die vorige tien dae, die vorige 100 dae. Daar is twee probleme met bewegende gemiddelde (MA): Ghosting funksie: wisselvalligheid skokke (skielike stygings) is skielik opgeneem in die MA metrieke en dan, wanneer die sleep venster verby, hulle is skielik gedaal van die berekening. As gevolg van hierdie die MA metrieke verskuif met betrekking tot die gekose venster lengte Trend inligting nie in aanmerking geneem GARCH skattings te verbeter op hierdie swakhede op twee maniere: Meer onlangse waarnemings word groter gewigte toegeken. Dit oorwin Ghosting omdat 'n wisselvalligheid skok onmiddellik sal 'n impak die skatting maar sy invloed sal geleidelik vervaag met verloop van tyd 'n term word bygevoeg om terugkeer te neem aan die gemiddelde Verduidelik hoe volharding is wat verband hou met die terugkeer na die gemiddelde. Gegewe die GARCH (1, 1) vergelyking: Persistence word gegee deur: GARCH (1, 1) is onstabiel as die volharding GT 1. 'n voortbestaan ​​van 1,0 dui geen geringe terugkeer. 'N Lae volharding (bv 0.6) dui vinnige verval en 'n hoë terugkeer na die gemiddelde. Wenk: GARCH (1, 1) het drie gewigte aan drie faktore. Volharding is die som van die gewigte aan beide die uitgesak variansie en uitgestel kwadraat terugkeer. Die ander gewig aan die langtermyn-afwyking. As P volharding en G gewig te langtermyn variansie, dan PG 1. Daarom, as P (volharding) is hoog, dan G (gemiddelde terugkeer) opgedra is laag: die aanhoudende reeks is nie sterk beteken terugkeer dit vertoon 8220slow decay8221 teenoor die beteken. As P is laag, dan G moet hoog wees: die impersistent reeks het sterk beteken terugkeer dit vertoon 8220rapid decay8221 teenoor die gemiddelde. Die gemiddelde, onvoorwaardelike variansie in die GARCH (1, 1) model word gegee deur: Verduidelik hoe EWMA afslag stelselmatig ouer data, en identifiseer die RiskMetrics174 daaglikse en maandelikse verval faktore. Die eksponensieel geweegde bewegende gemiddelde (EWMA) word gegee deur: Bogenoemde formule is 'n rekursiewe vereenvoudiging van die 8220true8221 EWMA reeks wat gegee word deur: In die EWMA reeks, elke gewig wat aan die kwadraat opbrengste is 'n konstante verhouding van die voorafgaande gewig. Spesifiek, lambda (l) is die verhouding tussen naburige gewigte. Op hierdie manier, is ouer data te verdiskonteer. Die sistematiese afslag kan geleidelike (stadig) of skielike wees, afhangende van lambda. As lambda is hoog (bv 0.99), dan is die verdiskontering is baie geleidelike. As lambda is laag (bv 0.7), die verdiskontering is meer skielike. Die RiskMetrics TM verval faktore: 0.94 vir daaglikse data 0,97 vir maandelikse data (maand gedefinieer as 25 handelsdae) Verduidelik waarom vooruitskatting korrelasies belangriker as die voorspelling van wisselings kan wees. Wanneer meet portefeulje risiko, kan korrelasies belangriker as individuele instrument wisselvalligheid / afwyking wees. Daarom, ten opsigte van portefeulje risiko, 'n korrelasie voorspel kan belangriker as individuele wisselvalligheid voorspellings wees. Gebruik GARCH (1, 1) om wisselvalligheid Die verwagte toekomstige variansie koers, in (t) periodes vorentoe voorspel, gegee word deur: Byvoorbeeld, veronderstel dat 'n huidige wisselvalligheid skatting (tydperk N) word gegee deur die volgende GARCH (1, 1 ) vergelyking: In hierdie voorbeeld, Alpha is die gewig (0.1) aan die vorige kwadraat terugkeer (die vorige terugkeer was 4), beta is die gewig (0.7) aan die vorige variansie (0,0016). Wat is die verwagte toekomstige volatiliteit, in tien dae (N 10) In die eerste plek op te los vir die langtermyn-afwyking. Dit is nie 0,00008 hierdie kwartaal is die produk van die variansie en sy gewig. Sedert die gewig moet wees 0.2 (1-0,1 -0,7), op die lange duur variansie 0,0004. In die tweede plek moet ons die huidige variansie (tydperk N). Dit is byna aan ons gegee is bo: Nou kan ons die formule van toepassing op te los vir die verwagte toekomstige variansie koers: Dit is die verwagte afwyking koers, sodat die verwagte onbestendigheid is ongeveer 2,24. Let op hoe dit werk: die huidige wisselvalligheid is oor 3,69 en die langtermyn wisselvalligheid is 2. Die 10-dag af en verder projeksie 8220fades8221 die huidige koers nader aan die langtermyn koers. Parametriese Volatiliteit ForecastingJavascript is nodig om te navigeer om ons webwerf om slegs die leerplan visulalize, check die inhoudsopgawe. 