المتوسط المتحرك المرجح ألسيا ألفا

استكشاف معدل التذبذب المتوسط ​​المرجح أضعافا مضاعفة هو مقياس الأكثر شيوعا من المخاطر، لكنه يأتي في العديد من النكهات. في مقال سابق، أظهرنا كيفية حساب التقلبات التاريخية البسيطة. (لقراءة هذه المقالة، راجع استخدام التقلب لقياس المخاطر المستقبلية.) استخدمنا بيانات سعر السهم الفعلي من غوغل من أجل احتساب التقلبات اليومية استنادا إلى بيانات 30 يوما من بيانات المخزون. في هذه المقالة، سوف نحسن التقلبات البسيطة ونناقش المتوسط ​​المتحرك المرجح أضعافا مضاعفة (إوما). تاريخي مقابل التقلب الضمني أولا، يتيح وضع هذا المقياس في القليل من المنظور. هناك نهجان واسعان: التقلب التاريخي والضمني (أو الضمني). يفترض النهج التاريخي أن الماضي هو مقدمة نقيس التاريخ على أمل أن يكون التنبؤي. ومن ناحية أخرى، يتجاهل التقلب الضمني التاريخ الذي يحل فيه التقلبات التي تنطوي عليها أسعار السوق. وهي تأمل أن يعرف السوق أفضل وأن سعر السوق يتضمن، حتى ولو ضمنا، تقديرا للآراء بشأن التقلب. (للاطلاع على القراءة ذات الصلة، انظر استخدامات وحدود التقلب). إذا ركزنا على النهج التاريخية الثلاثة فقط (على اليسار أعلاه)، فإن لديهم خطوتين مشتركتين: حساب سلسلة العوائد الدورية تطبيق مخطط الترجيح أولا، نحن حساب العائد الدوري. ثاتس عادة سلسلة من العوائد اليومية حيث يتم التعبير عن كل عودة في مصطلحات معقدة باستمرار. لكل يوم، ونحن نأخذ السجل الطبيعي لنسبة أسعار الأسهم (أي السعر اليوم مقسوما على السعر أمس، وهلم جرا). هذا ينتج سلسلة من العوائد اليومية، من ش أنا ش أنا م. اعتمادا على عدد الأيام (م أيام) نحن قياس. وهذا يقودنا إلى الخطوة الثانية: هذا هو المكان الذي تختلف فيه النهج الثلاثة. في المقالة السابقة (استخدام التقلب لقياس المخاطر المستقبلية)، أظهرنا أنه في ظل اثنين من التبسيط المقبول، التباين البسيط هو متوسط ​​العوائد التربيعية: لاحظ أن هذه المبالغ كل من الإرجاع الدوري، ثم يقسم المجموع من قبل عدد الأيام أو الملاحظات (م). لذلك، في الواقع مجرد متوسط ​​من المربعات الدورية المربعة. وبعبارة أخرى، يعطى كل مربع مربعة وزن متساو. لذلك إذا كان ألفا (a) عامل ترجيح (على وجه التحديد، 1m)، فإن التباين البسيط يبدو شبيها بهذا: إوما يحسن على التباين البسيط ضعف هذا النهج هو أن جميع العوائد تكسب نفس الوزن. يوم أمس (الأخيرة جدا) عودة ليس لها تأثير أكثر على الفرق من الأشهر الماضية العودة. يتم إصلاح هذه المشكلة باستخدام المتوسط ​​المتحرك المرجح أضعافا مضاعفة (إوما)، حيث يكون لعوائد أكثر حداثة وزنا أكبر على التباين. المتوسط ​​المتحرك المرجح أضعافا مضاعفة (إوما) يدخل لامدا. والتي تسمى المعلمة تمهيد. يجب أن يكون لامبدا أقل من واحد. وبموجب هذا الشرط، بدلا من الأوزان المتساوية، يتم ترجيح كل عائد مربعة بمضاعف على النحو التالي: على سبيل المثال، ريسكمتريكس تم، وهي شركة لإدارة المخاطر المالية، تميل إلى استخدام لامدا 0.94، أو 94. في هذه الحالة، (0-1.94) (.94) 0 6. العائد التربيعي التالي هو ببساطة مضاعف لامدا للوزن السابق في هذه الحالة 6 مضروبا في 94 5.64. والثالث