Jag har problem med att förstå en bit av ett papper. Uppskattar väldigt mycket tips eller hjälp. Det står: En sensor registrerar Z (i) med 1 sekunds intervall och beräknar bakgrundsvärden U (i) med formel: där R är en konstantfaktor och U (0) beräknas från för-mätdata. Nu har någon aning om denna formel är känd Är det ett tvåstegs Gaussian blandningsbrus Så säger det exakt så här: Variansen U (i) av dessa värden beräknas från de beräknade värdena U (i): där k är sigma faktor och T är den givna mättiden. Jag har ingen aning om hur variationen blev något sånt. Jag förstår termen T och kvadratfunktionen men den övergripande formeln, ingen aning. Att exponera den exponentiellt viktade rörliga genomsnittsvolatiliteten är den vanligaste riskmåtten, men den kommer i flera smaker. I en tidigare artikel visade vi hur man beräkna enkel historisk volatilitet. (För att läsa den här artikeln, se Använd volatilitet för att mäta framtida risk.) Vi använde Googles faktiska aktiekursdata för att beräkna den dagliga volatiliteten baserat på 30 dygns lagerdata. I den här artikeln kommer vi att förbättra den enkla volatiliteten och diskutera exponentialvägt rörligt medelvärde (EWMA). Historisk Vs. Implicit Volatilitet Först, låt oss sätta denna mätning i en bit av perspektiv. Det finns två breda tillvägagångssätt: historisk och underförstådd (eller implicit) volatilitet. Det historiska tillvägagångssättet förutsätter att förflutet är en prolog som vi mäter historia i hopp om att det är förutsägbart. Implicit volatilitet å andra sidan ignorerar historien som den löser för volatiliteten implicerad av marknadspriser. Det hoppas att marknaden vet bäst och att marknadspriset innehåller, även om det implicit är, en konsensusuppskattning av volatiliteten. (För relaterad läsning, se Användning och gränser för volatilitet.) Om vi fokuserar på bara de tre historiska tillvägagångssätten (till vänster ovan), har de två steg gemensamt: Beräkna serien av periodisk avkastning Använd ett viktningsschema Först vi beräkna den periodiska avkastningen. Det är typiskt en serie av dagliga avkastningar där varje avkastning uttrycks i fortlöpande sammansatta termer. För varje dag tar vi den naturliga loggen av förhållandet mellan aktiekurserna (det vill säga priset idag fördelat på pris igår, och så vidare). Detta ger en serie dagliga avkastningar, från dig till jag i-m. beroende på hur många dagar (m dagar) vi mäter. Det får oss till det andra steget: Det är här de tre metoderna skiljer sig åt. I den föregående artikeln (Använd volatilitet för att mäta framtida risker) visade vi att enligt enkla acceptabla förenklingar är den enkla variansen genomsnittet av de kvadrerade avkastningarna: Observera att summan av varje periodisk avkastning delar upp den totala av antal dagar eller observationer (m). Så det är verkligen bara ett genomsnitt av den kvadrerade periodiska avkastningen. Sätt på ett annat sätt, varje kvadrerad retur ges lika vikt. Så om alfa (a) är en viktningsfaktor (specifikt en 1m) ser en enkel varians något ut så här: EWMA förbättras på enkel varians Svagheten i denna metod är att alla avkastningar tjänar samma vikt. Yesterdays (väldigt ny) avkastning har inte mer inflytande på variansen än förra månaden tillbaka. Detta problem fastställs med hjälp av det exponentiellt viktade glidande medlet (EWMA), där senare avkastning har större vikt på variansen. Det exponentiellt viktade glidande medlet (EWMA) introducerar lambda. som kallas utjämningsparametern. Lambda måste vara mindre än en. Under det förhållandet, i stället för lika vikter, vägs varje kvadrerad avkastning med en multiplikator enligt följande: RiskMetrics TM, ett finansiellt riskhanteringsföretag, tenderar till exempel att använda en lambda på 0,94 eller 94. I det här fallet är den första ( senaste) kvadratiska periodiska avkastningen vägs av (1-0,94) (.94) 0 6. Nästa kvadrerade retur är helt enkelt en lambda-multipel av den tidigare vikten i detta fall 6 multiplicerat med 94 5,64. Och den tredje föregående dagens vikt är lika med (1-0,94) (0,94) 2 5,30. Det är betydelsen av exponentiell i EWMA: varje vikt är en konstant multiplikator (dvs lambda, som måste vara mindre än en) av den tidigare dagens vikt. Detta säkerställer en varians som är viktad eller förspänd mot senare data. (Mer information finns i Excel-kalkylbladet för Googles volatilitet.) Skillnaden mellan helt enkelt volatilitet och EWMA för Google visas nedan. Enkel volatilitet väger effektivt varje periodisk avkastning med 0,196 som visas i kolumn O (vi hade två års daglig aktiekursdata, det vill säga 509 dagliga avkastningar och 1509 0,196). Men märker att kolumn P tilldelar en vikt av 6, sedan 5,64, sedan 5,3 och så vidare. Det är den enda skillnaden mellan enkel varians och EWMA. Kom ihåg: När vi summerar hela serien (i kolumn Q) har vi variansen, vilket är kvadraten av standardavvikelsen. Om vi vill ha volatilitet, måste vi komma ihåg att ta kvadratroten av den variansen. Vad är skillnaden i den dagliga volatiliteten mellan variansen och EWMA i Googles fall? Det är viktigt: Den enkla variansen gav oss en daglig volatilitet på 2,4 men EWMA gav en daglig volatilitet på endast 1,4 (se kalkylbladet för detaljer). Uppenbarligen avtog Googles volatilitet mer nyligen, därför kan en enkel varians vara konstant hög. Dagens Varians är en funktion av Pior Days Variance Du märker att vi behövde beräkna en lång serie exponentiellt sjunkande vikter. Vi brukar inte göra matematiken här, men en av EWMA: s bästa egenskaper är att hela serien reduceras bekvämt till en rekursiv formel: Rekursiv betyder att dagens variansreferenser (det vill säga är en funktion av den tidigare dagens varians). Du kan också hitta denna formel i kalkylbladet, och det ger exakt samma resultat som longhandberäkningen. Det står: Dagens varians (under EWMA) motsvarar ysterdays variance (viktad av lambda) plus ysterdays kvadrerade retur (vägd av en minus lambda). Lägg märke till hur vi bara lägger till två termer tillsammans: Vardagens viktade varians och gårdagens viktiga, kvadrerade retur. Ändå är lambda vår utjämningsparameter. En högre lambda (t ex som RiskMetrics 94) indikerar långsammare sönderfall i serien - relativt sett kommer vi att ha fler datapunkter i serien och de kommer att falla av långsammare. Å andra sidan, om vi reducerar lambda, indikerar vi högre sönderfall: vikterna faller av snabbare och som ett direkt resultat av det snabba förfallet används färre datapunkter. (I kalkylbladet är lambda en ingång, så du kan experimentera med sin känslighet). Sammanfattning Volatilitet är den aktuella standardavvikelsen för ett lager och den vanligaste riskvärdet. Det är också kvadratrot av varians. Vi kan måle variationen historiskt eller implicit (underförstådd volatilitet). När man mäter historiskt är den enklaste metoden enkel varians. Men svagheten med enkel varians är alla avkastningar får samma vikt. Så vi står inför en klassisk avvägning: vi vill alltid ha mer data, men ju mer data vi har desto mer beräknas vår beräkning utspädd av avlägsna (mindre relevanta) data. Det exponentiellt viktade glidande genomsnittet (EWMA) förbättras på enkel varians genom att tilldela vikter till periodisk avkastning. Genom att göra detta kan vi båda använda en stor urvalsstorlek men ge också större vikt till nyare avkastningar. (För att se en filmhandledning om detta ämne, besök Bionic Turtle.) Beta är ett mått på volatiliteten eller systematisk risk för en säkerhet eller en portfölj i jämförelse med marknaden som helhet. En typ av skatt som tas ut på kapitalvinster som uppkommit av individer och företag. Realisationsvinster är vinsten som en investerare. En order att köpa en säkerhet till eller under ett angivet pris. En köpgränsorder tillåter näringsidkare och investerare att specificera. En IRS-regel (Internal Revenue Service) som tillåter utbetalningar från ett IRA-konto på ett strafffritt sätt. Regeln kräver det. Den första försäljningen av lager av ett privat företag till allmänheten. IPOs utfärdas ofta av mindre, yngre företag som söker. Skuldkvotskvoten är skuldkvoten som används för att mäta ett företags ekonomiska hävstångseffekt eller en skuldkvot som används för att mäta en individ. EWMA-tillvägagångssättet har en attraktiv funktion: det kräver relativt lite lagrad data. För att uppdatera vår uppskattning när som helst behöver vi bara en tidigare uppskattning av variansräntan och det senaste observationsvärdet. Ett sekundärt mål för EWMA är att spåra förändringar i volatiliteten. För små värden påverkar de senaste observationerna uppskattningen omedelbart. För värden närmare en beräknas beräkningen långsamt baserat på senaste förändringar i avkastningen för den underliggande variabeln. RiskMetrics-databasen (producerad av JP Morgan och publicerad tillgänglig) använder EWMA för uppdatering av den dagliga volatiliteten. VIKTIGT: EWMA-formuleringen antar inte en långvarig medelvarianivå. Konceptet om volatilitet betyder att omvändning inte fångas av EWMA. ARCHGARCH-modellerna är bättre lämpade för detta ändamål. Ett sekundärt mål för EWMA är att spåra förändringar i volatiliteten, så för små värden påverkar den senaste observationen uppskattningen snabbt och för värden närmare en ändras uppskattningen långsamt till de senaste förändringarna i avkastningen för den underliggande variabeln. RiskMetrics-databasen (tillverkad av JP Morgan) och offentliggjord tillgänglig 1994, använder EWMA-modellen för uppdatering av den dagliga volatilitetsberäkningen. Företaget fann att över en rad marknadsvariabler, ger detta värde en prognos om variansen som kommer närmast realiserad variansränta. De realiserade variansräntorna på en viss dag beräknades som ett lika viktat genomsnitt på de följande 25 dagarna. På samma sätt, för att beräkna det optimala värdet av lambda för vår dataset, måste vi beräkna den realiserade volatiliteten vid varje punkt. Det finns flera metoder, så välj en. Därefter beräkna summan av kvadrerade fel (SSE) mellan EWMA uppskattning och realiserad volatilitet. Slutligen minimera SSE genom att variera lambda-värdet. Låter enkelt Det är. Den största utmaningen är att komma överens om en algoritm för att beräkna realiserad volatilitet. Till exempel valde personerna på RiskMetrics de följande 25 dagarna för att beräkna realiserad variansgrad. I ditt fall kan du välja en algoritm som utnyttjar dagliga volymen, HILO andor OPEN-CLOSE-priser. Q 1: Kan vi använda EWMA för att estimera (eller prognostisera) volatiliteten mer än ett steg före EWMA-volatilitetsrepresentationen antar inte en långsiktig genomsnittlig volatilitet och sålunda, för varje prognoshorisont utöver ett steg, returnerar EWMA en konstant värde: härleda variansen av exponentiellt viktad Denna förhandsvisning visar sidorna 38ndash42. Registrera dig för att se hela innehållet. Avleda variansen av det exponentiellt viktade glidande medlet zi. 0 22 0 2 var () var (1)) var () 2 j t j j j tj j Zx x n 6154861548 6154861555 61548 61605 61485 61501 61605 61485 61501 6167361689 6150161485 61669 6167461690 6167561691 61669 6167061686 61501 6167161687 61485 6167261688 9.39. Ekvivalens för glidande medelvärde och exponentiellt viktad glidande medelkontroll. Visa att om 61548 2 (w 1) för EWMA-kontrollschemat motsvarar detta diagram ett w-periodiskt glidande medelstegreglage i den meningen att kontrollgränserna är identiska i steady state. För EWMA-diagrammet är steady state-kontrollgränserna 3 (2) xn 61555 61617 61485. Genom att ersätta 61548 2 (w 1), 2 13 1 33 2 2 1 wxxx wn wn nw 6155561555 61483 61617 61501 61617 61501 61617 61485 61483. vilka är samma som gränserna för MA-diagrammet. 