Media Media Móvil Exponencial

Exploración de la media ponderada ponderada exponencial La volatilidad es la medida más común del riesgo, pero viene en varios sabores. En un artículo anterior, mostramos cómo calcular la volatilidad histórica simple. Utilizamos la volatilidad para medir el riesgo futuro. Utilizamos los datos reales de los precios de las acciones de Google para calcular la volatilidad diaria basada en 30 días de datos de existencias. En este artículo, mejoraremos la volatilidad simple y discutiremos el promedio móvil exponencialmente ponderado (EWMA). Vs histórico. Volatilidad implícita En primer lugar, permite poner esta métrica en un poco de perspectiva. Existen dos enfoques generales: volatilidad histórica e implícita (o implícita). El enfoque histórico supone que el pasado es un prólogo que medimos la historia con la esperanza de que sea predictivo. La volatilidad implícita, por el contrario, ignora la historia que resuelve por la volatilidad implícita en los precios de mercado. Espera que el mercado conozca mejor y que el precio de mercado contenga, aunque implícitamente, una estimación consensual de la volatilidad. Si nos centramos sólo en los tres enfoques históricos (a la izquierda de arriba), tienen dos pasos en común: Calcular la serie de retornos periódicos Aplicar un esquema de ponderación En primer lugar, Calcular el retorno periódico. Ésa es típicamente una serie de vueltas diarias donde cada vuelta se expresa en términos continuamente compuestos. Para cada día, tomamos el registro natural de la relación de precios de las acciones (es decir, el precio hoy dividido por el precio ayer, y así sucesivamente). Esto produce una serie de retornos diarios, de u i a u i-m. Dependiendo de cuántos días (m días) estamos midiendo. Eso nos lleva al segundo paso: aquí es donde los tres enfoques difieren. En el artículo anterior (Usando Volatilidad Para Calcular el Riesgo Futuro), mostramos que bajo un par de simplificaciones aceptables, la varianza simple es el promedio de los retornos cuadrados: Obsérvese que esto suma cada uno de los retornos periódicos, luego divide ese total por el Número de días u observaciones (m). Por lo tanto, su realmente sólo un promedio de los retornos cuadrados periódico. Dicho de otra manera, cada cuadrado de retorno se da un peso igual. Por lo tanto, si alfa (a) es un factor de ponderación (específicamente, 1 / m), entonces una variante simple se parece a esto: El EWMA mejora en la varianza simple La debilidad de este enfoque es que todas las ganancias ganan el mismo peso. El retorno de ayer (muy reciente) no tiene más influencia sobre la varianza que el retorno de los últimos meses. Este problema se fija mediante la media móvil ponderada exponencialmente (EWMA), en la cual los rendimientos más recientes tienen mayor peso sobre la varianza. La media móvil exponencialmente ponderada (EWMA) introduce lambda. Que se denomina parámetro de suavizado. Lambda debe ser menos de uno. Bajo esta condición, en lugar de iguales ponderaciones, cada cuadrado de retorno es ponderado por un multiplicador de la siguiente manera: Por ejemplo, RiskMetrics TM, una empresa de gestión de riesgos financieros, tiende a utilizar un lambda de 0,94 o 94. En este caso, el primero Más reciente) cuadrado es ponderado por (1-0.94) (. 94) 0 6. El próximo cuadrado de retorno es simplemente un lambda-múltiplo del peso anterior en este caso 6 multiplicado por 94 5.64. Y el tercer día anterior el peso es igual (1-0.94) (0.94) 2 5.30. Ese es el significado de exponencial en EWMA: cada peso es un multiplicador constante (es decir, lambda, que debe ser menor que uno) del peso de los días anteriores. Esto asegura una varianza que está ponderada o sesgada hacia datos más recientes. (Para obtener más información, consulte la hoja de cálculo de Excel para la volatilidad de Google.) A continuación se muestra la diferencia entre la volatilidad y EWMA para Google. La volatilidad simple pesa efectivamente cada vuelta periódica en 0.196 como se muestra en la columna O (teníamos dos años de datos de precios de acciones diarios, es decir, 509 devoluciones diarias y 1/509 0.196). Pero note que la Columna P asigna un peso de 6, luego 5.64, luego 5.3 y así sucesivamente. Esa es la única diferencia entre la varianza simple y EWMA. Recuerde: Después de sumar la serie completa (en la columna Q) tenemos la varianza, que es el cuadrado de la desviación estándar. Si queremos volatilidad, necesitamos recordar tomar la raíz cuadrada de esa varianza. ¿Cuál es la diferencia en la volatilidad diaria entre la varianza y EWMA en el caso de Googles? Su significativo: La variación simple nos dio una volatilidad diaria de 2,4 pero la EWMA dio una volatilidad diaria de sólo 1,4 (ver la hoja de cálculo para más detalles). Aparentemente, la volatilidad de Googles se estableció más recientemente, por lo tanto, una simple varianza podría ser artificialmente alta. La variación de hoy es una función de la variación de los días de Pior Usted notará que necesitábamos calcular una larga serie de pesos exponencialmente decrecientes. No haremos la matemática aquí, pero una de las mejores características de la EWMA es que toda la serie se reduce convenientemente a una fórmula recursiva: Recursiva significa que las referencias de la varianza de hoy (es decir, es una función de la variación de días anteriores). Esta fórmula también se encuentra en la hoja de cálculo, y produce exactamente el mismo resultado que el cálculo de longitud larga. Se dice: La varianza de hoy (bajo EWMA) equivale a la varianza de ayer (ponderada por lambda) más la vuelta al cuadrado de ayer (pesada por uno menos lambda). Observe cómo estamos agregando dos términos juntos: la variación ponderada de ayer y la ponderada ponderada de ayer, la vuelta al cuadrado. Aun así, lambda es nuestro parámetro de suavizado. Un lambda más alto (por ejemplo, como RiskMetrics 94) indica una disminución más lenta en la serie - en términos relativos, vamos a tener más puntos de datos en la serie y van a caer más lentamente. Por otro lado, si reducimos el lambda, indicamos una mayor decaimiento: los pesos se caen más rápidamente y, como resultado directo de la rápida decaimiento, se utilizan menos puntos de datos. (En la hoja de cálculo, lambda es una entrada, para que pueda experimentar con su sensibilidad). Resumen La volatilidad es la desviación estándar instantánea de un stock y la métrica de riesgo más común. Es también la raíz cuadrada de la varianza. Podemos medir la varianza históricamente o implícitamente (volatilidad implícita). Al medir históricamente, el método más fácil es la varianza simple. Pero la debilidad con la varianza simple es que todas las ganancias obtienen el mismo peso. Así que enfrentamos un trade-off clásico: siempre queremos más datos, pero cuanto más datos tengamos, más nuestro cálculo se diluye por datos distantes (menos relevantes). La media móvil exponencialmente ponderada (EWMA) mejora la varianza simple asignando pesos a los retornos periódicos. Haciendo esto, ambos podemos usar un tamaño grande de la muestra pero también dar mayor peso a vueltas más recientes. (Para ver un tutorial de película sobre este tema, visite la Tortuga Biónica.) Una media móvil ponderada exponencialmente en los datos, con observaciones más recientes que tienen un peso mayor que los de un pasado más lejano. El peso relativo se determina estableciendo la semivida de la tasa de decaimiento y difiere entre las versiones a corto y largo plazo del modelo. La versión a corto plazo tiene una vida media más corta. El modelo a largo plazo utiliza Una vida media más larga lo que significan: tienen algunos datos diarios y quieren calcular un promedio durante los últimos n días (u otros períodos de tiempo). Si los datos estuvieran igualmente ponderados, cada punto de datos tendría un peso de 1 / n. Pero en su lugar, quieren dar más peso a los datos más recientes y menos peso a los datos más antiguos. Probablemente escogen un parámetro de suavizado constante l entre 0 y 1, y para los datos que tienen k días de antigüedad, usan el peso lk. Cuanto menor sea la l. Más rápido el peso disminuye a medida que aumenta la edad k. La vida media es cuánto tiempo toma para que el peso se convierta en la mitad del peso de los datos más recientes. Así que si el peso l k 1/2 luego la vida media k log (1/2) / log (l). Este número contiene exactamente la misma información que l. Puede ser confuso porque esta relación de registros generalmente no será un número entero de días k. Que es porqué la mayoría de la gente prefiere especificar l. 450 Vistas middot Ver Upvotes middot No para la reproducción middot Respuesta solicitada por Joshua Shindell En el comercio, ¿por