أيام السابقة الوزن يساوي (1-0.94) (0.94) 2 5.30. ثاتس معنى الأسي في إوما: كل وزن هو مضاعف ثابت (أي لامدا، التي يجب أن تكون أقل من واحد) من وزن الأيام السابقة. وهذا يضمن التباين المرجح أو المنحاز نحو المزيد من البيانات الحديثة. (لمعرفة المزيد، راجع ورقة عمل إكسيل لتقلب غوغل.) يظهر أدناه الفرق بين تقلب ببساطة و إوما ل غوغل. التقلبات البسيطة تزن بشكل فعال كل عائد دوري بمقدار 0.196 كما هو موضح في العمود O (كان لدينا عامين من بيانات أسعار الأسهم اليومية، أي 509 عائد يومي و 1509 0.196). ولكن لاحظ أن العمود P تعيين وزن 6، ثم 5.64، ثم 5.3 وهلم جرا. هذا الفرق الوحيد بين التباين البسيط و إوما. تذكر: بعد أن نجمع السلسلة بأكملها (في العمود س) لدينا التباين، وهو مربع الانحراف المعياري. إذا أردنا التقلب، علينا أن نتذكر أن تأخذ الجذر التربيعي لهذا التباين. ما هو الفرق في التقلب اليومي بين التباين و إوما في حالة غوغل لها أهمية: التباين البسيط أعطانا تقلب يومي من 2.4 ولكن إوما أعطى تقلب يومي فقط 1.4 (انظر جدول البيانات لمزيد من التفاصيل). على ما يبدو، استقرت تقلبات غوغل في الآونة الأخيرة وبالتالي، قد يكون التباين البسيط مرتفع بشكل مصطنع. فارق اليوم هو وظيفة من بيور تباين أيام ستلاحظ أننا بحاجة إلى حساب سلسلة طويلة من الأثقال الهبوط أضعافا مضاعفة. لن نفعل الرياضيات هنا، ولكن واحدة من أفضل ملامح إوما هو أن السلسلة بأكملها يقلل بسهولة إلى صيغة عودية: ريكورسيف يعني أن المراجع التباين اليوم (أي وظيفة من التباين أيام سابقة). يمكنك أن تجد هذه الصيغة في جدول البيانات أيضا، وتنتج نفس النتيجة بالضبط كما حساب لونغاند يقول: التباين اليوم (تحت إوما) يساوي التباين الأمس (مرجحة من لامدا) بالإضافة إلى الأمتار مربعة العودة (وزنه من قبل ناقص لامدا). لاحظ كيف أننا مجرد إضافة فترتين معا: يوم أمس التباين المرجح والأمثلة المرجحة، مربعا العودة. ومع ذلك، لامدا هو لدينا تمهيد المعلمة. يشير ارتفاع اللامدا (مثل ريسكمتريكس 94) إلى انحطاط بطيء في السلسلة - من الناحية النسبية، سيكون لدينا المزيد من نقاط البيانات في السلسلة، وسوف تسقط ببطء أكثر. من ناحية أخرى، إذا قلنا من لامدا، فإننا نشير إلى انحلال أعلى: الأوزان تسقط بسرعة أكبر، ونتيجة مباشرة للتسوس السريع، يتم استخدام نقاط بيانات أقل. (في جدول البيانات، لامدا هو المدخلات، حتى تتمكن من تجربة مع حساسية لها). سوماري التقلب هو الانحراف المعياري لحظية من الأسهم ومقياس المخاطر الأكثر شيوعا. وهو أيضا الجذر التربيعي للتباين. يمكننا قياس التباين تاريخيا أو ضمنيا (التقلب الضمني). عند قياس تاريخيا، وأسهل طريقة هو التباين البسيط. ولكن الضعف مع التباين بسيط هو كل عوائد الحصول على نفس الوزن. لذلك نحن نواجه مفاضلة الكلاسيكية: نحن نريد دائما المزيد من البيانات ولكن المزيد من البيانات لدينا أكثر يتم تخفيف الحساب لدينا عن بعد (أقل أهمية) البيانات. ويحسن المتوسط ​​المتحرك المرجح أضعافا مضاعفة (إوما) على التباين البسيط بتخصيص أوزان للعائدات الدورية. من خلال القيام بذلك، يمكننا على حد سواء استخدام حجم عينة كبيرة ولكن