Tuesday, 12 September 2017

Exponentiellt Vägda Glidande Medelvärde Finance


Exponentiell rörlig genomsnittsnivå - EMA BREAKING DOWN Exponential Moving Average - EMA De 12 och 26-dagars EMA: erna är de mest populära kortsiktiga medelvärdena, och de används för att skapa indikatorer som den rörliga genomsnittliga konvergensdivergensen (MACD) och den procentuella prisoscillatorn (PPO). I allmänhet används 50- och 200-dagars EMA som signaler för långsiktiga trender. Näringsidkare som anställer teknisk analys tycker att glidande medelvärden är mycket användbara och insiktsfulla när de tillämpas korrekt men skapar kaos när de används felaktigt eller misstolkas. Alla glidande medelvärden som vanligen används i teknisk analys är av sin natur släpande indikatorer. Följaktligen bör slutsatserna från att tillämpa ett glidande medelvärde till ett visst marknadsdiagram vara att bekräfta en marknadsrörelse eller att indikera dess styrka. Mycket ofta har den glidande genomsnittliga indikatorlinjen ändå förändrats för att återspegla ett betydande drag på marknaden, och den optimala marknaden för marknadsinträde har redan gått. En EMA tjänar till att lindra detta dilemma till viss del. Eftersom EMA-beräkningen lägger större vikt på de senaste uppgifterna, kramar prisåtgärden lite snävare och reagerar därför snabbare. Detta är önskvärt när en EMA används för att härleda en handelsinmatningssignal. Tolkning av EMA Liksom alla glidande medelindikatorer är de mycket bättre lämpade för trending marknader. När marknaden är i en stark och hållbar uppgång. EMA-indikatorlinjen visar också en uptrend och vice versa för en nedåtriktad trend. En vaksam näringsidkare kommer inte bara att uppmärksamma EMA-linjens riktning utan också förhållandet mellan förändringshastigheten från en stapel till en annan. När prisåtgärden för en stark uppåtgående börjar börja flata och vända, kommer EMA: s förändringshastighet från en stapel till nästa att minska till dess att indikatorlinjen plattas och förändringshastigheten är noll. På grund av den försvagande effekten, vid denna punkt, eller till och med några få barer innan, bör prisåtgärden redan ha reverserat. Det följer därför att observera en konsekvent minskande i förändringshastigheten hos EMA kan själv användas som en indikator som ytterligare kan motverka det dilemma som orsakas av den släpande effekten av rörliga medelvärden. Vanliga användningar av EMA-EMA används ofta i kombination med andra indikatorer för att bekräfta betydande marknadsrörelser och att mäta deras giltighet. För näringsidkare som handlar intradag och snabba marknader är EMA mer tillämplig. Ofta använder handlare EMA för att bestämma en handelsförskjutning. Om en EMA på ett dagligt diagram visar en stark uppåtgående trend kan en intradaghandlarestrategi vara att endast handla från långsidan på en intradagskarta. Att exponera den exponentiellt viktade rörliga genomsnittsvolatiliteten är det vanligaste måttet på risk, men det 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. DebtEquity Ratio är skuldkvoten som används för att mäta en företags039s ekonomiska hävstångseffekt eller en skuldkvot som används för att mäta en individ. Beräkning av EWMA-korrelation med Excel Vi har nyligen lärt oss hur vi estimerar volatiliteten med hjälp av EWMA Exponential Weighted Moving Average. Som vi vet, undviker EWMA fallgroparna av lika viktiga medelvärden eftersom det ger större vikt vid de senaste observationerna jämfört med de äldre observationerna. Så, om vi har extrema avkastningar i våra data, när tiden går, blir dessa data äldre och blir mindre vikt i vår beräkning. I den här artikeln kommer vi att titta på hur vi kan beräkna korrelation med hjälp av EWMA i Excel. Vi vet att korrelationen beräknas med följande formel: Det första steget är att beräkna kovariansen mellan de två returserierna. Vi använder utjämningsfaktorn Lambda 0.94, som används i RiskMetrics. Tänk på följande ekvation: Vi använder den kvadrerade avkastningen r 2 som serien x i denna ekvation för variansprognoser och korsprodukter av två avkastningar som serien x i ekvationen för kovariansprognoser. Observera att samma lambda används för alla variationer och kovarians. Det andra steget är att beräkna avvikelser och standardavvikelser för varje returserie, som beskrivs i denna artikel Beräkna historisk volatilitet med hjälp av EWMA. Det tredje steget är att beräkna korrelationen genom att plugga in värdena för Covariance och Standardavvikelser i ovanstående formel för korrelation. Följande Excel-ark ger ett exempel på korrelations - och volatilitetsberäkningen i Excel. Det tar loggen avkastningen av två lager och beräknar korrelationen mellan dem. Beräkna historisk volatilitet Med hjälp av EWMA-volatilitet är det mest använda riskmåttet. Volatiliteten i den meningen kan antingen vara historisk volatilitet (en observerad från tidigare data) eller det kan innebära volatilitet (observeras från marknadspriserna på finansiella instrument.) Den historiska volatiliteten kan beräknas på tre sätt, nämligen: Enkel volatilitet, Exponentiellt vägt rörelse Medelvärde (EWMA) GARCH En av de största fördelarna med EWMA är att den ger större vikt vid den senaste avkastningen när man räknar avkastningen. I den här artikeln kommer vi att titta på hur volatiliteten beräknas med hjälp av EWMA. Så får vi komma igång: Steg 1: Beräkna loggaregistrering i prisserien Om vi ​​tittar på aktiekurserna kan vi beräkna den dagliga lognormala avkastningen med formeln ln (P i P i -1), där P representerar var och en dagar stänger börskurs. Vi behöver använda den naturliga loggen eftersom vi vill att avkastningen ska fortlöpas samman. Vi kommer nu få dagliga avkastningar för hela prisserien. Steg 2: Kvadrera avkastningen Nästa steg är att ta torget med långa avkastningar. Detta är faktiskt beräkningen av enkel varians eller volatilitet representerad av följande formel: Här representerar du avkastningen, och m representerar antalet dagar. Steg 3: Tilldela vikter Tilldela vikter så att den senaste tiden har högre vikt och äldre avkastningar har mindre vikt. För detta behöver vi en faktor som heter Lambda (), vilket är en utjämningskonstant eller den vidhållande parametern. Vikten anges som (1) 0. Lambda måste vara mindre än 1. Riskmåttet använder lambda 94. Den första vikten kommer att vara (1-0.94) 6, den andra vikten blir 60,94 5,64 och så vidare. I EWMA summerar alla vikter till 1, men de sjunker med ett konstant förhållande på. Steg 4: Multiplicera Returer-Kvadrerade Med Vikten Steg 5: Ta summeringen av R 2 w Det här är den slutliga EWMA-variansen. Volatiliteten blir kvadratroten av variansen. Följande skärmdump visar beräkningarna. Ovanstående exempel som vi såg är den metod som beskrivs av RiskMetrics. Den generaliserade formen av EWMA kan representeras som följande rekursiva formel:

No comments:

Post a Comment