ถัว เฉลี่ยเคลื่อนที่ มาตรฐาน เบี่ยงเบน

ความแตกต่างระหว่างค่าเฉลี่ยถ่วงน้ำหนักกับค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักค่าเฉลี่ยเคลื่อนที่ 5 ช่วงโดยอิงจากราคาข้างต้นจะคำนวณโดยใช้สูตรต่อไปนี้ตามสมการข้างต้นราคาเฉลี่ยในช่วงที่ระบุข้างต้นคือ 90 66 การใช้ค่าเฉลี่ยเคลื่อนที่เป็นวิธีที่มีประสิทธิภาพในการขจัดความผันผวนของราคาที่แข็งแกร่งข้อ จำกัด ที่สำคัญคือจุดข้อมูลจากข้อมูลที่เก่ากว่าจะไม่ได้รับการถ่วงน้ำหนักแตกต่างจากจุดข้อมูลที่อยู่ใกล้กับจุดเริ่มต้นของชุดข้อมูลซึ่งเป็นที่ที่ค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักเข้ามามีส่วนร่วม น้ำหนักที่มากขึ้นไปยังจุดข้อมูลปัจจุบันมากขึ้นเนื่องจากมีความเกี่ยวข้องมากกว่าจุดข้อมูลในอดีตที่ผ่านมาผลรวมของการถ่วงน้ำหนักควรเพิ่มขึ้นเป็น 1 หรือ 100 ในกรณีของค่าเฉลี่ยเคลื่อนที่แบบง่ายๆการถ่วงน้ำหนักมีการกระจายอย่างเท่าเทียมกันซึ่งเป็นเหตุผล พวกเขาจะไม่แสดงในตารางข้างบนการปิดราคาของ AAPL การสำรวจความถ่วงน้ำหนักโดยเฉลี่ยที่มีการเคลื่อนไหวเฉลี่ยเป็นความเสี่ยงที่พบมากที่สุดของความเสี่ยง แต่มาพร้อมกับฉัน n หลายรสชาติในบทความก่อนหน้านี้เราได้แสดงวิธีการคำนวณความผันผวนทางประวัติศาสตร์ที่เรียบง่ายอ่านบทความนี้ที่การใช้ความผันผวนเพื่อวัดความเสี่ยงในอนาคตเราใช้ข้อมูลราคาหุ้นจริงของ Google เพื่อคำนวณความผันผวนรายวันตามข้อมูลหุ้นภายใน 30 วัน บทความนี้เราจะปรับปรุงความผันผวนที่เรียบง่ายและหารือเกี่ยวกับค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนัก EWMA Historical Vs อธิบายความผันผวนครั้งแรกให้วางเมตริกนี้เป็นบิตของมุมมองมีสองวิธีกว้างความผันผวนทางประวัติศาสตร์และโดยนัยหรือแอบแฝงวิธีการทางประวัติศาสตร์ถือว่าอดีตที่ผ่านมา เป็นคำนำที่เราวัดประวัติศาสตร์ด้วยความหวังว่าจะเป็นการคาดการณ์ความผันผวนโดยนัยในมืออื่น ๆ ละเว้นประวัติศาสตร์ที่จะแก้ปัญหาความผันผวนตามนัยโดยราคาในตลาดหวังว่าตลาดรู้ดีที่สุดและราคาในตลาดที่มีแม้ว่าโดยนัย การประมาณค่าความแปรปรวนของความผันผวนสำหรับการอ่านที่เกี่ยวข้องโปรดดูที่การใช้และข้อ จำกัด ของความผันผวนหากเรามุ่งเน้นไปที่วิธีการทางประวัติศาสตร์เพียงสามวิธี s ด้านซ้ายข้างต้นพวกเขามีสองขั้นตอนร่วมกันคำนวณชุดของผลตอบแทนเป็นระยะ ๆ ใช้แผนการถ่วงน้ำหนักก่อนที่เราจะคำนวณผลตอบแทนเป็นระยะ ๆ นั่นคือโดยปกติชุดของผลตอบแทนรายวันที่กลับแต่ละครั้งจะถูกแสดงในคำประกอบกันอย่างต่อเนื่องสำหรับ ในแต่ละวันเราจะเข้าสู่ระบบธรรมชาติของอัตราส่วนของราคาหุ้นเช่นราคาวันนี้หารด้วยราคาเมื่อวานนี้และอื่น ๆ ซึ่งจะสร้างชุดของผลตอบแทนรายวันตั้งแต่ ui ไปจนถึง u im ทั้งนี้ขึ้นอยู่กับจำนวนวันที่เราวัด นี่เป็นวิธีที่สามวิธีแตกต่างกันในบทความก่อนหน้านี้การใช้ความผันผวนเพื่อวัดความเสี่ยงในอนาคตแสดงให้เห็นว่าภายใต้สองข้อดีที่ยอมรับได้ค่าความแปรปรวนที่เรียบง่ายคือค่าเฉลี่ยของผลตอบแทนที่ได้จากการแปลงเป็นกำลังสอง แต่ละผลตอบแทนเป็นระยะจากนั้นหารจำนวนทั้งหมดด้วยจำนวนวันหรือการสังเกตการณ์ m ดังนั้นจึงเป็นเพียงแค่ค่าเฉลี่ยของผลตอบแทนเป็นระยะ ๆ ทำให้เกิดความแตกต่างอีกวิธีหนึ่งผลตอบแทนแต่ละอันจะได้รับน้ำหนักที่เท่ากันดังนั้นหาก อัลฟาเป็นปัจจัยน้ำหนักโดยเฉพาะอย่างยิ่ง 1 เมตรแล้วความแปรปรวนง่ายมีลักษณะเช่นนี้ EWMA ปรับปรุงความแปรปรวนง่ายจุดอ่อนของวิธีนี้คือผลตอบแทนทั้งหมดได้รับน้ำหนักเดียวกันเมื่อวานนี้ผลตอบแทนล่าสุดมากไม่ได้มีอิทธิพลมากขึ้นเมื่อ ความแปรปรวนมากกว่าผลตอบแทนของเดือนที่ผ่านมาปัญหานี้ได้รับการแก้ไขโดยใช้ค่าเฉลี่ยถ่วงน้ำหนักแบบ EWMA ซึ่งเป็นผลตอบแทนที่มากขึ้นเมื่อเร็ว ๆ นี้มีน้ำหนักมากกว่าค่าความแปรปรวนค่าเฉลี่ยเคลื่อนที่แบบ EWMA ที่มีการถ่วงน้ำหนักแบบเลขยกกำลังสองแนะนำ Lambda ซึ่งเรียกว่าพารามิเตอร์การทำให้ราบเรียบแลมบ์ดาต้องน้อยลง มากกว่าหนึ่งภายใต้เงื่อนไขนั้นแทนน้ำหนักที่เท่ากันผลตอบแทนที่ได้รับจะเพิ่มขึ้นตามตัวคูณดังต่อไปนี้ตัวอย่างเช่น RiskMetrics TM ซึ่งเป็น บริษัท บริหารความเสี่ยงทางการเงินมีแนวโน้มที่จะใช้ lambda เป็น 0 94 หรือ 94 ในกรณีนี้ ผลตอบแทนย้อนกลับเป็นระยะ ๆ เป็นครั้งแรกโดยมีการถ่วงน้ำหนักเป็น 1-0 94 94 0 6 ผลตอบแทนที่ได้จะเป็นตัวเลข lambda-multiple ของน้ำหนักก่อนหน้าในกรณีนี้ 6 คูณด้วย 94 5 64 และ t hird น้ำหนักของวันก่อนหน้าเท่ากับ 1-0 94 0 94 2 5 30. ความหมายของเลขยกกำลังใน EWMA แต่ละน้ำหนักเป็นตัวคูณที่คงที่เช่น lambda ซึ่งต้องน้อยกว่าหนึ่งในน้ำหนักของวันก่อนหน้านี้ซึ่งจะทำให้เกิดความแปรปรวนที่ มีน้ำหนักหรือลำเอียงไปยังข้อมูลล่าสุดเมื่อต้องการเรียนรู้เพิ่มเติมโปรดดูที่แผ่นงาน Excel สำหรับความผันผวนของ Google ความแตกต่างระหว่างความผันผวนเพียงอย่างเดียวกับ EWMA สำหรับ Google มีดังต่อไปนี้ความผันผวนของข้อมูลอย่างมีประสิทธิภาพช่วยให้น้ำหนักของผลตอบแทนเป็นระยะ ๆ 0 196 ตามที่แสดงในคอลัมน์ O เรามีข้อมูลราคาหุ้นย้อนหลังเป็นเวลา 2 ปีนั่นคือผลตอบแทน 509 วันและ 1 509 0 196 แต่สังเกตว่าคอลัมน์ P กำหนดน้ำหนัก 6 จากนั้น 5 64 แล้ว 5 3 และอื่น ๆ นั่นคือความแตกต่างระหว่างความแปรปรวนเพียงอย่างเดียวและ EWMA หลังจากที่เราสรุปซีรี่ส์ทั้งหมดในคอลัมน์ Q เรามีความแปรปรวนซึ่งเป็นค่าสแควร์ของส่วนเบี่ยงเบนมาตรฐานถ้าเราต้องการความผันผวนเราต้องจำไว้ว่าให้ใช้รากที่สองของความแปรปรวนดังกล่าวความแตกต่างของความผันผวนรายวัน ระหว่าง vari ance และ EWMA ในกรณีของ Google มันสำคัญตัวแปรที่ง่ายทำให้เรามีความผันผวนรายวัน 2 4 แต่ EWMA ให้ความผันผวนรายวันเพียง 1 4 ดูสเปรดชีทสำหรับรายละเอียด Apparently, ความผันผวนของ Google ตัดสินลงเมื่อเร็ว ๆ นี้จึงง่าย ความแปรปรวนอาจจะสูงเทียมความแปรปรวนของวันนี้เป็นหน้าที่ของความแตกต่างของวัน Pior คุณจะสังเกตเห็นว่าเราจำเป็นต้องคำนวณชุดยาวของน้ำหนักลดลงชี้แจงเราได้รับรางวัลไม่ทำคณิตศาสตร์ที่นี่ แต่หนึ่งในคุณสมบัติที่ดีที่สุดของ EWMA คือ ชุดทั้งหมดจะลดลงเป็นสูตร recursive ซึ่งหมายความว่าการอ้างอิงความแปรปรวนในวันนี้คือการทำงานของความแปรปรวนของวันก่อนหน้าคุณสามารถหาสูตรนี้ในสเปรดชีตได้ด้วยและจะให้ผลเหมือนกันกับการคำนวณแบบ longhand ความแปรปรวนของวันนี้ภายใต้ EWMA เท่ากับความแปรปรวนของวานนี้โดยถ่วงน้ำหนักด้วย lambda บวกกับการเพิ่มกำลังสองของถ่วงน้ำหนักโดยการลบแลมบ์ดาลบอย่างใดอย่างหนึ่งสังเกตว่าเราแค่เพิ่มคำสองคำด้วยกันเมื่อวานนี้ s weighted v ariance และ yesterdays weighted, squared return ดังนั้นแลมบ์ดาก็คือพารามิเตอร์ที่ราบเรียบของเราค่า lambda เช่นเช่น RiskMetric s 94 บ่งชี้ว่าการสลายตัวของซีรีส์ช้าลง - ในแง่ญาติเราจะมีจุดข้อมูลมากขึ้นในชุดข้อมูล จะลดลงช้ากว่าในทางกลับกันถ้าเราลดแลมบ์ดาเราจะบ่งบอกถึงการสลายตัวที่สูงขึ้นน้ำหนักจะลดลงอย่างรวดเร็วและเป็นผลโดยตรงจากการผุกร่อนที่รวดเร็วใช้จุดข้อมูลน้อยลงในสเปรดชีตแลมบ์ดาเป็นอินพุต ดังนั้นคุณสามารถทดลองกับความไวของตนความผันผวนของเดือนคือความเบี่ยงเบนมาตรฐานของสต็อกและเมตริกความเสี่ยงที่พบมากที่สุดนอกจากนี้ยังเป็นรากที่สองของความแปรปรวนเราสามารถวัดความแปรปรวนของความแปรปรวนในอดีตหรือโดยนัยได้เมื่อการวัดในอดีตวิธีที่ง่ายที่สุดคือ ความแปรปรวนง่าย