1.5.2 bewegende gemiddeldes: UWMA, EWMA, GARCH Die materiaal in hierdie artikel is bedoel vir studente op 'n meer gevorderde vlak as jou profiel Oorweeg 'n reeks van lokopryse 1. S 2. verkry uit die mark op 'n gereelde tyd intervalle gemerk i1,2,3. Stel die genormaliseerde inkremente s i ln (S I / S i-1) wat, dit sal getoon word in die volgende hoofstuk, is tipies van 'n log-normaalverdeling van die prys inkremente waargeneem op die aandelemark. Na aanleiding van Markowitz definisie van wisselvalligheid as standaardafwyking van die verwagte opbrengs is dit nuttig eerste om die gemiddelde (drif) en die variansie (vierkante van wisselvalligheid) skat per eenheid tyd D t die gebruik van die m mees onlangse Waarnemings Hierdie formule bied die basis vir die sogenaamde eenvormig geweegde bewegende avergage (UWMA) en het in die MKTSolution applet geïmplementeer. met behulp van 'n 6 maande venster vir die wisselvalligheid en 'n 5 jaar venster vir die drif-daar 252 handelsdae gedurende 'n jaar. Die drif en die wisselvalligheid is uiteindelik uitgespreek op 'n jaarlikse grondslag withEWMA 101 Die EWMA benadering het 'n aantreklike kenmerk: dit relatief min data wat gestoor word vereis. Om ons skatting op enige punt op te dateer, ons moet net 'n vorige skatting van die variansie koers en die mees onlangse waarneming waarde. 'N Sekondêre doel van EWMA is om veranderinge in die wisselvalligheid op te spoor. Vir klein waardes, Onlangse waarnemings beïnvloed die skatting stiptelik. Vir waardes nader aan een, die skatting veranderinge stadig gebaseer op onlangse veranderings in die opbrengste van die onderliggende veranderlike. Die RiskMetrics databasis (wat deur JP Morgan en openbaar gemaak beskikbaar) gebruik die EWMA met vir die opdatering daagliks wisselvalligheid. BELANGRIK: Die EWMA formule nie aanvaar 'n lang loop gemiddelde variansie vlak. So, die konsep van wisselvalligheid beteken terugkeer is nie vasgevang word deur die EWMA. Die ARCH / GARCH modelle is beter geskik vir hierdie doel. Lambda 'n Sekondêre doel van EWMA is om veranderinge in die wisselvalligheid op te spoor, sodat vir klein waardes, onlangse waarneming beïnvloed die skatting stiptelik, en vir waardes nader aan een, die skatting veranderinge stadig onlangse veranderinge in die opbrengste van die onderliggende veranderlike. Die RiskMetrics databasis (wat deur JP Morgan) en openbare beskikbaar gestel in 1994, gebruik die EWMA model met vir die opdatering daagliks wisselvalligheid skatting. Die maatskappy het bevind dat oor 'n reeks van die mark veranderlikes, hierdie waarde van gee voorspelling van die variansie wat die naaste aan besef variansie koers kom. Die besef variansie tariewe op 'n bepaalde dag is bereken as 'n ewe-gemiddelde van die daaropvolgende 25 dae. Net so, om die optimale waarde van lambda bereken vir ons datastel, moet ons die besef wisselvalligheid by elke punt te bereken. Daar is verskeie metodes, so kies een. Volgende, bereken die som van 'n vierkant foute (SSE) tussen EWMA skatting en besef wisselvalligheid. Ten slotte, verminder die SSE deur wisselende die lambda waarde. Klink maklik dit is. Die grootste uitdaging is om in te stem op 'n algoritme om besef wisselvalligheid bereken. Byvoorbeeld, die