9,40. Fortsättning av övning 9.39. Visa att om 61548 2 (w 1), så är den genomsnittliga ldquoagesrdquo av de data som används för att beräkna statistiken z i och M i identiska. Den genomsnittliga åldern för data i ett w-period glidande medelvärde är 1 0 11 2 w j w j w 61485 61501 61485 61501 61669. I EWMA är den vikt som ges till ett urval j perioder sedan 61548 (1 - 61548) j. så genomsnittlig ålder är 0 1) j j j 61605 61501 61485 6148561501 61669. Genom att jämföra medelålder: 2 2 1 w w 6148561485 61501 61501 61483 Denna förhandsvisning har avsiktligt suddiga sektioner. Registrera dig för att se hela versionen. KUMULATIVA SUM OCH EXPONENTIELLT VIKTIGT RÖRELSE AV GENERELT KONTROLLSKAROR 9-39 9.41. Visa hur man ändrar kontrollgränserna för det glidande genomsnittliga kontrollschemat om rationella undergrupper av storlek n gt 1 observeras varje period, och målet med kontrollschemat är att övervaka processmedelvärdet. För n gt 1, 00 33 Kontrollgränser w n wn 6155561555 6154961549 6167061686 61501 61617 61501 61617 6167161687 6167261688 9.42. Ett Shewhart x-diagram har mittlinjen vid 10 med UCL 16 och LCL 4. Antag att du vill komplettera det här diagrammet med ett EWMA-kontrollschema med 61548 0,1 och samma kontrollgränsbredd i 61555-enheter som används på x-diagrammet. Vad är värdena för de statiska övre och nedre kontrollgränserna på EWMA-diagrammet x-diagram: CL 10, UCL 16, LCL 4 UCL CL 16 10 6 xxxkkk 61555 6150161483 6150161485 61501 EWMA-diagram: UCL CL (2) CL 0,1 2 0,1) 10 6 (0,2294) 11,3765 LCL 10 6 (0,2294) 8,6236 ln 61548 61501 61483 61485 61501 61483 61485 61501 61483 61501 61501 61485 61501 9.43. Ett EWMA kontrollschema använder 61548 0.4. Hur bred kommer gränserna att vara på Shewhart-kontrollkartan, uttryckt som en multipel av bredden av de stadiga EWMA-gränserna För EWMA är steady state gränserna (2) L 61555 61548 6161761485 För Shewhart är steady state gränser k 61617) 0,4 (2 0,4) 0,5 kL 61501 9-40 KAPITEL 9 KUMULATIVA SUM OCH EXPONENTIELLT VIKTIGT RÖRELSE AVGÅENDE KONTROLLSKARTER 9.44. Tänk på ventilfeldata i exempel 7.6. Ställ in ett CUSUM-diagram för att övervaka tiden mellan händelser med hjälp av det transformerade variabla sättet som illustreras i det exemplet. Använd standardiserade värden på h 5 och k frac12. De två alternativen för att plotta ett CUSUM-diagram med transformerade data är: 1. Omvandla data, mål (om det anges) och standardavvikelse (om det anges), använd sedan dessa resultat i dialogrutan CUSUM-diagram, eller 2. Omforma målet (om given) och standardavvikelse (om det anges), använd sedan fliken Box-Cox under CUSUM Options för att omvandla data. Lösningen nedan använder alternativ 2. Denna förhandsvisning har avsiktligt suddiga avsnitt. Registrera dig för att se hela versionen. KUMULATIVA SUM OCH EXPONENTIELLT VIKTIGT RÖRANDE AVGEN KONTROLLSKARTER 9-41 9.44. fortsatte Från exempel 7.6 transformerar tid-mellan-misslyckanden (Y) - data till approximativt normal fördelning med X Y 0,2777. TY 700, TX 700 0.2777 6.167, k 0.5, h 5 MTB gt Stat gt Kontrolldiagram gt Tidviktad diagram gt CUSUM En ensidig lägre CUSUM behövs för att detektera en ökning av felhastigheten eller motsvarande en minskning av tids - mellan-misslyckanden. Utvärdera den lägre CUSUM på minitabschemat för att bedöma stabiliteten. Detta är slutet på förhandsvisningen. Registrera dig för att få tillgång till resten av dokumentet. Denna läxhjälp laddades upp på 10302016 för kursen IE 672 undervisad av professor Abdou under hösten 03914 i NJIT. Klicka för att redigera dokumentuppgifterna
No comments:
Post a Comment