แต่ความอ่อนแอกับความแปรปรวนที่เรียบง่ายคือผลตอบแทนทั้งหมดจะมีน้ำหนักเท่ากันดังนั้นเราจึงต้องเผชิญกับข้อผูกมัดแบบเดิม ๆ ที่เราต้องการข้อมูลเพิ่มเติม แต่ข้อมูลที่มากขึ้นเรามีการคำนวณของเรามากขึ้น ถูกลดทอนโดยข้อมูลที่เกี่ยวข้องน้อยกว่าค่าเฉลี่ยถ่วงน้ำหนัก EWMA ถ่วงน้ำหนักแบบยกกำลังสองช่วยเพิ่มความแปรปรวนอย่างง่ายโดยการกำหนดน้ำหนักให้ได้ผลตอบแทนเป็นระยะโดยการทำเช่นนี้เราสามารถใช้ตัวอย่างขนาดใหญ่ แต่ยังให้น้ำหนักมากขึ้นกับผลตอบแทนล่าสุด หากต้องการดูบทแนะนำเกี่ยวกับภาพยนตร์เกี่ยวกับหัวข้อนี้โปรดไปที่ Turtle Bionic การสำรวจโดยสำนักสถิติแรงงานแห่งสหรัฐอเมริกาเพื่อช่วยในการวัดตำแหน่งงานที่ว่างเก็บข้อมูลจากนายจ้างจำนวนเงินสูงสุดที่สหรัฐอเมริกาสามารถยืมได้ สร้างขึ้นภายใต้พระราชบัญญัติเสรีภาพตราสารหนี้ครั้งที่สองอัตราดอกเบี้ยที่สถาบันรับฝากเงินให้ยืมเงินไว้ใน Federal Reserve ไปยังสถาบันรับฝากเงินแห่งอื่น 1 มาตรการทางสถิติในการกระจายผลตอบแทนสำหรับการรักษาความปลอดภัยหรือดัชนีตลาดที่กำหนดความผันผวนสามารถวัดได้ การกระทำรัฐสภาคองเกรสผ่านในปีพ. ศ. 2476 ตามพระราชบัญญัติการธนาคารซึ่งห้ามไม่ให้ธนาคารพาณิชย์เข้าร่วมในการลงทุนการจ่ายเงินเดือนของ Nonfarm หมายถึงงานนอกฟาร์มฟาร์มเอกชนและภาครัฐที่ไม่แสวงหาผลกำไร US Bureau of Labour whuber - นี่คือผิดเป็นคุณสงสัยว่ามันถูกต้องถ้าน้ำหนักตัวเองเป็นความถี่ แต่ถึงแม้ว่าความถี่ไปในการคำนวณเปอร์เซ็นต์ในกรณีนี้น้ำหนักแม้ว่าจะไม่ระบุไม่ความถี่ของการเกิดขึ้น แต่อย่างอื่นจะทำอย่างไรกับปริมาณข้อมูลดังนั้นนี้ เป็นคำตอบที่ไม่ถูกต้อง Rex Kerr Sep 8 15 at 17 50.The สูตรมีสถานที่ต่างๆรวมทั้งวิกิพีเดียที่สำคัญคือการสังเกตเห็นว่ามันขึ้นอยู่กับสิ่งที่หมายถึงน้ำหนักโดยเฉพาะอย่างยิ่งคุณจะได้คำตอบที่แตกต่างกันถ้าน้ำหนักเป็นความถี่เช่น คุณเพียงพยายามหลีกเลี่ยงการเพิ่มผลรวมทั้งหมดของคุณถ้าน้ำหนักอยู่ในความเป็นจริงความแปรปรวนของการวัดแต่ละครั้งหรือหากพวกเขาเพียงบางค่าภายนอกที่คุณกำหนดในข้อมูลของคุณในกรณีของคุณเผินๆดูเหมือนน้ำหนักเป็นความถี่ แต่พวกเขาไม่ได้คุณสร้างข้อมูลของคุณจากความถี่ แต่ไม่ได้เป็นเรื่องง่ายของการมีระเบียน 45 3 และ 15 ของ 4 ในชุดข้อมูลของคุณแทนคุณต้องใช้วิธีสุดท้ายที่จริงทั้งหมดนี้ เป็นขยะ - คุณจำเป็นต้องใช้รูปแบบที่ซับซ้อนมากขึ้นของกระบวนการที่สร้างตัวเลขเหล่านี้คุณเห็นได้ชัดว่าไม่มีอะไรที่ spits