Cuando se calcula una media móvil en ejecución, colocar el promedio en el período de tiempo medio tiene sentido En el ejemplo anterior se calculó el promedio de los primeros 3 períodos de tiempo y lo colocó al lado del período 3. Podríamos haber colocado el promedio en el medio de la Intervalo de tiempo de tres períodos, es decir, al lado del período 2. Esto funciona bien con períodos de tiempo impares, pero no tan bueno para incluso períodos de tiempo. Entonces, dónde colocaríamos el primer promedio móvil cuando M 4 Técnicamente, el promedio móvil caería en t 2,5, 3,5. Para evitar este problema, suavizar las MA con M 2. Así, suavizar los valores suavizados Si la media de un número par de términos, es necesario suavizar los valores suavizados La siguiente tabla muestra los resultados utilizando M 4.GARCH y EWMA 21 de mayo de 2010 8230 Incluyendo: APLICACIÓN GARCH Incluyendo: LISO EXPONENCIAL (EWMA) Suavizado exponencial (paramétrico condicional) Los métodos modernos ponen más peso en la evaluación de la volatilidad condicional. Información reciente. Ambos EWMA y GARCH ponen más peso en la información reciente. Además, como EWMA es un caso especial de GARCH, tanto EWMA como GARCH emplean el suavizado exponencial. GARCH (p, q) y en particular GARCH (1, 1) GARCH (p, q) es un modelo heteroscedástico condesorregresivo general. Los aspectos clave son: Autoregresivo (AR). La variación de mañana 8217s (o volatilidad) es una función regresada de la variance8212s de today8217s regresa sobre sí mismo Condicional (C). La varianza de tomorrow8217s depende8212 es condicional on8212 la varianza más reciente. Una varianza incondicional no dependería de la variante Heteroskedastic de hoy en día (H). Las variaciones no son constantes, fluyen a lo largo del tiempo, GARCH retrocede en términos históricos o 8220lagged8221. Los términos rezagados son variantes o retornos cuadrados. El modelo genérico GARCH (p, q) regresa en (p) retornos cuadrados y (q) variaciones. Por lo tanto, GARCH (1, 1) 8220lags8221 o regresa en el último período 8217s cuadrado de retorno (es decir, sólo 1 retorno) y el último período 8217s varianza (es decir, sólo 1 varianza). GARCH (1, 1) dada por la siguiente ecuación. La misma fórmula de GARCH (1, 1) puede ser dada con parámetros griegos: Hull escribe la misma ecuación de GARCH como: El primer término (gVL) es importante porque VL es la varianza media de largo plazo. Por lo tanto, (gVL) es un producto: es la varianza media ponderada a largo plazo. El modelo GARCH (1, 1) resuelve la varianza condicional en función de tres variables (varianza anterior, retorno anterior2 y varianza de largo plazo): La persistencia es una característica incrustada en el modelo GARCH. Consejo: En las fórmulas anteriores, la persistencia es (b c) o (alfa-1 beta). Persistencia se refiere a la rapidez con que la varianza (o lentamente) vuelve a 8222decays8221 hacia su promedio a largo plazo. La alta persistencia equivale a la desintegración lenta y la disminución de la regresión hacia la media8221. La baja persistencia equivale a una rápida decaimiento y una rápida reversión a la media. 821 Una persistencia de 1,0 no implica una reversión media. Una persistencia de menos de 1.0 implica una reversión a la media, 8221 donde una menor persistencia implica una mayor reversión a la media. Sugerencia: Como anteriormente, la suma de los pesos asignados a la varianza retardada y retardo al cuadrado es la persistencia (persistencia bc). Una alta persistencia (mayor que cero pero menor que uno) implica una reversión lenta a la media. Pero si los pesos asignados a la varianza retardada y al retardo cuadrado retrasado son mayores que uno, el modelo es no estacionario. Si (bc) es mayor que 1 (si bc gt 1) el modelo es no estacionario y, según Hull, inestable. En cuyo caso, se prefiere EWMA. Linda Allen dice acerca de GARCH (1, 1): GARCH es a la vez 8220compact8221 (es decir, relativamente simple) y notablemente precisa. Los modelos de GARCH predominan en la investigación académica. Se han intentado muchas variaciones del modelo GARCH, pero pocas han mejorado en el original. El inconveniente del modelo GARCH es su no linealidad sic Por ejemplo: Resolver para la varianza de largo plazo en GARCH (1,1) Considere la siguiente ecuación GARCH (1, 1): Supongamos que: el parámetro alfa 0.2, el parámetro beta 0.7, Y Obsérvese que omega es 0.2 pero don8217t error omega (0.2) para la variación a largo plazo Omega es el producto de gamma y la variación a largo plazo. Por lo tanto, si alpha beta 0.9, entonces gamma debe ser 0.1. Dado que el