متوسط الباندا المتوسط المتحرك أضعافا مضاعفة

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 (باستخدام التقلب لقياس المخاطر المستقبلية)، أظهرنا أنه في ظل اثنين من التبسيط المقبول، التباين البسيط هو متوسط ​​العوائد التربيعية: لاحظ أن هذا المبلغ كل من الإرجاع الدوري، ثم يقسم المجموع بواسطة 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 نحن 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.) التلطيخ بمتوسطات متحركة موزون أضعافا متوسطا متحركا يأخذ سلسلة زمنية صاخبة ويستبدل كل قيمة بمتوسط ​​قيمة حي حيال القيمة المعطاة. قد يتكون هذا الحي من بيانات تاريخية بحتة، أو قد يكون مركزا حول القيمة المعطاة. وعالوة على ذلك، يمكن ترجيح القيم في الحي باستخدام مجموعات مختلفة من األوزان. وفيما يلي مثال لمتوسط ​​متحرك ذو ثلاث نقاط مرجحة على قدم المساواة، باستخدام البيانات التاريخية، هنا، يمثل إشارة ممهدة، ويمثل سلسلة زمنية صاخبة. وعلى النقيض من المتوسطات المتحركة البسيطة، يقوم المتوسط ​​المتحرك المرجح أضعافا مضاعفة (إوما) بتعديل قيمة وفقا لمجموع مرجح أسي من جميع القيم السابقة. هذه هي الفكرة الأساسية، وهذا هو لطيف لأنك don8217t لا داعي للقلق حول وجود نافذة ثلاث نقاط، مقابل نافذة خمس نقاط، أو تقلق بشأن ملاءمة نظام الترجيح الخاص بك. مع إوما، الاضطرابات السابقة 8220 مقطوعة، 8221 و 8220 نسي النسيان، 8221 حسب المصطلح في المعادلة الأخيرة، في حين مع نافذة أو حي مع حدود منفصلة، ​​وينسى الاضطراب بمجرد أن يمر من النافذة. متوسط ​​إوما لاستيعاب الاتجاهات بعد قراءة حول إوما في كتاب تحليل البيانات، كنت قد ذهبت جنبا إلى جنب بسعادة باستخدام هذه الأداة على كل تطبيق تجانس واحد التي جئت عبر. وحتى وقت لاحق، علمت أن وظيفة إوما هي حقا مناسبة فقط للبيانات الثابتة، أي البيانات دون اتجاهات أو موسمية. على وجه الخصوص، وظيفة إوما تقاوم الاتجاهات بعيدا عن المتوسط ​​الحالي أنه 8217s بالفعل 8220seen8221. لذلك، إذا كان لديك وظيفة قبعة صاخبة التي تتراوح من 0، إلى 1، ومن ثم العودة إلى 0، ثم وظيفة إوما سيعود القيم المنخفضة على الجانب العلوي، والقيم العالية على الجانب أسفل التل. طريقة واحدة للتحايل على هذا هو تسهيل إشارة في كلا الاتجاهين، يسيرون إلى الأمام، ثم يسيرون إلى الوراء، ثم متوسط ​​اثنين. هنا، سوف نستخدم الدالة إوما التي تقدمها وحدة الباندا. هولت-وينترز النظام الثاني إوما وهنا هو بعض رمز بايثون تنفيذ طريقة الترتيب الثاني هولت الشتاء على وظيفة قبعة صاخبة أخرى، كما كان من قبل. التنقل بوست المشاركات الأخيرة أدوات كومبوتاتيونال على نحو مماثل، داتافريم يحتوي على طريقة كوف لحساب التباينات الزوجية بين السلسلة في داتافريم، وأيضا استبعاد قيم نانول. وبافتراض أن البيانات المفقودة مفقودة عشوائيا، فإن ذلك يؤدي إلى تقدير لمصفوفة التباين المشترك غير المتحيز. ومع ذلك، قد لا يكون هذا التقدير مقبولا بالنسبة لكثير من التطبيقات لأن مصفوفة التباين المقدرة غير مضمونة لتكون شبه محددة. وهذا