ความแปรปรวนของผลตอบแทนประจำปีขึ้นอยู่กับความแปรปรวนของผลตอบแทนรายเดือน


11

ฉันพยายามที่จะเข้าใจความแตกต่างทั้งหมด / ข้อผิดพลาดมาตรฐานของชุดเวลาของผลตอบแทนทางการเงินและฉันคิดว่าฉันติดอยู่ ฉันมีชุดข้อมูลการส่งคืนสินค้ารายเดือน (เรียกว่า ) ซึ่งคาดว่ามีค่า 1.00795 และผลต่าง 0.000228 (std. dev คือ 0.01512) ฉันพยายามคำนวณกรณีเลวร้ายที่สุดของผลตอบแทนรายปี (สมมุติว่ามูลค่าที่คาดหวังลบด้วยข้อผิดพลาดมาตรฐานสองเท่า) วิธีไหนเป็นวิธีที่ดีที่สุดที่จะทำ? . คำนวณเป็นเดือนเดียว ( ) แล้วคูณด้วยตัวมันเอง 12 ครั้ง (= 0.7630 ) . สมมติว่าเดือนมีความเป็นอิสระกำหนด 12 ครั้งพบว่าเป็นค่าที่คาดหวังX

μX2σX=0.977

Y=XX...XE[Y]=(E[X])12) และความแปรปรวน{12} สำหรับการพัฒนามาตรฐานในกรณีนี้คือ 0.0572 และค่าที่คาดหวังลบสองมาตรฐาน. dev เป็น0.9853 . ซี . คูณมาตรฐานรายเดือน. dev กับจะได้รับหนึ่งประจำปี. ใช้มันเพื่อหากรณีที่เลวร้ายที่สุดประจำปี ค่า ( ) มันออกมาเป็น0.9949อัน ไหนที่ถูกต้องวิธีที่เหมาะสมในการคำนวณค่าประจำปีที่คาดหวังลบด้วยสอง std คือ dev ถ้าคุณรู้คุณสมบัติเหล่านี้สำหรับข้อมูลรายเดือนเท่านั้น ? (โดยทั่วไป - ถ้า 12 ครั้งและ ,var[Y]=(var[X]+(E[X])2)12((E[X]2)12

12μ2σ

Y=XX...XμXσXเป็นที่รู้จักคืออะไร)μY2σY

คำตอบ:


7

หากคุณกำหนดอัตราผลตอบแทนตามสัดส่วนเป็นโดยที่คือราคาไม่ใช่เรื่องแปลกที่มีผลตอบแทนรายวันเพียงแค่คูณผลตอบแทนแบบสัดส่วนด้วย (จำนวนที่ทำงาน วันในหนึ่งปี) และค่าเบี่ยงเบนมาตรฐานโดยเพื่อทำให้เป็นรายปี สอดคล้องกับกรณีของคุณนี้C จุดที่นี่คือการrescaleเพื่อให้ตัวเลขประจำปีที่มีความหมายสามารถรายงานจากตัวเลขรายวัน (แต่คุณจะไม่ใช้สิ่งนี้เพื่อเปรียบเทียบตัวชี้วัดที่ได้มาจากรายวันเทียบกับที่ได้มาจากรายเดือน) โดยทั่วไปคุณจะต้องทำการคำนวณทั้งหมดและทำการตัดสินใจทั้งหมดตามความถี่ที่คุณรวบรวมข้อมูล (รายเดือนในกรณีของคุณ)ΔP/P=(Pt+1Pt)/PtP250250

วิธีการที่ถูกต้องตามหลักทฤษฏีคือการใช้บันทึกส่งคืน = (ใช้บันทึกธรรมชาติ) สูตรสำหรับความคาดหวังของผลรวมของตัวแปรแบบสุ่มนั้นสามารถใช้ได้อย่างถูกต้องเนื่องจากผลรวมของการส่งคืนบันทึกคือบันทึกของผลิตภัณฑ์ของผลตอบแทนlog(Pt+1/Pt)

