Exponentiell Gewichtetes Moving Average (Ewma) Modell

GARCH und EWMA 21. Mai 2010 von David Harper, CFA, FRM, CIPM AIM: Vergleichen, Kontrast und berechnen parametrischer und nicht-parametrischer Ansätze für die bedingte Volatilität Schätzung 8230 einschließlich: GARCH Ansatz unter Einbeziehung: exponentielle Glättung (EWMA) Exponential Glättung (bedingte parametrisch) Moderne Methoden legen mehr Gewicht auf aktuelle Informationen. Sowohl EWMA als auch GARCH legen mehr Wert auf aktuelle Informationen. Da EWMA ein Spezialfall von GARCH ist, verwenden sowohl EWMA als auch GARCH exponentielle Glättung. GARCH (p, q) und insbesondere GARCH (1, 1) GARCH (p, q) ist ein allgemeines autoregressives bedingtes heteroskedastisches Modell. Zu den wichtigsten Aspekten gehören: Autoregressive (AR). Tomorrow8217s Varianz (oder Volatilität) ist eine regressive Funktion von heute8217s variance8212it regresses auf sich Bedingte (C). Tomorrow8217s Varianz hängt8212is bedingt an8212die neueste Varianz. Eine bedingungslose Varianz hängt nicht von der heutigen Heteroskedastik (H) ab. Abweichungen sind nicht konstant, sie Fluß im Laufe der Zeit GARCH regresses auf 8220lagged8221 oder historische Begriffe. Die verzögerten Terme sind entweder Varianz - oder quadratische Renditen. Das generische GARCH (p, q) - Modell regressiert auf (p) quadratischen Renditen und (q) Varianzen. Daher rückt GARCH (1, 1) 8220lags8221 oder regressiert auf der quadrierten Rückkehr der letzten Periode8217s (d. h. nur 1 zurück) und der letzten Periode8217s-Varianz (d. h. nur 1 Varianz). GARCH (1, 1), die durch die folgende Gleichung gegeben ist. Die gleiche GARCH (1, 1) - Formel kann mit griechischen Parametern angegeben werden: Hull schreibt die gleiche GARCH-Gleichung wie folgt: Der erste Term (gVL) ist wichtig, da VL die Langzeit-Varianz ist. Daher ist (gVL) ein Produkt: es ist die gewichtete langfristige durchschnittliche Varianz. Das GARCH-Modell (1, 1) löst für die bedingte Varianz als Funktion von drei Variablen (vorherige Varianz, frühere Rückkehr2 und Langzeitvarianz): Persistenz ist ein in das GARCH-Modell eingebettetes Merkmal. Tipp: In den obigen Formeln ist die Persistenz (b ​​c) oder (alpha-1 beta). Persistenz bezieht sich darauf, wie schnell (oder langsam) die Varianz zurückkehrt oder 8220decays8221 in Richtung zu seinem langfristigen Durchschnitt. Eine hohe Persistenz entspricht einem langsamen Verfall und einem langsamen Rückgang auf die mittlere8221 niedrige Persistenz entspricht einem schnellen Zerfall und einer schnellen 8220-Rückkehr zum Mittel.8221 Eine Persistenz von 1,0 impliziert keine mittlere Reversion. Eine Beharrlichkeit von weniger als 1,0 bedeutet 8220reversion des Mittelwerts, 8221, wo eine geringere Persistenz eine grßere Reversion des Mittels zur Folge hat. Tip: Wie oben ist die Summe der Gewichte, die der verzögerten Varianz und der verzögerten quadrierten Rendite zugeordnet sind, Persistenz (bc Persistenz). Eine hohe Persistenz (größer als Null, aber kleiner als eins) impliziert eine langsame Reversion auf den Mittelwert. Wenn jedoch die Gewichte, die der verzögerten Varianz und der verzögerten quadratischen Rückkehr zugewiesen sind, größer als eins sind, ist das Modell nicht stationär. Ist (bc) größer als 1 (wenn bc gt 1) ist das Modell nicht stationär und nach Hull instabil. In diesem Fall ist EWMA bevorzugt. Linda Allen sagt über GARCH (1, 1): GARCH ist sowohl 8220compact8221 (d. H. Relativ einfach) als auch bemerkenswert genau. GARCH-Modelle dominieren in der wissenschaftlichen Forschung. Viele Variationen der GARCH-Modell wurden versucht, aber nur wenige haben auf das Original verbessert. Der Nachteil des GARCH-Modells ist seine Nichtlinearität sic Beispiel: Lösung für Langzeitvarianz in GARCH (1,1) Betrachten wir die GARCH (1, 1) - Gleichung unten: Angenommen, der Alpha-Parameter 0.2, der Beta-Parameter 0.7, Und beachten Sie, dass Omega 0,2, aber don8217t Fehler Omega (0,2) für die langfristige Varianz Omega ist das Produkt von Gamma und die langfristige Varianz. Also, wenn Alpha-beta 0,9, dann muss gamma 0,1 sein. Da Omega 0,2 ist, wissen wir, dass die Langzeitvarianz 2,0 (0,2 184 0,1 2,0) betragen muss. GARCH (1,1): Mere notation Unterschied zwischen Hull und Allen EWMA EWMA ist ein Spezialfall von GARCH (1,1) und GARCH (1,1) ist eine verallgemeinerte Fall EWMA. Der herausragende Unterschied ist, dass GARCH den zusätzlichen Begriff für mittlere Reversion enthält und EWMA fehlt eine mittlere Reversion. Hier ist, wie wir aus GARCH (1,1) zu EWMA erhalten: Dann lassen wir ein 0 und (bc) 1, so dass die obige Gleichung vereinfacht sich zu: Dies ist auf die Formel jetzt äquivalent ist für exponentiell Durchschnitt (EWMA) gewichteten gleitenden: In EWMA bestimmt der Lambda-Parameter nun das 8220decay: 8221 ein Lambda, das nahe bei einem (hohen Lambda) liegt, zeigt einen langsamen Abfall. Die RiskMetricsTM Ansatz Riskmetrics ist ein Marken Form des exponentiell gewichteten gleitenden Durchschnitt (EWMA) Ansatz: Die optimale (theoretische) Lambda variiert je nach Anlageklasse, aber die gesamte optimalen Parameter von Riskmetrics hat 0,94 gewesen. In der Praxis verwendet Riskmetrics nur ein Dämpfungsfaktor für alle Serien: 183 0,94 für den täglichen Daten 183 0.97 für monatliche Daten (Monat definiert als 25 Handelstage) Technisch sind die täglichen und monatlichen Modelle inkonsistent. Allerdings sind sie beide einfach zu bedienen, sie angenähert das Verhalten der tatsächlichen Daten ganz gut, und sie sind robust, misspecification. Hinweis: GARCH (1, 1), EWMA und RiskMetrics sind jeweils parametrisch und rekursiv. Rekursive EWMA Vorteile und Nachteile von MA (dh STABW) vs. GARCH Grafische Zusammenfassung der parametrischer Methoden, die mehr Gewicht auf die jüngsten Renditen (GARCH amp EWMA) Zusammenfassung Tipps zuordnen: GARCH (1, 1) verallgemeinert Riskmetrics und umgekehrt, Riskmetrics ist beschränkt Fall von GARCH (1,1), wobei a 0 und (bc) 1. GARCH (1, 1) gegeben ist durch: die drei Parameter Gewichte sind und deshalb müssen Summe ein: Tipp: Seien Sie vorsichtig über das erste Glied in der GARCH (1, 1) Gleichung: omega () gamma () (mittlere Langzeitvarianz). Wenn Sie nach der Varianz gefragt werden, müssen Sie eventuell das Gewicht aufteilen, um die durchschnittliche Varianz zu berechnen. Bestimmen Sie, wann und ob ein GARCH oder EWMA-Modell sollte in Volatilitätsschätzung in der Praxis verwendet werden, Varianz