ชี้แจง ถัว เฉลี่ยเคลื่อนที่ ตัวอย่างเช่น

การสำรวจความผันผวนตามค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักเชิงตัวเลขเป็นการวัดความเสี่ยงที่พบบ่อยที่สุด แต่มีหลายรสชาติ ในบทความก่อนหน้านี้เราได้แสดงวิธีการคำนวณความผันผวนทางประวัติศาสตร์ที่เรียบง่าย เราใช้ข้อมูลราคาหุ้นที่เกิดขึ้นจริงของ Google เพื่อคำนวณความผันผวนรายวันตามข้อมูลหุ้นภายใน 30 วัน ในบทความนี้เราจะปรับปรุงความผันผวนที่เรียบง่ายและหารือเกี่ยวกับค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักแบบทวีคูณ (EWMA) Historical Vs ความผันแปรเบื้องต้นก่อนอื่นให้วางเมตริกนี้ไว้ในมุมมองเล็กน้อย มีสองแนวทางที่กว้าง: ความผันผวนในอดีตและโดยนัย (หรือโดยนัย) วิธีการทางประวัติศาสตร์สมมติว่าอดีตเป็นคำนำที่เราวัดประวัติศาสตร์ด้วยความหวังว่าจะเป็นการคาดการณ์ ในทางตรงกันข้ามความผันผวนโดยนัยจะละเลยประวัติความเป็นมาซึ่งจะช่วยแก้ปัญหาความผันผวนโดยนัยตามราคาตลาด หวังว่าตลาดจะรู้ได้ดีที่สุดและราคาในตลาดมีแม้กระทั่งโดยนัยประมาณการความผันผวน ถ้าเรามุ่งเน้นไปที่สามวิธีทางประวัติศาสตร์ (ด้านซ้ายด้านบน) พวกเขามีสองขั้นตอนที่เหมือนกัน: คำนวณชุดของผลตอบแทนเป็นระยะ ๆ ใช้สูตรการถ่วงน้ำหนักก่อนอื่นเรา คำนวณผลตอบแทนเป็นระยะ ๆ โดยทั่วไปแล้วผลตอบแทนรายวันจะได้รับผลตอบแทนแต่ละรายการในแง่บวก สำหรับแต่ละวันเราจะบันทึกล็อกอัตราส่วนราคาหุ้น (เช่นราคาในปัจจุบันหารด้วยราคาเมื่อวานนี้เป็นต้น) นี่เป็นการสร้างผลตอบแทนรายวันจาก u i to u i-m ขึ้นอยู่กับจำนวนวัน (m วัน) ที่เราวัด ที่ทำให้เราก้าวไปสู่ขั้นตอนที่สอง: นี่คือแนวทางที่แตกต่างกันสามวิธี ในบทความก่อนหน้า (ใช้ความผันผวนเพื่อวัดความเสี่ยงในอนาคต) เราพบว่าภายใต้สอง simplifications ยอมรับความแปรปรวนง่ายคือค่าเฉลี่ยของผลตอบแทนที่เป็นกำลังสอง: ขอให้สังเกตว่าผลรวมนี้แต่ละผลตอบแทนเป็นระยะจากนั้นแบ่งทั้งหมดโดย จำนวนวันหรือสังเกตการณ์ (ม.) ดังนั้นจริงๆมันเป็นเพียงเฉลี่ยของผลตอบแทนเป็นระยะ ๆ squared ใส่อีกวิธีหนึ่งแต่ละยกกำลังสองจะได้รับน้ำหนักเท่ากัน ดังนั้นถ้า alpha (a) เป็นปัจจัยการถ่วงน้ำหนัก (โดยเฉพาะ 1m) ความแปรปรวนแบบง่ายๆมีลักษณะดังนี้: EWMA ช่วยเพิ่มความแปรปรวนอย่างง่ายจุดอ่อนของวิธีนี้คือผลตอบแทนทั้งหมดจะมีน้ำหนักเท่ากัน การกลับมาเมื่อวาน (ล่าสุด) ไม่มีอิทธิพลต่อความแปรปรวนมากกว่าผลตอบแทนของเดือนที่ผ่านมา ปัญหานี้ได้รับการแก้ไขโดยใช้ค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักแบบทวีคูณ (EWMA) ซึ่งผลตอบแทนที่ได้รับเมื่อเร็ว ๆ นี้มีน้ำหนักมากขึ้นกับความแปรปรวน