qué utilizaríamos el promedio móvil exponencial sobre el promedio móvil simple ¿Qué es un promedio móvil exponencial MATLAB: ¿Cómo puedo construir un promedio de tiempo móvil de 12 meses Con diferentes pesos para diferentes meses ¿Por qué la media móvil exponencial de 200 días se considera el indicador más fiable de los comerciantes profesionales de la bolsa ¿Cuáles son algunos buenos recursos en línea para entender el modelo de ARGE (ARRO) ¿Qué es una interpretación intuitiva de exponencial ¿Cómo se puede calcular la tasa de rendimiento de una inversión con las contribuciones de seguimiento y sin utilizar un solverMarket Preguntas de datos Exponencial Versus promedios móviles simples Hola Tom - Soy un suscriptor suyo y me preguntaba si tenía un ldquoconversionrdquo gráfico para la conversión Valor de tendencia en MA exponenciales de periodo. Por ejemplo, 10 Trend es aproximadamente igual a un EMA de 19 periodos, 1 Tendencia a 200EMA etc. Gracias por adelantado. La fórmula para convertir una constante de suavización del promedio móvil exponencial (EMA) a un número de días es: 2 mdashmdashmdash-N1 donde N es el número de días. Por lo tanto, un EMA de 19 días encajaría en la fórmula de la siguiente manera: 2 2 mdashmdashmdashmdash-mdashmdashmdash - 0.10 o 10 19 1 20 Esto se deriva de la idea de que la constante de suavizado se elige para dar la misma edad media de los datos Como se haría en una media móvil simple. Si tuviera un promedio móvil simple de 20 periodos, entonces la edad promedio de cada entrada de datos es de 9.5. Uno podría pensar que la edad promedio debe ser 10, ya que es la mitad de 20, o 10,5, ya que es el promedio de los números de 1 a 20. Pero en la convención estadística, la edad de la pieza más reciente de los datos es 0. Así que Encontrar la edad promedio de los últimos veinte puntos de datos se hace encontrando el promedio de esta serie: Así que la edad promedio de los datos en un conjunto de N períodos es: N - 1 mdashmdashmdashmdash - 2 Para el suavizado exponencial, con una constante de suavizado de A , Resulta de la matemática de la teoría de la suma que la edad media de los datos es: 1 - A mdashmdashmdashmdash - A Combinando estas dos ecuaciones: 1 - AN - 1 mdashmdashmdash mdashmdashmdashmdash A 2 podemos resolver para un valor de A que iguala un EMA a una longitud media móvil simple como: 2 A mdashmdashmdashmdash - N 1 Puede leer una de las piezas originales escritas sobre este concepto en McClellanMTAaward. pdf. Allí, extracto de P. N. Haurlanrsquos folleto, ldquoMeasuring Trend Valuesrdquo. Haurlan fue una de las primeras personas en usar promedios móviles exponenciales para rastrear los precios de las acciones en la década de 1960, y aún preferimos su terminología original de una Tendencia XX, en lugar de llamar a una media móvil exponencial por un número de días. Una razón importante para esto es que con un promedio móvil simple (SMA), sólo está mirando hacia atrás un cierto número de días. Cualquier cosa más antigua que ese período de reflexión no factor en el cálculo. Pero con un EMA, los datos antiguos nunca desaparece sólo se hace cada vez menos importante para el valor de la media móvil. Para entender por qué los técnicos se preocupan por los EMAs en comparación con los SMA, un rápido vistazo a este gráfico proporciona algunos ejemplos de la diferencia. Durante las tendencias se mueve hacia arriba o hacia abajo, una Tendencia 10 y una SMA de 19 días en gran parte en conjunto. Es durante los períodos en que los precios son agitados, o cuando la dirección de la tendencia está cambiando, que vemos que los dos comienzan a separarse. En estos casos, la Tendencia suele abrazar más estrechamente la acción de los precios y así estar en mejor posición para señalar un cambio cuando el precio lo cruza. Para muchas personas, esta propiedad hace EMAs ldquobetterrdquo que SMAs, pero ldquobetterrdquo está en el ojo del espectador. La razón por la que los ingenieros han utilizado EMAs durante años, especialmente en electrónica, es que son más fáciles de calcular. Para determinar todayrsquos nuevo valor de EMA, sólo necesita el valor de EMA de yesterdayrsquos, la constante de suavizado y el nuevo precio de cierre de todayrsquos (u otro dato). Pero para calcular un SMA, usted tiene que saber cada valor detrás en tiempo para el período del lookback entero.