Raten daher als Mittel dazu neigen, zurückkehrt, die GARCH (1, 1) Modell ist theoretisch überlegen (8220more ansprechend than8221) mit dem EWMA-Modell. Denken Sie daran, that8217s der große Unterschied: GARCH fügt die Parameter, die Gewichte der langfristige Durchschnitt und somit enthält es Reversion bedeuten. Tipp: GARCH (1, 1) ist bevorzugt, es sei denn, der erste Parameter ist negativ (was impliziert wird, wenn alpha beta gt 1). In diesem Fall ist GARCH (1,1) instabil und EWMA wird bevorzugt. Erklären Sie, wie die GARCH-Schätzungen Prognosen liefern können, die genauer sind. Der gleitende Durchschnitt berechnet die Varianz auf der Basis eines nachlaufenden Beobachtungsfensters, z. B. Die letzten zehn Tage, die letzten 100 Tage. Es gibt zwei Probleme mit dem gleitenden Durchschnitt (MA): Ghosting-Feature: Volatilitätsschocks (plötzliche Erhöhungen) werden abrupt in die MA-Metrik integriert und dann, wenn das hintere Fenster überschreitet, werden sie plötzlich aus der Berechnung fallen gelassen. Dadurch verschiebt sich die MA-Metrik in Abhängigkeit von der gewählten Fensterlänge. Trendinformationen werden nicht übernommen GARCH-Schätzungen verbessern diese Schwächen auf zweierlei Weise: Neuere Beobachtungen werden mit größeren Gewichten verknüpft. Dieses überwindet das Geisterbild, weil ein Volatilitätsschock sofort die Schätzung beeinflußt, aber sein Einfluß wird allmählich im Laufe der Zeit vergehen. Ein Begriff wird hinzugefügt, um die Umkehrung des Mittels einzuschließen. Erklären Sie, wie Persistenz mit der Reversion des Mittelwerts zusammenhängt. Die GARCH (1, 1) - Gleichung: Persistenz ist gegeben durch: GARCH (1, 1) ist instabil, wenn die Persistenz gt 1. Eine Persistenz von 1,0 gibt keine mittlere Reversion an. Eine geringe Persistenz (z. B. 0,6) zeigt einen schnellen Abfall und eine hohe Reversion gegenüber dem Mittel an. Tipp: GARCH (1, 1) hat drei Gewichte, die drei Faktoren zugeordnet sind. Persistenz ist die Summe der Gewichte, die sowohl der verzögerten Varianz als auch der verzögerten quadrierten Rendite zugeordnet sind. Das andere Gewicht wird der Langzeitvarianz zugeordnet. Wenn P-Persistenz und G-Gewicht einer Langzeitvarianz zugewiesen werden, dann PG 1. Wenn daher P (Persistenz) hoch ist, dann ist G (mittlere Reversion) niedrig: die anhaltende Reihe ist nicht stark, bedeutet sie zurückzukehren, zeigt 8220slow decay8221 in Richtung der bedeuten. Wenn P niedrig ist, dann muss G hoch sein: die widersprüchliche Reihe bedeutet stark rückgängig, zeigt 8220rapid decay8221 zum Mittelwert. Die durchschnittliche, unbedingte Varianz im GARCH (1, 1) - Modell ist gegeben durch: Erläutern Sie, wie EWMA systematisch ältere Daten vergisst und die RiskMetrics174 täglichen und monatlichen Zerfallsfaktoren identifiziert. Der exponentiell gewichtete gleitende Durchschnitt (EWMA) ist gegeben durch: Die obige Formel ist eine rekursive Vereinfachung der EWMA-Reihe 8220true8221, die gegeben ist durch: In der EWMA-Reihe ist jedes Gewicht, das den quadrierten Renditen zugeordnet ist, ein konstantes Verhältnis des vorhergehenden Gewichts. Insbesondere ist Lambda (l) das Verhältnis zwischen benachbarten Gewichten. Auf diese Weise werden ältere Daten systematisch