أيضا إعطاء المزيد من الوزن لعوائد أكثر حداثة. (لعرض فيلم تعليمي حول هذا الموضوع، قم بزيارة سلحفاة بيونيك.) التنبؤ بواسطة تقنيات تمهيد هذا الموقع هو جزء من جافاسكريبت المختبرات الإلكترونية التعلم الكائنات لاتخاذ القرارات. يتم تصنيف جافا سكريبت أخرى في هذه السلسلة ضمن مجالات مختلفة من التطبيقات في قسم مينو في هذه الصفحة. سلسلة زمنية هي سلسلة من الملاحظات التي يتم ترتيبها في الوقت المناسب. ومن العوامل المتأصلة في جمع البيانات المأخوذة على مر الزمن شكل من أشكال الاختلاف العشوائي. هناك طرق للحد من إلغاء التأثير بسبب الاختلاف العشوائي. التقنيات المستخدمة على نطاق واسع هي تمهيد. وتكشف هذه التقنيات، عندما تطبق بشكل صحيح، عن الاتجاهات الكامنة بشكل أوضح. أدخل السلاسل الزمنية بالصفوف في التسلسل، بدءا من الزاوية العلوية اليسرى، والمعلمة (المعلمات)، ثم انقر على زر حساب للحصول على التنبؤ قبل فترة واحدة. لا يتم تضمين صناديق فارغة في الحسابات ولكن الأصفار هي. في إدخال البيانات الخاصة بك للانتقال من خلية إلى خلية في مصفوفة البيانات استخدام مفتاح تاب لا السهم أو إدخال مفاتيح. ملامح السلاسل الزمنية، والتي يمكن كشفها من خلال فحص الرسم البياني. مع القيم المتوقعة، والسلوك المتبقي، والنمذجة حالة التنبؤ. المتوسطات المتحركة: تعد المتوسطات المتحركة من بين أكثر التقنيات شيوعا في المعالجة المسبقة للمسلسلات الزمنية. وهي تستخدم لتصفية الضوضاء البيضاء العشوائية من البيانات، لجعل السلاسل الزمنية أكثر سلاسة أو حتى للتأكيد على بعض العناصر الإعلامية الواردة في السلاسل الزمنية. الأسي تجانس: هذا هو مخطط شعبية جدا لإنتاج سلسة سلسلة الوقت. في حين أن المتوسطات المتحركة يتم ترجيح الملاحظات السابقة بالتساوي، فإن التسييل الأسي يعين الأوزان المتناقصة بشكل كبير مع تقدم الملاحظة. وبعبارة أخرى، تعطي الملاحظات الأخيرة وزنا أكبر نسبيا في التنبؤ من الملاحظات القديمة. ضعف الأسي تجانس أفضل في التعامل مع الاتجاهات. الثلاثي الأسي تجانس أفضل في التعامل مع اتجاهات القطع المكافئ. متوسط ​​متحرك مرجح أسي مع ثابت التمهيد a. يقابل تقريبا متوسط ​​متحرك بسيط للطول (أي الفترة) n، حيث تكون a و n مرتبطة بما يلي: a 2 (n1) أور n (2 - a) a. وهكذا، على سبيل المثال، فإن المتوسط ​​المتحرك المرجح ألسيا مع ثابت التمهيد يساوي 0.1 من شأنه أن يتوافق تقريبا إلى 19 المتوسط ​​المتحرك اليوم. والمتوسط ​​المتحرك البسيط لمدة 40 يوما من شأنه أن يتوافق تقريبا مع متوسط ​​متحرك مرجح أسي مع ثابت ثابت يساوي 0.04878. هولتس الخطي الأسي تمهيد: لنفترض أن السلسلة الزمنية غير الموسمية ولكن لا عرض الاتجاه. طريقة هولتس تقدر كل من المستوى الحالي والاتجاه الحالي. لاحظ أن المتوسط ​​المتحرك البسيط هو حالة خاصة للتلطيف الأسي عن طريق تحديد فترة المتوسط ​​المتحرك إلى الجزء الصحيح من ألفا (ألفا) ألفا. بالنسبة لمعظم بيانات الأعمال تكون معلمة ألفا أصغر من 0.40 فعالة في كثير من الأحيان. ومع ذلك، يمكن للمرء إجراء بحث شبكة من مساحة المعلمة، مع 0.1 إلى 0.9، مع زيادات من 0.1. ثم أفضل ألفا لديه أصغر خطأ المطلق يعني (خطأ ما). كيفية مقارنة عدة طرق للتجانس: على الرغم من وجود مؤشرات رقمية لتقييم دقة تقنية التنبؤ، فإن النهج الأكثر انتشارا هو استخدام مقارنة مرئية لعدة تنبؤات لتقييم دقتها والاختيار من بين مختلف أساليب التنبؤ. في هذا النهج، يجب على المرء أن مؤامرة (باستخدام، على سبيل المثال إكسيل) على نفس الرسم البياني القيم الأصلية لمتغير سلسلة زمنية والقيم المتوقعة من عدة طرق التنبؤ المختلفة، مما يسهل المقارنة البصرية. قد ترغب في استخدام التوقعات السابقة من قبل تقنيات تجانس جافاسكريبت للحصول على القيم السابقة التنبؤ على أساس تقنيات تمهيد التي تستخدم معلمة واحدة فقط. هولت، وطرق الشتاء تستخدم اثنين وثلاثة معلمات، على التوالي، وبالتالي فإنه ليس من السهل مهمة لتحديد الأمثل، أو حتى بالقرب من القيم المثلى من قبل التجربة والأخطاء للمعلمات. ويؤكد التمهيد الأسي المفرد على المنظور القصير المدى الذي يحدد المستوى للمراقبة الأخيرة ويستند إلى شرط عدم وجود اتجاه. إن الانحدار الخطي، الذي يناسب خط المربعات الصغرى على البيانات التاريخية (أو البيانات التاريخية المحولة)، يمثل المدى الطويل، الذي يشترط الاتجاه الأساسي. هولتس الخطي الأسي تجانس يلتقط المعلومات حول الاتجاه الأخير. والمعلمات في نموذج هولتس هي معلمة المستويات التي ينبغي أن تنخفض عندما يكون مقدار تغير البيانات كبيرا، وينبغي زيادة معلمة الاتجاهات إذا كان اتجاه الاتجاه الأخير مدعوما بالعوامل المسببة لبعض العوامل. التنبؤ على المدى القصير: لاحظ أن كل جافاسكريبت في هذه الصفحة يوفر توقعات خطوة واحدة. للحصول على توقعات من خطوتين. ببساطة إضافة القيمة المتوقعة إلى نهاية لك البيانات سلسلة الوقت ثم انقر على نفس زر حساب. يمكنك تكرار هذه العملية لبضع مرات من أجل الحصول على التوقعات على المدى القصير المطلوبة. أوجد سلسلة زمنية بمتوسط ​​متحرك أسي وأريد حساب عائد متحرك لل إما خلال الفترات m الأخيرة (شيء من هذا القبيل ممهدة العودة تتحرك). Y (t) هي قيمة السلاسل الزمنية في الفترة الزمنية t S (t) هي قيمة المتوسط ​​إما Y في الفترة الزمنية t الآن R (t) هو عودة إما عبر الفترات الزمنية الأخيرة m: السؤال: كم عدد الفترات الزمنية التي ينبغي أن يستخدم فيها حساب إما بالنسبة إلى m معينة، إذا تم حساب المتوسط ​​إما باستخدام S (t) ألفا Y (t) (1 ألفا) S (t-1) (N1)، فكيف ينبغي أن تعتمد N على m إم بافتراض أن N ينبغي أن تكون أقل من m بما فيه الكفاية لمنع تداخل قيم Y التي تستعمل في حساب S (t) و S (تم). أي نظريات أو أفضل الممارسات حول هذا هو في الواقع مشكلة معقدة نوعا ما. هناك بعض الاتجاهات التي يمكن أن ننظر فيها. وتتمثل إحدى الطرق الموصى بها عادة في أدبيات التنبؤ في تحسين أخطاء التنبؤ. إذا كان لديك تطبيق معين في الاعتبار يمكنك تحديد وظيفة التكلفة الخاصة بك لتحسين. وجهة نظر مختلفة حول هذا هو أن ننظر إلى إوما كنموذج فضاء الدولة، ثم المشكلة تعادل إعداد مرشح كالمان المناسب الذي يمكنك القيام به مع مل، انظر على سبيل المثال تحليل سلسلة الوقت من قبل الفضاء الفضاء طرق هناك اتجاهات أخرى يمكنك الذهاب، ولكن أعتقد أن هذا سوف تعطيك فكرة.