ชี้แจง ถัว เฉลี่ยเคลื่อนที่ มาตรฐาน เบี่ยงเบน

สวัสดีฉันได้เก็บรวบรวมข้อมูลกระบวนการบางอย่างเป็นเวลา 3 ปีแล้วและฉันต้องการเลียนแบบการวิเคราะห์ในอนาคตของ EWMA เพื่อดูว่าพารามิเตอร์การทำให้ราบเรียบของฉันมีการตรวจจับการเปลี่ยนแปลงที่สำคัญทั้งหมดโดยไม่มีการเตือนผิดพลาดมากเกินไปดูเหมือนว่าหนังสือและวรรณกรรมส่วนใหญ่ที่ฉันมี มองที่ใช้ค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานในการคำนวณขีด จำกัด ของการควบคุมซึ่งโดยปกติจะเป็นค่าเฉลี่ยในการควบคุมและส่วนเบี่ยงเบนมาตรฐานจากข้อมูลทางประวัติศาสตร์บางส่วนหรือค่าเฉลี่ยและ sd ของจำนวนประชากรที่ดึงตัวอย่างมาฉันไม่มีข้อมูลใด ๆ มีวิธีอื่นในการคำนวณขีด จำกัด ของการควบคุมมีรูปแบบของแผนภูมิ EWMA ที่ไม่ใช้ค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานความคิดสร้างสรรค์ใด ๆ ขอบคุณคุณล่วงหน้าเพื่อให้แน่ใจว่าฉันเข้าใจนี้คุณสามารถคำนวณค่าเฉลี่ยและความแปรปรวนของ EWMA แต่คุณ don t มีพื้นฐานในการเปรียบเทียบกับเสียงให้ฉันเหมือนคุณมีเทคนิคการดูแลซึ่งถือว่าคุณสามารถกำหนดสิ่งที่ควรมีลักษณะเช่น แต่คุณต้องการเทคนิค unsupervised ซึ่งจะดู สำหรับความแตกต่างโดยไม่ต้องเรียกหนึ่งรัฐที่ดีและไม่ดีอีกสำหรับเทคนิคที่ไม่ได้รับการยกเว้นการจัดกลุ่มมาถึงใจ แต่มันจะต้องมีการปรับเปลี่ยนเพื่อนำไปใช้กับ timeseries เกี่ยวกับวิธีการทั่วไปอัตราส่วน Likelihood Ratio GLR จิม Pivarski 25 มิถุนายนที่ 2 49.If เราอ้างถึงฉัน สามารถคำนวณ Zi สำหรับ lambda ของฉันได้ แต่เมื่อมันมาถึงขีด จำกัด ของการควบคุมฉัน don t มีข้อมูลทางประวัติศาสตร์ในการคำนวณ T และ S ขอบคุณฉันจะมองเข้าไปใน GLR และโพสต์ยัง Cross Validated User3295481 Jun 25 14 ที่ 2 54.Yeah, T และ S เป็นค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานของการแจกแจงพื้นฐานซึ่งเป็นค่าที่กำหนดไว้ล่วงหน้าหรือพิจารณาจากชุดข้อมูลการฝึกอบรมชุดข้อมูลการฝึกอบรมหมายถึงข้อมูลที่ควรมีลักษณะเช่นนี้จึงเป็นเทคนิคที่มีการกำกับดูแลและคุณต้องการ เทคนิคที่ไม่มีการตรวจสอบ GLR ไม่ถ่วงน้ำหนักแบบทวีคูณ แต่ระบบจะค้นหาข้อมูลที่แตกต่างระหว่างการกระจายข้อมูลสองแบบและรวมข้อมูลไว้ในแต่ละด้านเพื่อให้ได้ผลลัพธ์ที่มีประสิทธิภาพมากขึ้นอาจเป็นสิ่งที่คุณต้องการ Jim Piva rski 25 มิ.ย. 14 ที่ 3 00. จากมุมมองการปฏิบัติจริงการใช้สถิติการวิเคราะห์ข้อมูลทางประวัติศาสตร์เพียงอย่างเดียวเป็นเรื่องที่หายากใช่มีคำแนะนำบางประการเกี่ยวกับกระบวนการและระบบการควบคุมที่มีประสิทธิภาพอย่างไรก็ตามสิ่งที่สำคัญที่สุดโดยไกล คือการมีความเข้าใจและความรู้เกี่ยวกับขีด จำกัด ทางด้านวิศวกรรมฉันอ้างถึงข้อ จำกัด ในการปฏิบัติงานซึ่งกำหนดโดยข้อกำหนดและลักษณะการทำงานของชิ้นส่วนต่างๆของอุปกรณ์ซึ่งจะช่วยให้สามารถพัฒนาความเข้าใจที่ดีเกี่ยวกับกระบวนการนี้ได้ ทำงานในแง่ของจุดปฏิบัติการที่ดีที่สุดและข้อ จำกัด ด้านล่างของการควบคุมและพื้นที่ที่เบี่ยงเบนมากที่สุดจากที่ดีที่สุดนี้มีน้อยมากจะทำอย่างไรกับการวิเคราะห์ทางสถิติของข้อมูลทางประวัติศาสตร์และการจัดการที่ดีจะทำอย่างไรกับวิศวกรรมกระบวนการโลหะ - ขึ้นอยู่กับชนิด ของกระบวนการที่คุณกำลังติดต่อกับข้อ จำกัด ในการควบคุมจะพิจารณาจากขั้นตอนที่ Process