ยิ่งไปกว่านั้นถ้าคุณใช้ log return The Central Limit Theorem จะให้เหตุผลทางทฤษฎีบางอย่างที่การคืนค่าล็อกปกติแล้วการกระจาย (โดยปกติแล้ว The Central Limit Theorem บอกว่าผลรวมของตัวแปรอิสระมีแนวโน้มที่จะมีการแจกแจงแบบปกติ ) นี้ช่วยให้คุณกำหนดความน่าจะเป็นที่จะได้เห็นผลตอบแทนน้อยกว่า (น่าจะได้รับจากฟังก์ชันการกระจายสะสมสำหรับการกระจายปกติ:0.023) หากบันทึกการส่งคืนมีการกระจายตามปกติเราจะบอกว่าการส่งคืนถูกแจกจ่ายแบบล็อกนอ - นี่เป็นหนึ่งในสมมติฐานที่ใช้ในการกำหนดสูตรการกำหนดราคาตัวเลือก Black Scholes ที่มีชื่อเสียงμ2σΦ(2)0.023)

สิ่งหนึ่งที่ควรทราบคือเมื่อผลตอบแทนเป็นสัดส่วนมีขนาดเล็กแล้วผลตอบแทนตามสัดส่วนจะเท่ากับเท่ากับผลตอบแทนจากการบันทึก เหตุผลของเรื่องนี้คือชุดเทย์เลอร์สำหรับลอการิทึมธรรมชาติได้รับจากและเมื่อผลตอบแทนเป็นสัดส่วนมีขนาดเล็กคุณสามารถละเว้นคำที่มี ,ฯลฯ การประมาณนี้ให้ความสะดวกสบายมากขึ้นสำหรับผู้ที่เลือกที่จะทำงานกับผลตอบแทนตามสัดส่วนและคูณค่าเฉลี่ยด้วยและ ค่าเบี่ยงเบนมาตรฐานโดย !log(1+x)=x12x2+13x3+xx2x3nn

คุณควรจะสามารถค้นหาข้อมูลเพิ่มเติมบนเว็บ เช่นฉันพยายามค้นหา "บันทึกการส่งคืน" เพื่อรีเฟรชหน่วยความจำของฉันและการเข้าชมครั้งแรกก็ค่อนข้างดี

สิ่งที่คุณได้ใส่ในกรณีเป็นสิ่งที่ผิด ในส่วนที่เหลือของโพสต์ของคุณคุณใช้ข้อเท็จจริงที่ (i) ความคาดหวังของผลรวมของตัวแปรสุ่มคือผลรวมของความคาดหวังของพวกเขาและ (ii) ความแปรปรวนของผลรวมของตัวแปรสุ่มอิสระคือผลรวมของความแปรปรวน จาก (ii) มันตามที่ค่าเบี่ยงเบนมาตรฐานของอิสระตัวแปรสุ่มกระจายเหมือนกันกับส่วนเบี่ยงเบนมาตรฐานมี\แต่ในกรณีAคุณได้คูณทั้งค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานด้วยในขณะที่ค่าเฉลี่ยต้องคูณด้วยและค่าเบี่ยงเบนมาตรฐานโดยnσnσμXσXnnn.

จุดที่บอบบาง แต่สำคัญดังที่ระบุไว้ในความเห็นของ @ whuber คือกฎ (ii) ต้องการความสัมพันธ์ซึ่งในกรณีของอนุกรมเวลาหมายถึงไม่มีความสัมพันธ์แบบอนุกรม (โดยปกติจะเป็นความจริง แต่ควรตรวจสอบ) ข้อกำหนดสำหรับความเป็นอิสระถือทั้งในกรณีที่สัดส่วนและบันทึกผลตอบแทน