ค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักแบบเลขยกกำลัง (EWMA) แนะนำ lambda ซึ่งเรียกว่าพารามิเตอร์การให้ราบเรียบ แลมบ์ดาต้องมีค่าน้อยกว่าหนึ่ง ภายใต้เงื่อนไขดังกล่าวแทนที่จะใช้น้ำหนักที่เท่ากันผลตอบแทนที่ได้รับจะเพิ่มขึ้นตามตัวคูณดังนี้ตัวอย่างเช่น RiskMetrics TM ซึ่งเป็น บริษัท บริหารความเสี่ยงทางการเงินมีแนวโน้มที่จะใช้แลมบ์ดาเท่ากับ 0.94 หรือ 94 ในกรณีนี้เป็นครั้งแรก (1-0.94) (. 94) 0 6. ผลตอบแทนที่ได้จะเป็นตัวเลข lambda-multiple ของน้ำหนักก่อนหน้าในกรณีนี้ 6 คูณด้วย 94 5.64 และสามวันก่อนหน้ามีน้ำหนักเท่ากับ (1-0.94) (0.94) 2 5.30 นั่นคือความหมายของเลขยกกำลังใน EWMA: แต่ละน้ำหนักเป็นตัวคูณคงที่ (เช่น lambda ซึ่งต้องน้อยกว่าหนึ่ง) ของน้ำหนักก่อนหน้า เพื่อให้แน่ใจว่ามีความแปรปรวนที่ถ่วงน้ำหนักหรือลำเอียงไปยังข้อมูลล่าสุด (หากต้องการเรียนรู้เพิ่มเติมโปรดดูที่แผ่นงาน Excel สำหรับความผันผวนของ Google) ความแตกต่างระหว่างความผันผวนเพียงอย่างเดียวกับ EWMA สำหรับ Google จะแสดงไว้ด้านล่าง ความผันผวนอย่างง่ายมีผลต่อการกลับคืนเป็นระยะ ๆ ทุกๆ 0.196 ตามที่แสดงไว้ในคอลัมน์ O (เรามีข้อมูลราคาหุ้นย้อนหลังเป็นเวลา 2 ปีนั่นคือผลตอบแทน 509 วันและ 1509 0.196) แต่สังเกตว่าคอลัมน์ P กำหนดน้ำหนัก 6, 5.64 แล้ว 5.3 และอื่น ๆ Thats ความแตกต่างระหว่างความแปรปรวนง่ายและ EWMA โปรดจำไว้ว่า: หลังจากที่เราสรุปชุดข้อมูลทั้งหมด (ในคอลัมน์ Q) เรามีความแปรปรวนซึ่งเป็นค่าสแควร์ของส่วนเบี่ยงเบนมาตรฐาน ถ้าเราต้องการความผันผวนเราต้องจำไว้ว่าให้ใช้รากที่สองของความแปรปรวนนั้น ความแตกต่างของความแปรปรวนรายวันระหว่างค่าความแปรปรวนและ EWMA ในกรณีของ Google มีความหมาย: ความแปรปรวนง่ายทำให้เรามีความผันผวนรายวันอยู่ที่ 2.4 แต่ EWMA มีความผันผวนรายวันเพียง 1.4 (ดูสเปรดชีตเพื่อดูรายละเอียด) เห็นได้ชัดว่าความผันผวนของ Googles ตกลงไปเมื่อไม่นานมานี้ดังนั้นความแปรปรวนที่เรียบง่ายอาจเป็นจำนวนเทียมสูง ความแปรปรวนวันนี้เป็นฟังก์ชันของความแตกต่างของวัน Pior คุณจะสังเกตเห็นว่าเราจำเป็นต้องคำนวณชุดน้ำหนักลดลงอย่างมาก เราจะไม่ใช้คณิตศาสตร์ที่นี่ แต่คุณลักษณะที่ดีที่สุดของ EWMA คือชุดผลิตภัณฑ์ทั้งหมดสามารถลดสูตร recursive ได้อย่างง่ายดาย: Recursive หมายถึงการอ้างอิงความแปรปรวนในปัจจุบัน (คือฟังก์ชันของความแปรปรวนในวันก่อนหน้า) คุณสามารถหาสูตรนี้ในสเปรดชีตได้ด้วยและจะให้ผลเหมือนกันกับการคำนวณแบบ longhand กล่าวว่าค่าความแปรปรวนวันนี้ (ต่ำกว่า EWMA) เท่ากับความแปรปรวนของ yesterdays (weighted by lambda) บวกกับค่า yesterdays squared return (ชั่งน้ำหนักโดยลบหนึ่งแลมบ์ดา) แจ้งให้เราทราบว่าเรากำลังเพิ่มคำสองคำลงท้ายด้วยกันอย่างไร: ความแปรปรวนที่ถ่วงน้ำหนักในวันอังคารและเมื่อวานถ่วงน้ำหนัก แม้กระนั้นแลมบ์ดาก็คือพารามิเตอร์ที่ราบเรียบของเรา แลมบ์ดาที่สูงขึ้น (เช่น RiskMetrics 94) บ่งชี้การสลายตัวช้าลงในซีรีย์ - ในแง่สัมพัทธ์เราจะมีจุดข้อมูลมากขึ้นในซีรีส์และพวกเขาจะลดลงอย่างช้าๆ ในทางกลับกันถ้าเราลดแลมบ์ดาเราจะบ่งชี้ว่าการสลายตัวที่สูงขึ้น: น้ำหนักจะลดลงอย่างรวดเร็วและเป็นผลโดยตรงจากการผุกร่อนที่รวดเร็วใช้จุดข้อมูลน้อยลง (ในสเปรดชีตแลมบ์ดาเป็นอินพุตเพื่อให้คุณสามารถทดลองกับความไว) ความผันผวนโดยสรุปคือส่วนเบี่ยงเบนมาตรฐานของหุ้นและความเสี่ยงที่พบมากที่สุด นอกจากนี้ยังเป็นรากที่สองของความแปรปรวน เราสามารถวัดความแปรปรวนในอดีตหรือโดยนัย (ความผันผวนโดยนัย) เมื่อวัดในอดีตวิธีที่ง่ายที่สุดคือความแปรปรวนที่เรียบง่าย แต่ความอ่อนแอกับความแปรปรวนที่เรียบง่ายคือผลตอบแทนทั้งหมดจะมีน้ำหนักเท่ากัน ดังนั้นเราจึงต้องเผชิญกับข้อเสียแบบคลาสสิก: เราต้องการข้อมูลเพิ่มเติม แต่ข้อมูลที่เรามีมากขึ้นการคำนวณของเราจะถูกเจือจางด้วยข้อมูลที่อยู่ไกล (ไม่เกี่ยวข้อง) ค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักที่ถ่วงน้ำหนัก (EWMA) ช่วยเพิ่มความแปรปรวนอย่างง่ายโดยกำหนดน้ำหนักให้กับผลตอบแทนเป็นงวด เมื่อทำเช่นนี้เราสามารถใช้ตัวอย่างขนาดใหญ่ แต่ยังให้น้ำหนักมากขึ้นกับผลตอบแทนล่าสุด (หากต้องการดูบทแนะนำเกี่ยวกับภาพยนตร์เกี่ยวกับหัวข้อนี้โปรดไปที่ Bionic Turtle) เมื่อพิจารณาถึงชุดเวลา xi ฉันต้องการคำนวณค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักโดยมีหน้าต่างเฉลี่ยของ N จุดซึ่งค่าน้ำหนักจะให้ค่าล่าสุดมากกว่าค่าที่เก่ากว่า ในการเลือกน้ำหนักฉันใช้ความจริงที่คุ้นเคยว่าชุดข้อมูลทางเรขาคณิตจะมาบรรจบกันที่ 1 นั่นคือ sum (frac) k โดยให้คำจำกัดความมากมายหลายคำ เพื่อให้ได้จำนวนน้ำหนักโดยสิ้นเชิงที่รวมกันเป็นอันหนึ่งอันเดียวกันฉันเพียงแค่ใช้คำศัพท์ N คำแรกของชุดข้อมูลทางเรขาคณิต (frac) k และทำให้เป็นปกติตามผลรวมของพวกเขา เมื่อยกตัวอย่างเช่น N4 จะให้ค่าน้ำหนักที่ไม่เป็นปกติซึ่งหลังจาก normalizing โดยผลรวมของพวกเขาแล้วค่าเฉลี่ยเคลื่อนที่จะเป็นผลรวมของผลิตภัณฑ์ของค่าล่าสุด 4 ค่าต่อน้ำหนักที่เป็นปกติเหล่านี้ วิธีนี้ generalises ในทางที่เห็นได้ชัดในการย้ายหน้าต่างของความยาว N และดูเหมือนว่าคอมพิวเตอร์คำนวณได้ง่ายเช่นกัน มีเหตุผลใดที่จะไม่ใช้วิธีง่ายๆในการคำนวณค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักโดยใช้น้ำหนักเชิงเส้นที่ฉันถามเนื่องจากรายการวิกิพีเดียสำหรับ EWMA ดูเหมือนจะซับซ้อนมากขึ้น ซึ่งทำให้ฉันสงสัยว่าคำนิยาม EWMA ของตำราอาจมีคุณสมบัติทางสถิติบางอย่างที่คำจำกัดความข้างต้นไม่ได้หรือว่าจริงแล้วพวกเขาคิดว่าเป็นความจริง 28 พ. ย. ที่ 23:53 เริ่มต้นด้วยสมมติว่า 1) ไม่มีค่าผิดปกติ และไม่มีการเปลี่ยนแปลงระดับและไม่มีเวลาและไม่มี Dummies ตามฤดูกาล 2) ว่าค่าเฉลี่ยถ่วงน้ำหนักที่เหมาะสมที่สุดมีน้ำหนักที่ตกอยู่บนเส้นโค้งเรียบที่สามารถอธิบายได้โดย 1 ค่าสัมประสิทธิ์ 3) ที่ความแปรปรวนผิดพลาดเป็นค่าคงที่ไม่มีชุดสาเหตุที่เป็นที่รู้จัก สมมติฐาน ndash เมื่อวันพุธที่ 14 ตุลาคมเวลา 21:18 น. ราวี: ในตัวอย่างที่กำหนดผลรวมของคำสี่คำแรกคือ 0.9375 0.06250.1250.250.5 ดังนั้นสี่ข้อแรกมี 93.8 ของน้ำหนักทั้งหมด (6.2 อยู่ในหางที่ตัดทอน) ใช้ค่านี้เพื่อหาน้ำหนักมาตรฐานที่รวมกันเป็นหนึ่งเดียวโดยการปรับขนาดใหม่ (หาร) โดย 0.9375 ให้ 0.06667, 0.1333, 0.2667, 0.5333 ndash Assad Ebrahim 1 ต. ค. 14 เวลา 22:21 น. Ive พบว่าการคำนวณค่าเฉลี่ยที่ใช้ถ่วงน้ำหนักที่ถ่วงน้ำหนักโดยใช้เส้นทแยงมุมแบบ overline alpha (x - overline), alphalt1 เป็นวิธีง่ายๆเพียงบรรทัดเดียวซึ่งง่ายเพียงประมาณประมาณ จำนวนตัวอย่างที่มีประสิทธิภาพ Nalpha (เปรียบเทียบรูปแบบนี้กับรูปแบบการคำนวณค่าเฉลี่ยในการทำงาน) ต้องการเพียงค่าปัจจุบัน (และค่าเฉลี่ยปัจจุบัน) และมีเสถียรภาพตามตัวเลข ในทางเทคนิควิธีนี้จะนำประวัติศาสตร์ทั้งหมดเข้าสู่ค่าเฉลี่ย ข้อดีหลักสองข้อในการใช้หน้าต่างแบบเต็ม (ในทางตรงกันข้ามกับการตัดทอนที่กล่าวถึงในคำถาม) คือในบางกรณีสามารถช่วยในการวิเคราะห์ลักษณะการกรองได้ง่ายและลดความผันผวนที่เกิดขึ้นหากข้อมูลขนาดใหญ่ (หรือเล็ก) value เป็นส่วนหนึ่งของชุดข้อมูล ตัวอย่างเช่นพิจารณาผลการกรองถ้าข้อมูลมีค่าเป็นศูนย์ยกเว้นหนึ่งค่าที่มีค่าเป็น 106 ตอบเมื่อวันที่ 29 พ. ย. ที่ 0: 33 ค่าเฉลี่ยถ่วงน้ำหนัก: ข้อมูลพื้นฐานช่วงหลายปีที่ผ่านมาช่างเทคนิคพบปัญหาสองอย่างเกี่ยวกับค่าเฉลี่ยเคลื่อนที่ที่เรียบง่าย ปัญหาแรกอยู่ในกรอบเวลาของค่าเฉลี่ยเคลื่อนที่ (MA) นักวิเคราะห์ทางเทคนิคส่วนใหญ่เชื่อว่าการดำเนินการด้านราคา การเปิดหรือปิดราคาหุ้นไม่เพียงพอที่จะขึ้นอยู่กับการคาดการณ์อย่างถูกต้องสัญญาณซื้อหรือขายของการกระทำแบบไขว้ MAs เพื่อแก้ปัญหานี้นักวิเคราะห์จึงกำหนดน้ำหนักให้มากที่สุดกับข้อมูลราคาล่าสุดโดยใช้ค่าเฉลี่ยเคลื่อนที่แบบเรียบ (EMA) (เรียนรู้เพิ่มเติมเกี่ยวกับ Exploring Average Moved Average Weighed) ตัวอย่างเช่นใช้ MA 10 วันนักวิเคราะห์จะใช้ราคาปิดของวันที่ 10 และคูณเลขนี้เป็น 10 