omega es 0.2, sabemos que la varianza de largo plazo debe ser 2.0 (0.2 184 0.1 2.0). GARCH (1,1): Mera diferencia de notación entre Hull y Allen EWMA EWMA es un caso especial de GARCH (1,1) y GARCH (1,1) es un caso generalizado de EWMA. La diferencia más destacable es que GARCH incluye el término adicional para la reversión media y EWMA carece de una reversión media. Así es como obtenemos de GARCH (1,1) a EWMA: Entonces dejamos que 0 y (bc) 1, tal que la ecuación anterior se simplifique a: Esto es ahora equivalente a la fórmula para la media móvil exponencialmente ponderada (EWMA): En EWMA, el parámetro lambda ahora determina el 8220decay: 8221 un lambda que es cercano a uno (lambda alto) exhibe una decadencia lenta. RiskMetrics ™ Approach RiskMetrics es una forma de marca del enfoque de promedio móvil exponencialmente ponderado (EWMA): El lambda óptimo (teórico) varía según la clase de activo, pero el parámetro óptimo global utilizado por RiskMetrics ha sido 0,94. En la práctica, RiskMetrics sólo utiliza un factor de desintegración para todas las series: 183 0,94 para datos diarios 183 0,97 para datos mensuales (mes definido como 25 días de negociación) Técnicamente, los modelos diarios y mensuales son inconsistentes. Sin embargo, ambos son fáciles de usar, se aproximan bastante bien al comportamiento de los datos reales y son robustos a la falta de especificación. Nota: GARCH (1, 1), EWMA y RiskMetrics son paramétricos y recursivos. Resumen GARCH (1, 1) es RiskMetrics generalizado y, por el contrario, RiskMetrics es GARCH (1, 1) está dado por: Los tres parámetros son pesos y por lo tanto deben sumar a uno: Consejo: Tenga cuidado con el primer término en el Ecuación de GARCH (1, 1): omega () gamma () (variación media a largo plazo). Si se le pide la varianza, puede que tenga que dividir el peso para calcular la varianza promedio. Determine cuándo y si un modelo GARCH o EWMA debe usarse en la estimación de la volatilidad En la práctica, las tasas de varianza tienden a ser la media de reverberación por lo tanto, el modelo GARCH (1, 1) es teóricamente superior (8220 más atractivo que 8221) al modelo EWMA. Recuerde que es la gran diferencia: GARCH añade el parámetro que pesa el promedio de largo plazo y por lo tanto incorpora la reversión de la media. Consejo: Se prefiere GARCH (1, 1) a menos que el primer parámetro sea negativo (lo cual está implícito si alfa beta gt 1). En este caso, GARCH (1,1) es inestable y se prefiere EWMA. Explicar cómo las estimaciones GARCH pueden proporcionar pronósticos que son más precisos. El promedio móvil calcula la varianza basándose en una ventana de observación posterior, p. Los diez días anteriores, los 100 días anteriores. Hay dos problemas con el promedio móvil (MA): Característica de Ghosting: los shocks de volatilidad (aumentos repentinos) se incorporan abruptamente en la métrica MA y luego, cuando la ventana de seguimiento pasa, son abruptamente eliminados del cálculo. Debido a esto, la métrica MA cambiará en relación con la longitud de la ventana elegida. La información de tendencias no se incorpora. Las estimaciones de GARCH mejoran estas debilidades de dos maneras: A las observaciones más recientes se les asignan pesos mayores. Esto supera fantasmas porque un choque de volatilidad impactará inmediatamente en la estimación, pero su influencia se desvanecerá gradualmente a medida que pasa el tiempo. Se agrega un término para incorporar la reversión a la media Explique cómo la persistencia está relacionada con la reversión a la media. Dada la ecuación GARCH (1, 1): La persistencia es dada por: GARCH (1, 1) es inestable si la persistencia gt 1. Una persistencia de 1,0 indica que no hay reversión media. Una baja persistencia (por ejemplo, 0,6) indica una rápida decaimiento y una alta reversión a la media. Consejo: GARCH (1, 1) tiene tres pesos asignados a tres factores. La persistencia es la suma de los pesos asignados tanto a la varianza retardada como al retardo cuadrado rezagado. El otro peso se asigna a la varianza de largo plazo. Si la persistencia P y el peso G se asignan a la varianza de largo plazo, entonces PG 1. Por lo tanto, si P (persistencia) es alta, entonces G (reversión media) es baja: la serie persistente no es fuertemente revertida; media. Si P es bajo, entonces G debe ser alto: la serie impersistente significa fuertemente que reverte exhibe 8220 descomposición acelerada 8221 hacia la media. La varianza incondicional media en el modelo GARCH (1, 1) está dada por: Explique cómo EWMA descuentan sistemáticamente los datos más antiguos e identifican