out ตัวเลขกระจายตามปกติดังนั้น characterise ระบบที่มีค่าเบี่ยงเบนมาตรฐานไม่ได้เป็นสิ่งที่ถูกต้องที่จะทำ . ในกรณีใด ๆ สูตรสำหรับความแปรปรวนที่คุณคำนวณค่าเบี่ยงเบนมาตรฐานในทางปกติด้วยน้ำหนักความน่าเชื่อถืออยู่ที่นี่ x sum wi xi sum wi เป็นค่าเฉลี่ยถ่วงน้ำหนักคุณ don t มีการประมาณการสำหรับน้ำหนักที่ฉันสมมติว่า คุณต้องการที่จะเป็นสัดส่วนกับความน่าเชื่อถือการร้อยละวิธีที่คุณกำลังจะทำให้การวิเคราะห์ที่ยุ่งยากแม้ว่าจะสร้างขึ้นใหม่โดยกระบวนการ Bernoulli เพราะถ้าคุณได้รับคะแนนจาก 20 และ 0 คุณมีเปอร์เซ็นต์ที่ไม่มีที่สิ้นสุดการถ่วงน้ำหนักโดยผกผัน ของ SEM เป็นสิ่งที่พบบ่อยและบางครั้งที่ดีที่สุดที่จะทำคุณควรใช้ค่าประมาณ Bayesian หรือวิลสันช่วงคะแนน intered ตอบ 8 ก. ย. 48 ที่ 17 48 1 การสนทนาเกี่ยวกับความหมายที่แตกต่างกันของน้ำหนักคือสิ่งที่ฉันเป็น มองหาในหัวข้อนี้ตลอดมันเป็นส่วนสำคัญในทุกคำถามของเว็บไซต์นี้เกี่ยวกับสถิติถ่วงน้ำหนักฉันเล็กน้อยกังวลเกี่ยวกับคำพูดเกี่ยวกับการจำศีลที่เกี่ยวกับการแจกแจงแบบปกติและส่วนเบี่ยงเบนมาตรฐานแม้ว่าเนื่องจากไม่ถูกต้องแนะนำว่า SD ไม่ได้ใช้ภายนอก รูปแบบตามปกติ whuber กันยายน 8 15 ที่ 18 23. whuber - ดีทฤษฎีบทขีดกลางกลางเพื่อช่วยเหลือแน่นอน แต่สำหรับสิ่งที่ OP ได้ทำพยายาม characterize ที่ชุดของตัวเลขที่มีค่าเฉลี่ยและเบี่ยงเบนมาตรฐานดูเหมือนเหลือเกินเหลือเกิน และโดยทั่วไปแล้วการเบี่ยงเบนมาตรฐานส่วนใหญ่จะใช้วิธีเบี่ยงเบนมาตรฐานซึ่งทำให้เกิดความรู้สึกผิดพลาดในการทำความเข้าใจตัวอย่างเช่นหากการแจกจ่ายนั้นเป็นสิ่งปกติธรรมดาหรือประมาณค่าที่ดีโดยประมาณการเบี่ยงเบนมาตรฐานจะทำให้คุณมีความคิดที่ไม่ดี ของหางเมื่อมันเป็นว่าหางที่คุณอาจสนใจมากที่สุดในการทดสอบสถิติ Rex Kerr 8 ก. ย. 15 ที่ 19 44 RexKerr เราแทบจะไม่สามารถตำหนิ stan ความเบี่ยงเบนของ dard ถ้าคนวางการตีความในนั้นที่ไม่ถูกต้อง แต่ให้ย้ายออกไปจากปกติและพิจารณาระดับกว้างมากของการกระจายแบบสมมาตร unimodal อย่างต่อเนื่องกับความแปรปรวนแน่นอนตัวอย่างเช่นระหว่าง 89 และร้อยละ 100 ของการกระจายอยู่ภายในสอง deviations มาตรฐานที่ s มักจะมีประโยชน์มากที่จะรู้และ 95 อยู่ค่อนข้างมากในช่วงกลางดังนั้นจึงไม่มากไปกว่าประมาณ 7 ออกมีการแจกแจงทั่วไปหลายด้านสมมาตรลดลง doesn t เปลี่ยนมากเช่นมองไปที่เลขยกตัวอย่างเช่น ctd Glenb 1 ตุลาคม 15 เวลา 23 57