mense by RiskMetrics verkies die daaropvolgende 25-dag te besef variansie koers bereken. In jou geval, kan jy 'n algoritme wat daaglikse volume gebruik, MI / LO en / of openbare-close pryse te kies. Vrae Q 1: Kan ons gebruik EWMA om te skat (of voorspel) wisselvalligheid meer as 'n stap vorentoe Die EWMA wisselvalligheid verteenwoordiging nie aanvaar 'n langtermyn gemiddelde wisselvalligheid, en dus, vir enige vooruitsig horison meer as een-stap, die EWMA gee 'n konstante waarde: Vooruitskatting Sertifisering opleiding oor Vooruitskatting Sertifisering Opleiding Vroeë kennis is die rykdom, selfs al is daardie kennis is bietjie onvolmaak. Wouldnt jy die geheim van die voorspelling van die aandelemark te ontsluit en baie van ons wil om te verstaan ​​hoe maatskappye bestuur van hul voorraad en ander hulpbronne deur vooruitskatting hul verkope. Hier is die oplossing in die vorm vooruitskatting tegniek ook genoem as tydreeksanalise. Vooruitskattingstegnieke sal toegepas word vir tydreeksdata. Vooruitskatting Analytics word beskou as een van die belangrikste takke in groot data analise. Bestuurders moet dikwels besluite in onseker omgewing te neem en dikwels bevind hulself in 'n slegte situasie as gevolg van 'n gebrek aan vaardighede op die toepassing van die reg analitiese tegnieke op die data. Vooruitskattingstegnieke help maatskappye miljoene dollars bespaar deur die aanpassing van hul produksie skedules en ander planne. Vooruitskattingstegnieke op een - en meerveranderlike tydreekse analysishave groot aansoeke regoor die nywerhede en gebiede soos operasionele bestuur, Finansies 038 Risikobestuur, verkoop, Telecom en vervaardiging. Bewegende gemiddeldes en glad metodes, Box - Jenkins (ARIMA) metode, Regressie met tydreeksdata, Holts-Winter, Arch-GARCH en neurale netwerk is die metodes wyd gebruik vir vooruitskatting. Arch-GARCH en neurale netwerke is die gevorderde tegnieke in die voorspelling analytics wat gebruik sal word om die hoë frekwensie datamodel soos aandelemark en 'n groot data. Elektrisiteitsverbruik patroon oor 'n tydperk van jare in 'n streek Verkope van 'n produk oor 'n paar jaar beurs data dinge wat jy sal Learn8230 Inleiding tot vooruitskatting Voorspelling amp sy behoefte Tipes vooruitskatting stappe vooruitskatting Tipes van erwe Spreidiagram, Tyd plot, Lag plot , ACF plot Outokorrelasie amp standaardfout algemene slaggate van erwe amp Aspekratio Tyd reeks komponente Trend, Sikliese, Seisoene, onreëlmatige Ljung boks toets vir die identifisering van ewekansigheid Vooruitskatting fout amp die maatreëls wat daarmee gepaard gaan Gemiddelde fout Gemiddelde Absolute Afwyking Gemiddelde Squared fout wortel van gemiddelde Squared fout beteken persentasiefout beteken Absolute persentasiefout vooruitskatting metodes gebaseer op glad bewegende gemiddelde eksponensiële smoothing Ontbinding van tydreekse in 4 komponente byvoeging model Multiplikatiewe model Gemengde model krommepassing minste vierkant metode Eenvoudige eksponensiële gladstryking (SES) vooruitskatting strategie Afsonderlike, voorspelling, Kombineer bewegende gemiddeldes Naïef model Naïef Trend model Eenvoudige gemiddelde model Moving gemiddelde oor k tydperke eksponensiële glad Eenvoudige eksponensiële gladstryking Holts weergawe Winters verandering Modeling verskillende komponente Modellering ewekansige komponent Models vir tydreekse outoregressiewe model (AR) Moving gemiddelde model (MA) outoregressiewe bewegende gemiddelde (ARMA) model outoregressiewe geïntegreerde bewegende gemiddelde (ARIMA) modelbou seisoenaliteit in ARIMA modelle eenvoudige lineêre, meerdere, Geweegde regressie Nie-lineariteit opsporing Spreidiagram Gedeeltelike oorblywende plot Gedeeltelike regressie plot Nie-normaliteit opsporing Normale plot Jarque-Bera normaliteit toets