los factores de desintegración diaria y mensual de RiskMetrics174. La media móvil ponderada exponencialmente (EWMA) viene dada por: La fórmula anterior es una simplificación recursiva de la serie 8220true8221 EWMA que viene dada por: En la serie EWMA, cada peso asignado al cuadrado devuelve una relación constante del peso anterior. Específicamente, lambda (l) es la relación entre los pesos vecinos. De esta manera, los datos más antiguos se descartan sistemáticamente. El descuento sistemático puede ser gradual (lento) o abrupto, dependiendo de lambda. Si lambda es alta (por ejemplo, 0,99), entonces el descuento es muy gradual. Si lambda es baja (por ejemplo, 0,7), el descuento es más abrupto. Los factores de desintegración de RiskMetrics TM: 0.94 para datos diarios 0.97 para datos mensuales (mes definido como 25 días de negociación) Explique por qué las correlaciones de pronóstico pueden ser más importantes que las volatilidades de pronóstico. Al medir el riesgo de la cartera, las correlaciones pueden ser más importantes que la volatilidad / varianza individual del instrumento. Por lo tanto, en relación con el riesgo de la cartera, una previsión de correlación puede ser más importante que las previsiones de volatilidad individual. Utilizar GARCH (1, 1) para pronosticar la volatilidad La tasa de variación futura esperada, en (t) períodos hacia adelante, viene dada por: Por ejemplo, supongamos que una estimación de la volatilidad actual (período n) viene dada por GARCH (1, 1) ): En este ejemplo, alfa es el peso (0,1) asignado al cuadrado anterior (el retorno anterior era 4), beta es el peso (0,7) asignado a la varianza anterior (0,0016). Cuál es la volatilidad futura esperada, en diez días (n 10) Primero, resuelva para la varianza de largo plazo. No es 0.00008 este término es el producto de la varianza y su peso. Dado que el peso debe ser 0,2 (1 - 0,1 -0,7), la variación de largo plazo 0,0004. Segundo, necesitamos la varianza actual (período n). Esto es lo que se nos da más arriba: Ahora podemos aplicar la fórmula para resolver la tasa de variación futura esperada: Esta es la tasa de varianza esperada, por lo que la volatilidad esperada es de aproximadamente 2.24. Observe cómo funciona esto: la volatilidad actual es de unos 3,69 y la volatilidad a largo plazo es 2. La proyección directa a 10 días 8220fades8221 la tasa actual más cercana a la tasa de largo plazo. Previsión de volatilidad no paramétrica Visión general de las vistas: Administración de datos Parte 3: Gestión de datos sofisticada Las poderosas herramientas analíticas sólo son útiles si usted puede trabajar fácilmente con sus datos. EViews ofrece la más amplia gama de herramientas de gestión de datos disponibles en cualquier software econométrico. Desde su extensa biblioteca de operaciones matemáticas, estadística, de fecha, cadena y series temporales y funciones, hasta un completo soporte para datos numéricos, de caracteres y de fechas, EViews ofrece las características de manejo de datos que usted espera de software estadístico moderno. Extensa biblioteca de funciones EViews incluye una extensa biblioteca de funciones para trabajar con datos. Además de las funciones matemáticas y trigonométricas estándar, EViews proporciona funciones para estadística descriptiva, estadística acumulativa y móvil, estadísticas por grupo, funciones especiales, operaciones especializadas de fecha y hora, archivos de trabajo, mapa de valores y cálculos financieros. EViews también proporciona generadores de números aleatorios (Knuth, LEcuyer o Mersenne-Twister), funciones de densidad y funciones de distribución acumulativa para dieciocho distribuciones diferentes. Pueden usarse para generar series nuevas o para calcular expresiones escalares y de matriz. EViews ofrece una extensa biblioteca de funciones. Manejo sofisticado de expresiones Las herramientas poderosas de EView para el manejo de expresiones significan que usted puede usar expresiones virtualmente dondequiera que usted usaría una serie. No hay que crear nuevas variables para trabajar con el logaritmo de Y, el promedio móvil de W, o la relación de X a Y (o cualquier otra expresión válida). En su lugar, puede utilizar la expresión en el cálculo de estadísticas descriptivas, como parte de una ecuación o especificación de modelo, o en la construcción de gráficos. Cuando se pronostica utilizando una ecuación con una expresión para la variable dependiente, EViews (si es posible) le permitirá pronosticar la variable dependiente subyacente y ajustará el intervalo de confianza estimado en consecuencia. Por ejemplo, si la variable dependiente se especifica como LOG (G), puede elegir predecir el registro o el nivel de G, y calcular el intervalo de confianza apropiado, posiblemente asimétrico. Trabajar directamente con expresiones en lugar de variables. Enlaces, fórmulas y valores Mapas Los objetos de enlace permiten crear series que enlazan con datos contenidos en otros archivos de trabajo o páginas de archivos de trabajo. Los enlaces permiten combinar datos en diferentes frecuencias o combinar la combinación de datos de una página de resumen en una página individual de tal manera que los datos se actualizan dinámicamente cada vez que cambian los datos subyacentes. De forma similar, dentro de un archivo de trabajo, se pueden asignar fórmulas a series de datos de modo que las series de datos se recalculan automáticamente cada vez que se modifican los datos subyacentes. Las etiquetas de valor (por ejemplo, QuotHighquot, quotMedquot, quotLowquot, correspondiente a 2, 1, 0) se pueden aplicar a series numéricas o alfa para que los datos categóricos se puedan mostrar con etiquetas significativas. Las funciones integradas le permiten trabajar con los valores subyacentes o asignados al realizar cálculos. Los enlaces se pueden utilizar para la conversión de frecuencia dinámica o fusión. Estructuras de datos y tipos EViews puede manejar estructuras de datos complejas, incluyendo datos periódicos e irregulares, datos de sección transversal con identificadores de observación y datos de panel fechados y sin fecha. Además de los datos numéricos, un archivo de trabajo EViews también puede contener datos alfanuméricos (cadena de caracteres) y series que contienen fechas, todo lo cual puede manipularse utilizando una extensa biblioteca de funciones. EViews también proporciona una amplia gama de herramientas para trabajar con conjuntos de datos (archivos de trabajo), datos que incluyen la capacidad de combinar series por criterios complejos de combinación de fósforos y procedimientos de archivo de trabajo para cambiar la estructura de sus datos: unirse, anexar, subconjunto, redimensionar, ordenar y Remodelar (apilado y desenfile). Los archivos de trabajo de EViews pueden ser altamente estructurados. Enterprise Edition Soporte para ODBC, FAME TM. DRIBase y Haver Analytics Bases de datos Como parte de EViews Enterprise Edition (una opción de coste adicional sobre EViews Standard Edition), se proporciona soporte para el acceso a datos contenidos en bases de datos relacionales (a través de controladores ODBC) ya bases de datos en una variedad de formatos propietarios utilizados Por datos comerciales y proveedores de bases de datos. Open Database Connectivity (ODBC) es un estándar compatible con muchos sistemas de bases de datos relacionales, incluyendo Oracle, Microsoft SQL Server e IBM DB2. EViews le permite leer o escribir tablas completas de bases de datos ODBC, o crear un nuevo workfile a partir de los resultados de una consulta SQL. EViews Enterprise Edition también admite el acceso a bases de datos de formato FAME TM (tanto locales como basadas en servidores) Global Insights DRIPro y bancos de datos DRIBase, bases de datos Haver Analytics DLX, Datastream, FactSet y Moodys Economy. La interfaz de la base de datos EViews familiar y fácil de usar se ha extendido a estos formatos de datos para que pueda trabajar con bases de datos extranjeras tan fácilmente como las bases de datos nativas EView. Conversión de frecuencia Cuando importa datos de una base de datos o de otra página de archivo de trabajo o de archivo de trabajo, se convierte automáticamente a la frecuencia de su proyecto actual. EViews ofrece muchas opciones para la conversión de frecuencia, e incluye soporte para la conversión de datos diarios, semanales o de frecuencia irregular. Series se le puede asignar un método de conversión preferido, lo que le permite utilizar diferentes métodos para diferentes series sin tener que especificar el método de conversión cada vez que se accede a una serie. Incluso puede crear enlaces para que las series de datos convertidos con frecuencia se recalculen automáticamente cada vez que se modifican los datos subyacentes. Especifique una conversión automática específica de serie o seleccione un método específico. Para la información de las ventas envíe por correo electrónico por favor saleseviews Para la ayuda técnica por favor email supporteviews Incluya por favor su número de serie con toda la correspondencia del email. Para obtener más información de contacto, consulte nuestra página Acerca de.
No comments:
Post a Comment