diskontiert. Der systematische Rabatt kann schrittweise (langsam) oder abrupt, abhängig von Lambda. Wenn Lambda hoch ist (z. B. 0,99), dann ist die Diskontierung sehr allmählich. Wenn Lambda niedrig ist (beispielsweise 0,7), ist die Diskontierung schlagartiger. Die RiskMetrics TM Zerfallsfaktoren: 0,94 für tägliche Daten 0,97 für monatliche Daten (Monat definiert als 25 Handelstage) Erklären Sie, warum Prognosekorrelationen wichtiger sein können als die Prognose von Volatilitäten. Bei der Messung des Portfolio-Risikos können Korrelationen wichtiger sein als einzelne Instrumentenvolatilität / - varianz. Daher kann in Bezug auf das Portfolio-Risiko eine Korrelationsprognose wichtiger sein als einzelne Volatilitätsprognosen. Verwenden Sie GARCH (1, 1), um die Volatilität zu prognostizieren Die erwartete zukünftige Varianzrate in (t) Perioden vorwärts ist gegeben durch: Beispielsweise wird angenommen, dass eine aktuelle Volatilitätsschätzung (Periode n) durch die folgenden GARCH (1, ) Gleichung: In diesem Beispiel ist alpha das Gewicht (0,1), das der vorherigen quadratischen Rückkehr zugewiesen wurde (die vorherige Rückkehr war 4), beta das Gewicht (0,7), das der vorherigen Varianz (0,0016) zugewiesen wurde. Was ist die erwartete zukünftige Volatilität, in zehn Tagen (n 10) First, für die langfristige Varianz zu lösen. Es ist nicht 0,00008 dieser Begriff ist das Produkt aus der Varianz und seinem Gewicht. Da das Gewicht 0,2 (1 - 0,1 - 0,7) betragen muss, beträgt die Langlaufvarianz 0,0004. Zweitens brauchen wir die aktuelle Varianz (Periode n). Das ist fast schon für uns oben: Jetzt können wir die Formel anwenden, um für die erwartete zukünftige Varianzrate zu lösen: Dies ist die erwartete Varianzrate, so dass die erwartete Volatilität etwa 2,24 beträgt. Beachten Sie, wie dies funktioniert: die aktuelle Volatilität beträgt etwa 3,69 und die langfristige Volatilität ist 2. Die 10-Tage-Forward-Projektion 8220fades8221 die aktuelle Rate näher an die langfristige Rate. Nichtparametrische VolatilitätsprognoseEWMA 101 Der EWMA-Ansatz hat ein attraktives Merkmal: Er benötigt relativ wenig gespeicherte Daten. Um unsere Schätzung an jedem Punkt zu aktualisieren, benötigen wir nur eine vorherige Schätzung der Varianzrate und des jüngsten Beobachtungswertes. Ein weiteres Ziel der EWMA ist es, Veränderungen in der Volatilität nachzuvollziehen. Für kleine Werte beeinflussen jüngste Beobachtungen die Schätzung zeitnah. Für Werte, die näher an einem liegen, ändert sich die Schätzung langsam auf der Grundlage der jüngsten Änderungen in den Renditen der zugrundeliegenden Variablen. Die von JP Morgan erstellte und öffentlich zugängliche RiskMetrics-Datenbank nutzt die EWMA zur Aktualisierung der täglichen Volatilität. WICHTIG: Die EWMA-Formel geht nicht von einem lang anhaltenden durchschnittlichen Varianzniveau aus. So bedeutet das Konzept der Volatilität Reversion nicht von der EWMA erfasst. Die ARCH / GARCH Modelle sind dafür besser geeignet. Lambda Ein sekundäres Ziel der EWMA ist es, Veränderungen in der Volatilität nachzuvollziehen, so dass für kleine Werte die jüngsten Beobachtungen die Schätzung sofort beeinflussen, und für Werte, die näher an einem liegen, ändert sich die Schätzung langsam auf die jüngsten Änderungen der Renditen der zugrunde liegenden Variablen. Die RiskMetrics-Datenbank (erstellt von JP Morgan), die 1994 veröffentlicht wurde, verwendet das EWMA-Modell zur Aktualisierung der täglichen Volatilitätsschätzung. Das Unternehmen festgestellt, dass über eine Reihe von Marktvariablen, gibt dieser Wert der Prognose der Varianz, die am nächsten zu realisierten Varianz Rate kommen. Die realisierten Varianzraten an einem bestimmten Tag wurden als gleichgewichteter Durchschnitt der folgenden 25 Tage berechnet. Um den optimalen Wert von lambda für unseren Datensatz zu berechnen, müssen wir die realisierte Volatilität an jedem Punkt berechnen. Es gibt mehrere Methoden, so wählen Sie ein. Als nächstes wird die Summe der quadratischen Fehler (SSE) zwischen der EWMA-Schätzung und der realisierten Volatilität berechnet. Schließlich minimieren die SSE durch Variieren des Lambdawertes. Klingt einfach Es ist. Die größte Herausforderung besteht darin, einen Algorithmus zur Berechnung der realisierten Volatilität zu vereinbaren. Zum Beispiel wählten die Leute bei RiskMetrics die folgenden 25 Tage, um die realisierte Varianzrate zu berechnen. In Ihrem Fall können Sie einen Algorithmus wählen, der Tägliche Volumen-, HI / LO - und / oder OPEN-CLOSE Preise nutzt. FAQ Q 1: Können wir EWMA nutzen, um die Volatilität mehr als einen Schritt voraus zu schätzen (oder prognostizieren) Die EWMA-Volatilitätsdarstellung setzt keine langfristige Durchschnittsvolatilität voraus, so dass die EWMA für jeden Prognosehorizont über einen Schritt hinaus a 7.3.7 Exponentiell gewichteter gleitender Durchschnitt (EWMA) 7.3.7 Exponentiell gewichteter gleitender Durchschnitt Um die Annahmen einer einheitlich gewichteten gleitenden durchschnittlichen Schätzung (UWMA) mit den Realitäten der Markt-Heteroskedastizität in Einklang zu bringen, könnten wir den Schätzer 7.10 nur auf die jüngsten anwenden Historische Daten tq. Die den gegenwärtigen Marktbedingungen am ehesten entsprechen sollten. so zu tun, ist selbstzerstörerisch, als Schätzer 7,10 zu einer kleinen Menge von Daten der Anwendung wird ihre Standardfehler erhöhen. Folglich bringt UWMA einem Dilemma: es ist eine Menge von Daten die Anwendung schlecht ist, aber so ist es zu einer kleinen Daten. Dies motivierte Zangari (1994) eine Modifikation UWMA vorzuschlagen genannt gleitender Durchschnitt (EWMA) estimation.2 exponentiell gewichteten Dies gilt eine ungleichmäßige Gewichtung Zeitreihendaten, so dass eine Menge von Daten verwendet werden können, aber die jüngsten Daten mehr gewichtet stark . Wie der Name schon sagt, basieren Gewichte auf der Exponentialfunktion. Exponentiell gewichteten gleitenden Durchschnitt Schätzung ersetzt Schätzer 7.10 mit dem Dämpfungsfaktor im Allgemeinen einen Wert zwischen 0,95 und 0,99 zugeordnet ist. Niedrigere Zerfallsfaktoren neigen dazu, jüngere Daten stärker zu gewichten. Beachten Sie, dass exponentiell gewichteten gleitenden Durchschnitt Schätzung ist weit verbreitet, aber es ist eine bescheidene Verbesserung gegenüber UWMA. Es versucht nicht, marktbedingte Heteroskedastizität mehr als UWMA zu modellieren. Die Gewichtungsschema ersetzt das Dilemma, wie viele Daten mit einem ähnlichen Dilemma zu verwenden, wie aggressiv ein Zerfallsfaktor zu verwenden. Betrachten wir wieder Ausstellung 7.6 und unser Beispiel der USD 10MM Position ist SGD. Lets Schätzung 10 1 mit exponentiell gewichteten gleitenden Durchschnitt Schätzer 7,20. Wenn wir .99 verwenden, erhalten wir eine Schätzung für 10 1 von .0054. Wenn wir .95 verwenden, erhalten wir eine Schätzung von .0067. Diese entsprechen der Position Value-at-Risk-Ergebnisse von USD 89.000 bzw. USD 110.000. Übungen 7.7 zeigt 30 Tage Daten für einen einmonatigen CHF Libor an. 7.7: Daten für 1-Monats-CHF-Libor. Die Preise sind in Prozent angegeben. Quelle: British Bankers Association (BBA).EWMA Kovarianz Modell Definition Betrachten Sie n Zeitreihen der Renditen und machen die übliche Annahme, dass die Renditen seriell nicht korreliert sind. Dann können wir einen Vektor von Null-Mittelwert-Weißgeräuschen 949 t rt - 956 definieren. Dabei ist r t der n x2a2f 1 Vektor der Rückkehr und 956 der Vektor der erwarteten Renditen. Trotz der seriellen Unkorrelation können die Rückgaben eine zeitgleiche Korrelation darstellen. Das heißt: x2211 t x2254 120124 t - 1 r t - 956 r t - 956 darf keine Diagonalmatrix sein. Darüber hinaus kann diese zeitliche Abweichung zeitabhängig sein, abhängig von vergangenen Informationen. Das exponentiell gewichtete Moving Average (EWMA) - Kovarianzmodell nimmt für diese bedingte Kovarianz eine spezifische parametrische Form an. Im Einzelnen sagen wir, dass r - 956 x 2211 t 1 1 - x3bb r t - 956 r t - 956 x3bb x2211 t V - Lab nutzt x3bb 0.94. Der von RiskMetrics für die tägliche Rendite vorgeschlagene Parameter und 956 der Durchschnittswert der Renditen. Korrelationen Beachten Sie, dass die Elemente aus der Hauptdiagonale von x2211 t bedingte Varianzen der Renditen ergeben, d. H. X 2211 t i. I die bedingte Varianz der Rückkehr r t i ist. In analoger Weise liefern die Elemente außerhalb der Hauptdiagonale bedingte Kovarianzen, d. h. x 2211 t i. J ist die bedingte Kovarianz zwischen den Rückgängen r t i und r t j. Folglich können wir leicht die bedingten Korrelationen x393 ti zurückführen. J x2254 x2211 t i. J x2211 t i. I x 2211 t j. J Dies wird von V-Lab dargestellt. Genauer gesagt können wir die gesamte Korrelationsmatrix folgendermaßen definieren: x393 t x2254 Dt - 1 x2211 tDt - 1, wobei Dt eine Matrix ist, so dass x2200i. J x2208 1. n: D t i. J x2254 x3b4 i. J x2211 t i. J mit x3b4 i. J ist das Kronecker-Delta, d. H. X3b4i. J 1, wenn i j und x3b4 i. J 0 ansonsten. Das heißt, D t ist eine Matrix, bei der alle Elemente außerhalb der Hauptdiagonalen auf Null gesetzt sind und die Hauptdiagonale auf die bedingten Volatilitäten eingestellt sind, dh die Elemente in der Hauptdiagonale sind gleich der Quadratwurzel der Elemente im Hauptteil Diagonale von x2211 t. Dann wird x393 ti. J ist wiederum die Korrelation zwischen r t i und r t j. Beachten Sie, dass x393 t i. J 1. x2200 i x2208 1. n. Verhältnis zu den GARCH (1,1) Modell Beachten Sie, dass die EWMA ist eigentlich eine multivariate Version eines IGARCH 1 1-Modell, das einen besonderen Fall des GARCH 1 1 Modell. Beachten Sie auch, dass nach der bedingten Varianz Ausdruck iteriert, so erhalten wir, wenn x3bb x2208 0 1: x2211 t 1 1 - x3bb 949 t 949 t x3bb 1 - x3bb 949 t - 1 949 t - 1 x3bb 2 1 - x3bb 949 t - 2 949 t - 2. 1 - x3bb 949 t 949 t x3bb 949 t - 1 949 t - 1 x3bb 2 949 t - 2 949 t - 2. 949 t 949 t x3bb 949 t - 1 949 t - 1 x3bb 2 949 t - 2 949 t - 2. 1 1 - x3bb 949 t 949 t x3bb 949 t - 1 949 t - 1 x3bb 2 949 t - 2 949 t - 2. 1 x3bb x3bb 2. Das ist ein gewichteter Durchschnitt, mit Gewichten abklingende exponentiell mit der Rate x3bb. Daher der Name des Modells, Exponential Weighted Moving Average. Bibliographie Engle, R. F. 2009. Im Vorgriff auf Korrelationen: Ein neues Paradigma für das Risikomanagement. Princeton University Press. Tsay, R. S. 2005. Analyse der finanziellen Zeitreihen mdash 2nd Ed. Wiley-Interscience. Teilen Sie Ihre Erkenntnisse: Informationen zur Verfügung gestellt wird, wie er ist und ausschließlich zu Informationszwecken, nicht zu Handelszwecken oder Beratung. Zusätzliche BestimmungenKalkulieren Sie die historische Volatilität mit EWMA Volatilität ist die am häufigsten verwendete Risikomessung. Die Volatilität in diesem Sinne kann entweder eine historische Volatilität (eine aus früheren Daten beobachtete) oder eine Volatilität (beobachtet aus Marktpreisen von Finanzinstrumenten) sein. Die historische Volatilität kann auf drei Arten berechnet werden: Einfache Volatilität, exponentiell gewichtetes Wachstum Durchschnitt (EWMA) GARCH Einer der großen Vorteile von EWMA ist, dass es mehr Gewicht auf die jüngsten Erträge bei der Berechnung der Renditen gibt. In diesem Artikel werden wir untersuchen, wie die Volatilität mit EWMA berechnet wird. Wenn wir die Aktienkurse anschauen, können wir die täglichen logarithmischen Renditen unter Verwendung der Formel ln (P i / P i -1) berechnen, wobei P für P steht Jeder Tag schließt Aktienkurs. Wir müssen das natürliche Protokoll verwenden, weil wir die Renditen kontinuierlich erweitern wollen. Wir haben jetzt täglich Rücksendungen für die gesamte Preisreihe. Schritt 2: Platzieren Sie die Rückkehr Der nächste Schritt ist die nehmen das Quadrat der langen Rückkehr. Dies ist tatsächlich die Berechnung der einfachen Varianz oder der Volatilität, die durch die folgende Formel dargestellt wird: Hier steht u für die Rendite und m für die Anzahl der Tage. Schritt 3: Gewichte Zuweisen Gewichte zuweisen, so dass die jüngsten Renditen ein höheres Gewicht haben und ältere Renditen weniger Gewicht haben. Dazu benötigen wir einen Faktor Lambda (), eine Glättungskonstante oder einen persistenten Parameter. Die Gewichte werden als (1-) 0 zugewiesen. Lambda muss kleiner als 1 sein. Risikometrik verwendet Lambda 94. Das erste Gewicht ist (1-0,94) 6, das zweite Gewicht ist 60,94 5,64 und so weiter. In EWMA summieren sich alle Gewichte auf 1, jedoch sinken sie mit einem konstanten Verhältnis von. Schritt 4: Multiplizieren Rückkehr-quadriert mit den Gewichten Schritt 5: Nehmen Sie die Summe von R 2 w Dies ist die abschließende EWMA-Varianz. Die Volatilität ist die Quadratwurzel der Varianz. Der folgende Screenshot zeigt die Berechnungen. Das obige Beispiel, das wir gesehen haben, ist der von RiskMetrics beschriebene Ansatz. Die generalisierte Form von EWMA kann als die folgende rekursive Formel dargestellt werden: 1 Kommentar