يمكن أن يؤدي إلى ارتباطات تقديرية لها قيم مطلقة أكبر من واحد، و أن مصفوفة التباين غير قابل للانعكاس. انظر تقدير مصفوفات التغاير لمزيد من التفاصيل. كما يدعم DataFrame. cov كلمة رئيسية اختيارية مينبيريودس تحدد الحد الأدنى المطلوب من الملاحظات لكل زوج عمود من أجل الحصول على نتيجة صالحة. يتم تحديد الأوزان المستخدمة في النافذة بواسطة الكلمة الرئيسية وينتيب. قائمة أنواع المعترف بها هي: بوكسكار تريانغ بلاكمان هامنج بارتليت بارزن بوهمان بلاكمانهاريس نوتال بارثان كايزر (يحتاج بيتا) غاوسيان (يحتاج ستد) جينيرالغوسيان (يحتاج السلطة، العرض) سليبيان (يحتاج العرض). لاحظ أن نافذة بوكسكار تعادل يعني (). بالنسبة لبعض وظائف النوافذ، يجب تحديد معلمات إضافية: ل. سوم () مع وينتيب. لا يوجد التطبيع القيام به إلى الأوزان للنافذة. تمرير الأوزان المخصصة من 1، 1، 1 سوف تسفر عن نتيجة مختلفة من تمرير الأوزان من 2، 2، 2. على سبيل المثال. عند تمرير وينتيب بدلا من تحديد أوزان صريحة، الأوزان هي بالفعل تطبيع بحيث أكبر وزن هو 1. على النقيض من ذلك، فإن طبيعة. mean () حساب بحيث يتم تطبيع الأوزان فيما يتعلق بعضها البعض. أوزان 1، 1، 1 و 2، 2، 2 تعطي نفس النتيجة. وقت علم المتداول الجديد في الإصدار 0.19.0. الجديد في الإصدار 0.19.0 هي القدرة على تمرير الإزاحة (أو قابلة للتحويل) إلى. rolling () طريقة ويكون لها إنتاج نوافذ متغيرة الحجم استنادا إلى نافذة الوقت مرت. لكل نقطة زمنية، وهذا يشمل جميع القيم السابقة التي تحدث داخل دلتا الوقت المشار إليها. ويمكن أن يكون هذا مفيدا بشكل خاص لمؤشر الترددات غير المنتظمة. هذا هو مؤشر الترددات العادية. استخدام معامل نافذة عدد صحيح يعمل على لفة على طول تردد النافذة. ويتيح تحديد الإزاحة مواصفات أكثر سهولة للتردد المتداول. باستخدام مؤشر غير منتظم، ولكن لا يزال رتابة، المتداول مع نافذة عدد صحيح لا نقل أي حساب خاص. استخدام مواصفات الوقت يولد نوافذ متغيرة لهذه البيانات متفرق. وعلاوة على ذلك، نسمح الآن اختياري على المعلمة لتحديد عمود (بدلا من الافتراضي الفهرس) في داتافريم. الوقت المتداول المتداول مقابل إعادة أخذ العينات باستخدام. rolling () مع فهرس يستند إلى الوقت يشبه إلى حد كبير إعادة اختزال. كلاهما يعمل وأداء عمليات الاختزال على كائنات الباندا بفهرسة الوقت. عند استخدام. rolling () مع إزاحة. الإزاحة هي دلتا الوقت. اتخاذ نافذة في الوراء في الوقت تبحث، وتجميع كل القيم في تلك النافذة (بما في ذلك نقطة النهاية، ولكن ليس نقطة البداية). هذه هي القيمة الجديدة عند هذه النقطة في النتيجة. هذه هي النوافذ ذات الحجم المتغير في مساحة زمنية لكل نقطة من المدخلات. سوف تحصل على نفس الحجم نتيجة المدخلات. عند استخدام. resample () مع إزاحة. إنشاء مؤشر جديد هو تواتر الإزاحة. ولكل حاوية تردد، يتم تجميع النقاط المجمعة من المدخلات داخل نافذة النظر في الوقت المناسب التي تقع في تلك الحاوية. وتكون نتيجة هذا التجميع ناتج نقطة التردد هذه. النوافذ هي حجم حجم ثابت في مساحة التردد. سيكون لديك نتيجة شكل تردد منتظم بين دقيقة والحد الأقصى للكائن المدخلات الأصلية. كي تختصر. المتداول () عملية إطار يستند إلى الوقت، بينما. resample () عملية إطار يستند إلى تردد. توسيط ويندوز يتم تعيين التسميات بشكل افتراضي على الحافة اليسرى للنافذة، ولكن تتوفر كلمة رئيسية مركزية بحيث يمكن تعيين التصنيفات في المركز. دوال ويندو فونكتيونس كوف () و كور () يمكن حساب إحصاءات نافذة متحركة حول سلسلتين أو أي مجموعة من داتافراميزيريز أو داتافرامداتافريم. هنا هو السلوك في كل حالة: سلسلتين. حساب إحصاء الاقتران. DataFrameSeries. حساب الإحصاءات لكل عمود من داتافريم مع سلسلة مرت، وبالتالي إرجاع داتافريم. DataFrameDataFrame. افتراضيا حساب الإحصائية لمطابقة أسماء الأعمدة، وإرجاع داتافريم. إذا تم تمرير وسيطة الكلمة الرئيسية بيرويزترو ثم يحسب الإحصائيات لكل زوج من الأعمدة، فارجع لوحة العناصر التي هي التواريخ المعنية (انظر القسم التالي). الحوسبة المتغايرات المتداخلة الازدواجية والارتباطات في تحليل البيانات المالية وغيرها من المجالات it8217s المشتركة لحساب التباين والمصفوفات الارتباط لمجموعة من السلاسل الزمنية. وكثيرا ما يكون المرء مهتما أيضا بتباين نافذة النافذة ومصفوفات الارتباط. ويمكن القيام بذلك عن طريق تمرير وسيطة الكلمة الرئيسية الزوجية، والتي في حالة مدخلات داتافريم سوف تسفر عن لوحة العناصر التي هي التواريخ المعنية. وفي حالة وسيطة داتافريم واحدة، يمكن حذف الوسيطة الزوجية: يتم تجاهل القيم المفقودة ويتم حساب كل إدخال باستخدام الملاحظات الكاملة الزوجية. يرجى الاطلاع على قسم التباين في التحذيرات المرتبطة بهذه الطريقة لحساب التباين المشترك ومصفوفات الارتباط. وبصرف النظر عن عدم وجود معلمة نافذة، هذه الوظائف لها نفس واجهات مثل نظرائهم. rolling. مثل أعلاه، المعلمات التي يقبلونها جميعا هي: مينبيريودس. عتبة نقاط البيانات غير الفارغة المطلوبة. الافتراضات إلى الحد الأدنى اللازم لحساب الإحصائية. لا نانس سيتم إخراج مرة واحدة وقد شوهدت نقاط البيانات غير فارغة نول. مركز. منطقي، ما إذا كان سيتم تعيين التسميات في مركز (الافتراضي هو فالس) إخراج طرق. rolling و. إكسباندينغ لا ترجع نان إذا كان هناك على الأقل مينبيريودس القيم غير فارغة في الإطار الحالي. هذا يختلف عن كومسوم. cumprod. cummax. و الكمون. التي تعود نان في الإخراج أينما واجه نان في المدخلات. وستكون إحصائية النافذة الآخذة في الاتساع أكثر استقرارا (وأقل استجابة) من نظيرتها المتداول النافذة حيث أن حجم النافذة المتزايد يقلل من التأثير النسبي لنقطة بيانات فردية. وكمثال على ذلك، هنا هو الناتج المتوسط ​​() لمجموعة بيانات السلاسل الزمنية السابقة: ويندوز الموزون أضعافا مضاعفة مجموعة من الوظائف ذات الصلة هي إصدارات مرجحة أضعافا مضاعفة للعديد من الإحصائيات المذكورة أعلاه. يتم الوصول إلى واجهة مماثلة ل. rolling و. إكسباندينغ من خلال طريقة. ewm لتلقي كائن إوم. يتم توفير عدد من طرق إو المتزايدة أضعافا مضاعفة: