29 de março de 2014, por Ryan Hamilton Let8217s, analise como escrever a análise da média móvel em q para o banco de dados do kdb. Como dados de exemplo (mcd. csv), vamos usar dados de preço de estoque para McDonalds MCD. O código abaixo irá baixar os dados do estoque histórico para o MCD e colocá-lo na tabela t: Média de Movimento Simples A média móvel simples pode ser usada para suavizar dados flutuantes para identificar tendências e ciclos gerais. A média móvel simples é a média dos pontos de dados e pesa cada valor no cálculo igualmente. Por exemplo, para encontrar o preço médio móvel de um estoque nos últimos dez dias, simplesmente adicionamos o preço diário desses dez dias e dividimos por dez. Esta janela de tamanho dez dias, em seguida, move-se através das datas, usando os valores dentro da janela para encontrar a média. Here8217s o código em kdb para média móvel de 1020 dias e o gráfico resultante. Gráfico de ações da movimentação média simples Kdb (Produzido usando qStudio) O que é a média móvel exponencial e como calculá-lo Um dos problemas com a média móvel simples é que ele dá todos os dias uma ponderação igual. Para muitos propósitos, faz mais sentido dar aos pesos mais recentes os dias mais recentes, um método para fazer isso é usando o Exponencial Moving Average. Isso usa um peso exponencialmente decrescente para datas mais adiante. A forma mais simples de suavização exponencial é dada pela fórmula: onde é o fator de suavização e 0 Esta tabela mostra como os vários tempos de pesos são calculados dados os valores 1,2,3 , 4,8,10,20 e um fator de suavização de 0,7. (Planilha de Excel) Para realizar este cálculo no kdb, podemos fazer o seguinte: (Este código foi originalmente publicado na lista de e-mail do Google por Attila, a discussão completa pode ser encontrada aqui) Este advérbio de barra invertida funciona como A sintaxe alternativa generaliza para funções de 3 ou mais argumentos em que o primeiro argumento é usado como valor inicial e os argumentos são elementos correspondentes das listas: Gráfico exponencial de média móvel Finalmente, tomamos nossa fórmula e aplicamos-a aos nossos dados de preços de ações, permitindo-nos ver a média móvel exponencial Para dois fatores de alisamento diferentes: gráfico de preço de estoque médio exponencial movido usando qStudio Como você pode ver com a EMA, podemos priorizar valores mais recentes usando um fator de suavização escolhido para decidir o equilíbrio entre dados históricos recentes e históricos. Escrever análise do kdb, como a média móvel exponencial, é abordada no nosso curso de treinamento do kdb. Regularmente oferecemos cursos de treinamento em Londres, Nova York. A Ásia ou o nosso curso online kdb está disponível para começar agora. 1 Resposta a 8220 EMA móvel global expressiva em Kdb8221 Obrigado Ryan, isso é muito útil. Mas eu acho que há um erro de digitação na definição de ema8217s, deve ser: ema: xyExploração A Volatilidade Médica Mover Ponderada Exponencialmente é a medida mais comum de risco, mas vem em vários sabores. Em um artigo anterior, mostramos como calcular a volatilidade histórica simples. (Para ler este artigo, consulte Usando a volatilidade para avaliar o risco futuro.) Usamos os dados atuais do preço das ações da Googles para calcular a volatilidade diária com base em 30 dias de estoque de dados. Neste artigo, melhoraremos a volatilidade simples e discutiremos a média móvel ponderada exponencialmente (EWMA). Vendas históricas. Volatilidade implícita Primeiro, vamos colocar essa métrica em um pouco de perspectiva. Existem duas abordagens amplas: volatilidade histórica e implícita (ou implícita). A abordagem histórica pressupõe que o passado é o prólogo que medimos a história na esperança de que seja preditivo. A volatilidade implícita, por outro lado, ignora o histórico que resolve para a volatilidade implícita nos preços de mercado. Espera que o mercado conheça melhor e que o preço de mercado contenha, mesmo que de forma implícita, uma estimativa consensual da volatilidade. (Para leitura relacionada, veja Os Usos e Limites de Volatilidade.) Se nos concentrarmos apenas nas três abordagens históricas (à esquerda acima), eles têm dois passos em comum: Calcule a série de retornos periódicos. Aplica um esquema de ponderação. Primeiro, nós Calcule o retorno periódico. Isso geralmente é uma série de retornos diários, em que cada retorno é expresso em termos compostos continuamente. Para cada dia, tomamos o log natural da proporção dos preços das ações (ou seja, preço hoje dividido por preço ontem, e assim por diante). Isso produz uma série de retornos diários, de u i to u i-m. Dependendo de quantos dias (m dias) estamos medindo. Isso nos leva ao segundo passo: é aqui que as três abordagens diferem. No artigo anterior (Usando a volatilidade para avaliar o risco futuro), mostramos que, sob um par de simplificações aceitáveis, a variância simples é a média dos retornos quadrados: Observe que isso resume cada um dos retornos periódicos, então divide esse total pelo Número de dias ou observações (m). Então, é realmente apenas uma média dos retornos periódicos ao quadrado. Dito de outra forma, cada retorno quadrado recebe um peso igual. Então, se o alfa (a) é um fator de ponderação (especificamente, um 1m), então uma variância simples parece algo assim: O EWMA melhora a diferença simples. A fraqueza dessa abordagem é que todos os retornos ganham o mesmo peso. O retorno de ontem (muito recente) não tem mais influência na variação do que o retorno dos últimos meses. Esse problema é corrigido usando a média móvel ponderada exponencialmente (EWMA), na qual os retornos mais recentes têm maior peso na variância. A média móvel ponderada exponencialmente (EWMA) apresenta lambda. Que é chamado de parâmetro de suavização. Lambda deve ser inferior a um. Sob essa condição, em vez de pesos iguais, cada retorno ao quadrado é ponderado por um multiplicador da seguinte forma: por exemplo, RiskMetrics TM, uma empresa de gerenciamento de risco financeiro, tende a usar uma lambda de 0,94 ou 94. Neste caso, o primeiro ( Mais recente) o retorno periódico ao quadrado é ponderado por (1-0.94) (. 94) 0 6. O próximo retorno ao quadrado é simplesmente um múltiplo lambda do peso anterior neste caso 6 multiplicado por 94 5,64. E o terceiro dia anterior é igual (1-0,94) (0,94) 2 5,30. Esse é o significado de exponencial em EWMA: cada peso é um multiplicador constante (isto é, lambda, que deve ser inferior a um) do peso dos dias anteriores. Isso garante uma variação ponderada ou tendenciosa em relação a dados mais recentes. (Para saber mais, confira a Planilha do Excel para a Volatilidade dos Googles.) A diferença entre a simples volatilidade e o EWMA para o Google é mostrada abaixo. A volatilidade simples efetivamente pesa cada retorno periódico em 0.196 como mostrado na Coluna O (tivemos dois anos de dados diários de preço das ações. Isso é 509 devoluções diárias e 1509 0.196). Mas observe que a coluna P atribui um peso de 6, então 5.64, depois 5.3 e assim por diante. Essa é a única diferença entre variância simples e EWMA. Lembre-se: depois de somar toda a série (na coluna Q), temos a variância, que é o quadrado do desvio padrão. Se queremos volatilidade, precisamos lembrar de assumir a raiz quadrada dessa variância. Qual é a diferença na volatilidade diária entre a variância e EWMA no caso do Googles. É significativo: a variância simples nos deu uma volatilidade diária de 2,4, mas a EWMA deu uma volatilidade diária de apenas 1,4 (veja a planilha para obter detalhes). Aparentemente, a volatilidade de Googles estabeleceu-se mais recentemente, portanto, uma variação simples pode ser artificialmente alta. A diferença de hoje é uma função da diferença de dias Pior. Você notará que precisamos calcular uma série longa de pesos exponencialmente decrescentes. Nós não vamos fazer a matemática aqui, mas uma das melhores características do EWMA é que a série inteira se reduz convenientemente a uma fórmula recursiva: Recursiva significa que as referências de variância de hoje (ou seja, são uma função da variância dos dias anteriores). Você também pode encontrar esta fórmula na planilha e produz exatamente o mesmo resultado que o cálculo de longitude. Diz: A variação de hoje (sob EWMA) é igual a variação de ontem (ponderada por lambda) mais retorno de ônibus quadrado (pesado por um menos lambda). Observe como estamos apenas adicionando dois termos em conjunto: variância ponderada de ontem e ponderada de ontem, retorno quadrado. Mesmo assim, lambda é o nosso parâmetro de suavização. Um lambda mais alto (por exemplo, como RiskMetrics 94) indica decadência mais lenta na série - em termos relativos, teremos mais pontos de dados na série e eles vão cair mais devagar. Por outro lado, se reduzirmos a lambda, indicamos maior deterioração: os pesos caem mais rapidamente e, como resultado direto da rápida deterioração, são usados menos pontos de dados. (Na planilha, lambda é uma entrada, para que você possa experimentar sua sensibilidade). Resumo A volatilidade é o desvio padrão instantâneo de um estoque e a métrica de risco mais comum. É também a raiz quadrada da variância. Podemos medir a variância historicamente ou implicitamente (volatilidade implícita). Ao medir historicamente, o método mais fácil é a variância simples. Mas a fraqueza com variação simples é que todos os retornos recebem o mesmo peso. Então, enfrentamos um trade-off clássico: sempre queremos mais dados, mas quanto mais dados temos, mais nosso cálculo é diluído por dados distantes (menos relevantes). A média móvel ponderada exponencialmente (EWMA) melhora a variação simples ao atribuir pesos aos retornos periódicos. Ao fazer isso, podemos usar um grande tamanho de amostra, mas também dar maior peso aos retornos mais recentes. (Para ver um tutorial de filme sobre este tópico, visite a Tartaruga Bionica.)
Calculando totais em execução e médias móveis no Microsoft Access com estatísticas de acesso total O Microsoft Access não oferece recursos internos para calcular os totais em execução. Os totais de execução são resumos sobre um número definido de registros. Por exemplo, uma média móvel de 30 dias que você gostaria de calcular para cada registro com base em seu valor e seus 29 registros anteriores. Felizmente, as estatísticas de acesso totais realizam uma ampla gama de cálculos totais em execução em seus registros: Execute resumos para um conjunto móvel de registros para calcular somas, médias, mínimo, máximo, intervalo, mediana, desvio padrão, etc. Coloque o valor de resumo em um Campo na sua fonte de dados Analise os dados nas suas tabelas e consultas de acesso (incluindo dados vinculados) Agrupe o suporte em valores de campo para que você possa realizar múltiplas análises em uma única vez Os totais em execução foram adicionados às estatísticas de acesso total do Microsoft Access 2007...
Comments
Post a Comment