(ฉันไม่เคยเห็นกรณีBผลิตภัณฑ์ของตัวแปรสุ่มมาก่อนฉันไม่คิดว่าวิธีนี้ใช้กันโดยทั่วไปฉันไม่ได้ดูรายละเอียดการคำนวณของคุณ แต่ตัวเลขของคุณดูถูกต้องและสูตรสามารถ พบได้ในวิกิพีเดีย . ในความคิดของวิธีการนี้ดูเหมือนว่ามีจำนวนมากที่มีความซับซ้อนมากขึ้นกว่าทั้งประมาณเกี่ยวข้องในการใช้ผลตอบแทนตามสัดส่วนหรือวิธีการที่เสียงในทางทฤษฎีของการใช้ผลตอบแทนล็อก. และเทียบกับการใช้ผลตอบแทนบันทึกสิ่งที่คุณสามารถพูดเกี่ยวกับการกระจายของ Y คุณจะกำหนดความน่าจะเป็นให้กับการส่งคืนกรณีที่เลวร้ายที่สุดได้อย่างไร)


1
+1 การใช้บันทึกเป็นกุญแจสำคัญ มันอาจจะคุ้มค่าที่จะสังเกตสมมติฐานโดยนัยในคำถามและคำตอบนี้ว่าผลตอบแทนรายเดือนแสดงให้เห็นว่าไม่มีความสัมพันธ์ต่อเนื่อง (จากประสบการณ์ของฉันมันเป็นข้อสมมติฐานที่สมเหตุสมผลสำหรับอนุกรมเวลาทางการเงินส่วนใหญ่ แต่มันก็คุ้มค่าที่จะตรวจสอบอยู่เสมอ)
whuber

ขอบคุณสำหรับข้อเสนอแนะบันทึกการกลับมา! ฉันจะค้นหามัน อย่างไรก็ตาม - เกี่ยวกับคำตอบที่เหลือของคุณ - ในโพสต์ของฉันฉันคำนวณ P_t + 1 / P_t (ไม่ใช่ [Pt + 1-Pt / Pt]) ดังนั้นค่าที่คาดหวัง 1.00795 หมายถึงผลตอบแทน 0.795% นั่นเป็นเหตุผลที่ผมคูณค่ารายเดือนและไม่เพิ่มพวกเขา (ดังนั้นค่ารายปีในAจึงเป็นค่ารายเดือน "เลวร้ายที่สุด" ต่อกำลัง 12) ฉันยินดีที่จะทราบว่าตอนนี้คุณคิดแตกต่างกันในAหรือBหรือไม่เนื่องจากคำถามของฉันอ้างถึงผลิตภัณฑ์ที่มีตัวแปรสุ่มและไม่ใช่ผลรวมของพวกเขา อีกครั้งขอบคุณมาก
lyosef

1
@ NightMaster769 ขออภัยฉันควรส่งต่อไปยังโพสต์ของคุณโดยตรง ฉันรู้ว่าคุณกำลังทวีคูณเพื่อรวมผลตอบแทนอย่างถูกต้อง แต่ฉันไม่ได้ระบุอย่างชัดเจน นี่คือเหตุผลที่คุณกังวลเกี่ยวกับการใช้สูตรสำหรับการเพิ่มตัวแปรแบบสุ่ม อย่างไรก็ตาม A เพิ่งประกอบ "2 ส่วนเบี่ยงเบนมาตรฐานรายเดือนไม่ดี" มากกว่า 12 เดือน มันไม่ได้ให้ "2 ส่วนเบี่ยงเบนมาตรฐานประจำปีผลตอบแทนที่ไม่ดี" เกี่ยวกับ B แนวทางของคุณดูดี แต่มีความซับซ้อนเมื่อเทียบกับการส่งคืนบันทึกและขอให้คำถาม "การกระจายของ Y คืออะไร"
TooTone

@whuber ขอบคุณฉันได้เพิ่มจุดของคุณเกี่ยวกับความสัมพันธ์แบบอนุกรม
TooTone
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.