วันที่เก้าโดยเก้าแปดวินาที วันโดยแปดและอื่น ๆ เพื่อแรกของ MA เมื่อรวมแล้วนักวิเคราะห์จะหารตัวเลขด้วยการเพิ่มตัวคูณ ถ้าคุณเพิ่มตัวคูณของตัวอย่าง MA 10 วันจำนวนเป็น 55 ตัวบ่งชี้นี้เรียกว่าค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักเชิงเส้น (สำหรับการอ่านที่เกี่ยวข้องให้ดูที่ค่าเฉลี่ยเคลื่อนที่แบบธรรมดาทำให้แนวโน้มโดดเด่น) ช่างเทคนิคหลายคนเชื่อมั่นในค่าเฉลี่ยเคลื่อนที่แบบเรียบ (exponentially smoothed moving average - EMA) ตัวบ่งชี้นี้ได้รับการอธิบายด้วยวิธีต่างๆมากมายที่ทำให้นักเรียนและนักลงทุนสับสน บางทีคำอธิบายที่ดีที่สุดมาจาก John J. Murphys การวิเคราะห์ทางเทคนิคของตลาดการเงิน (เผยแพร่โดย New York Institute of Finance, 1999): ค่าเฉลี่ยเคลื่อนที่แบบเรียบเรียงตามที่อธิบายถึงปัญหาทั้งสองที่เกี่ยวข้องกับค่าเฉลี่ยเคลื่อนที่ที่เรียบง่าย ประการแรกค่าเฉลี่ยที่ได้รับการจัดแจงโดยการชี้แจงให้น้ำหนักที่มากขึ้นกับข้อมูลล่าสุด ดังนั้นจึงเป็นค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนัก แต่ในขณะที่ให้ความสำคัญน้อยกว่ากับข้อมูลราคาในอดีตจะรวมถึงการคำนวณข้อมูลทั้งหมดในชีวิตของเครื่องมือ นอกจากนี้ผู้ใช้สามารถปรับน้ำหนักเพื่อให้น้ำหนักมากขึ้นหรือน้อยกว่ากับราคาวันล่าสุดซึ่งเพิ่มขึ้นเป็นเปอร์เซ็นต์ของมูลค่าวันก่อนหน้า ผลรวมของค่าเปอร์เซ็นต์ทั้งสองจะเพิ่มขึ้นเป็น 100 ตัวอย่างเช่นราคาสุดท้ายของวันอาจมีการกำหนดน้ำหนัก 10 (.10) ซึ่งจะเพิ่มลงในน้ำหนักของวันก่อนหน้านั้นที่ 90 (.90) นี้จะช่วยให้วันสุดท้าย 10 ของน้ำหนักรวม นี่จะเทียบเท่ากับค่าเฉลี่ย 20 วันโดยให้ราคาวันสุดท้ายมีค่าน้อยกว่า 5 (.05) กราฟแสดงดัชนี Nasdaq Composite Index ตั้งแต่สัปดาห์แรกในเดือนสิงหาคม 2543 ถึงวันที่ 1 มิถุนายน พ. ศ. 2544 ตามที่เห็นได้ชัด EMA ซึ่งในกรณีนี้ใช้ข้อมูลราคาปิดเหนือ ระยะเวลาเก้าวันมีสัญญาณขายที่ชัดเจนในวันที่ 8 กันยายน (มีเครื่องหมายลูกศรลงสีดำ) นี่เป็นวันที่ดัชนีทะลุแนว 4,000 จุด ลูกศรสีดำที่สองแสดงอีกขาลงที่ช่างเทคนิคกำลังคาดหวัง Nasdaq ไม่สามารถสร้างปริมาณและดอกเบี้ยได้เพียงพอจากนักลงทุนรายย่อยเพื่อทำลายเครื่องหมาย 3,000 จากนั้นก็พุ่งตัวลงสู่จุดต่ำสุดที่ 1619.58 ในวันที่ 4 เม. ย. แนวโน้มการขึ้นลงของวันที่ 12 เมษายนจะมีเครื่องหมายลูกศร ดัชนีปิดที่ 1,961.46 จุดและนักเทคนิคเริ่มเห็นผู้จัดการกองทุนสถาบันเริ่มที่จะรับข้อเสนอพิเศษบางอย่างเช่น Cisco, Microsoft และปัญหาด้านพลังงานบางส่วน (อ่านบทความที่เกี่ยวข้องของเรา: การย้ายซองจดหมายโดยเฉลี่ย: ปรับแต่งเครื่องมือการเทรดดิ้งยอดนิยมและการเด้งตีกลับโดยเฉลี่ย)