Transformasies Box-Cox Box - Tidwell groeikurwe Trend, lineêre, kwadratiese, eksponensiële, Sigmoïde ARCH amp GARCH modelle vooruitskatting stappe behels: datamanipulasie en skoonmaak Probleemformulering en data-insameling Model gebou en implementering evalueringsmodel te voorspel Voorspelling evaluering gereedskap genereer Jy sal Learn8230 MS-Excel R Revolusie Analytics is onlangs verkry deur Microsoft, maar nog steeds 'n open source sagteware Vooruitskatting Kursus Inleiding VideoGeneralized autoRegressieve voorwaardelike heteroskedasticity (GARCH) proses Wat is die generalized autoRegressieve voorwaardelike heteroskedasticity (GARCH-proses) die algemene outoregressiewe voorwaardelike heteroskedasticity (GARCH) proses is 'n ekonometriese termyn ontwikkel word in 1982 deur Robert F. Engle, 'n ekonoom en 2003-wenner van die Nobelprys vir Memorial-prys vir Ekonomie, om 'n benadering te beskryf om wisselvalligheid skat in die finansiële markte. Daar is verskeie vorme van GARCH modellering. Die GARCH proses word dikwels verkies deur finansiële modellering professionele, want dit gee 'n meer werklike wêreld konteks as ander vorme wanneer ek probeer om die pryse en tariewe van finansiële instrumente te voorspel. Afbreek van Generalized AutoRegressieve Voorwaardelike Heteroskedasticity (GARCH) Proses Die algemene proses vir 'n GARCH model behels drie stappe. Die eerste is 'n beste-pas outoregressiewe model skat. Die tweede is om outokorrelasies van die foutterm bereken. Die derde is om te toets vir betekenis. GARCH modelle word gebruik deur finansiële spesialiste in verskeie gebiede, waaronder handel, belegging, verskansing en hantering. Twee ander algemeen gebruikte benaderings tot die beraming en voorspel finansiële wisselvalligheid is die klassieke historiese wisselvalligheid (VolSD) metode en die eksponensieel geweeg bewegende gemiddelde wisselvalligheid (VolEWMA) metode. Voorbeeld van GARCH Proses GARCH modelle help om die finansiële markte waarin wisselvalligheid kan verander beskryf, hoe meer wisselvallig gedurende periodes van finansiële krisisse of gebeure in die wêreld en minder wisselvallig gedurende periodes van relatiewe kalmte en bestendige ekonomiese groei. Op 'n plot van opbrengste, byvoorbeeld voorraad opbrengste kan relatief eenvormige vir die jaar in die aanloop tot 'n finansiële krisis soos die een in 2007. In die tydperk ná die aanvang van 'n krisis lyk egter opbrengste kan wild swaai van negatiewe om positiewe terrein. Daarbenewens kan die verhoogde wisselvalligheid voorspellende van wisselvalligheid vorentoe wees. Wisselvalligheid kan dan terug te keer na vlakke wat lyk soos dié van pre-krisis vlakke of meer eenvormige vorentoe. 'N Eenvoudige regressiemodel nie rekening vir hierdie variasie in wisselvalligheid uitgestal in die finansiële markte en is nie verteenwoordigend van die Black Swan gebeure wat meer as 'n mens sou voorspel voorkom. GARCH Models Beste vir Asset Returns GARCH prosesse verskil van homoskedastic modelle, wat konstant wisselvalligheid aanvaar en gebruik word in basiese metode van kleinste kwadrate (OLS) ontleding. OLS het ten doel om die afwykings tussen datapunte en 'n regressielyn aan dié punte pas te verminder. Met bate opgawes, wisselvalligheid lyk wissel gedurende sekere tydperke en is afhanklik van die verlede variansie, 'n homoskedastic model nie optimaal is. GARCH prosesse, wat outoregressiewe, hang af van die verlede kwadraat waarnemings en verlede afwykings model vir huidige afwyking. GARCH prosesse is wyd gebruik word in finansies as gevolg van hul doeltreffendheid in modellering bate opgawes en inflasie. GARCH het ten doel om foute in vooruitskatting te verminder deur rekeningkunde vir foute in vorige vooruitskatting, die verbetering van die akkuraatheid van deurlopende voorspellings.