Manager Process Engineer WANTS ต้องการซึ่งโดยปกติจะเป็น แต่ ไม่ได้อยู่ในความสามารถในการระบุตำแหน่งของอุปกรณ์ถ้าคุณกำลังทำงานภายในขอบเขตการทำงานและคุณอยู่ในขอบเขตของการเพิ่มประสิทธิภาพกระบวนการแล้วใช่การวิเคราะห์ทางสถิติมีการใช้กันอย่างแพร่หลายมากขึ้นและสามารถให้ข้อมูลเชิงลึกได้ดีขึ้นอยู่กับความแปรปรวนของกระบวนการของคุณ ระบบการควบคุมของคุณได้รับการจัดตั้งขึ้นและความสม่ำเสมอของผลิตภัณฑ์อาหารสัตว์ของคุณแล้วขีด จำกัด ล่างของการควบคุมที่เลือกจะแตกต่างกันจุดเริ่มต้นที่ดีคือจุดปฏิบัติการที่ดีที่สุดเช่น 100 m3 hr แล้วใช้ข้อมูลทางประวัติศาสตร์ที่สมเหตุสมผล เพื่อคำนวณส่วนเบี่ยงเบนมาตรฐานและทำให้ขีด จำกัด สูงสุดของคุณ 100 1 dev มาตรฐานและขีด จำกัด ล่าง 100-1 dev มาตรฐานนี่ไม่ใช่กฎที่ยากและรวดเร็ว แต่เป็นจุดเริ่มต้นที่สมเหตุสมผลตอบ 7 กุมภาพันธ์ที่ 12 12 12 การสำรวจความถ่วงน้ำหนักโดยเฉลี่ยเคลื่อนที่ความถนัดคือการวัดความเสี่ยงที่พบมากที่สุด แต่มีหลายรสชาติในบทความก่อนหน้านี้เราได้แสดงวิธีการคำนวณความผันผวนทางประวัติศาสตร์ที่เรียบง่ายอ่านบทความนี้, ดูการใช้ความผันผวนเพื่อวัดความเสี่ยงในอนาคตเราใช้ข้อมูลราคาหุ้นที่เกิดขึ้นจริงของ Google เพื่อคำนวณความผันผวนรายวันตามข้อมูลหุ้น 30 วันในบทความนี้เราจะปรับปรุงความผันผวนที่เรียบง่ายและหารือเกี่ยวกับค่าเฉลี่ยถ่วงน้ำหนักที่ถ่วงน้ำหนัก EWMA Historical Vs อธิบายโดยย่อ ประการแรกขอให้ใส่เมตริกนี้ไว้ในมุมมองเล็กน้อยมีสองวิธีที่กว้างใหญ่คือความผันผวนทางประวัติศาสตร์และโดยนัยหรือโดยนัยวิธีการทางประวัติศาสตร์สมมติว่าอดีตเป็นคำนำที่เราวัดประวัติศาสตร์ด้วยความหวังว่าจะเป็นการคาดการณ์ความผันผวนโดยนัยในทางกลับกันละเว้น ประวัติศาสตร์มันแก้สำหรับความผันผวนโดยนัยโดยราคาตลาดหวังว่าตลาดรู้ดีที่สุดและว่าราคาในตลาดมีแม้โดยปริยายประมาณการ consensus ของความผันผวนสำหรับการอ่านที่เกี่ยวข้องดูการใช้และข้อ จำกัด ของความผันผวนถ้าเรามุ่งเน้นเพียง สามวิธีทางประวัติศาสตร์ที่ด้านซ้ายข้างต้นพวกเขามีสองขั้นตอนในการร่วมกันคำนวณชุดของผลตอบแทนเป็นระยะ ๆ ใช้แผนการถ่วงน้ำหนัก อันดับแรกเราจะคำนวณผลตอบแทนเป็นระยะ ๆ โดยปกติแล้วจะเป็นผลตอบแทนรายวันที่ผลตอบแทนแต่ละรายการจะแสดงด้วยคำที่ประกอบกันอย่างต่อเนื่องสำหรับแต่ละวันเราจะบันทึกล็อกอัตราส่วนของราคาหุ้นเช่นวันนี้หารด้วยราคาเมื่อวานและอื่น ๆ . นี้ผลิตชุดของผลตอบแทนรายวันจาก ui ไป u im ขึ้นอยู่กับจำนวนวัน m วันที่เรามีการวัดสิ่งที่ทำให้เราไปขั้นตอนที่สองนี่คือที่สามวิธีแตกต่างกันในบทความก่อนหน้านี้การใช้ความผันผวนเพื่อวัดความเสี่ยงในอนาคต, เราแสดงให้เห็นว่าภายใต้สอง simplifications ยอมรับความแปรปรวนง่ายคือค่าเฉลี่ยของผลตอบแทน squared. Notice ว่าผลรวมนี้แต่ละผลตอบแทนเป็นระยะ ๆ แล้วหารที่รวมโดยจำนวนวันหรือสังเกต m ดังนั้นก็จริงๆเพียง ค่าเฉลี่ยของกำลังส่งกลับเป็นระยะ ๆ ยกกำลังอีกหนึ่งวิธีผลตอบแทนที่ได้รับจะให้น้ำหนักเท่ากันดังนั้นถ้า alpha a เป็นปัจจัยการถ่วงน้ำหนักโดยเฉพาะ 1 ม. จากนั้นความแปรปรวนที่เรียบง่ายมีลักษณะคล้ายกับนี้ EWMA ปรับปรุง เมื่อความแปรปรวนง่ายความอ่อนแอของวิธีนี้คือผลตอบแทนทั้งหมดจะได้รับน้ำหนักเท่ากันเมื่อวานนี้ผลตอบแทนที่ได้รับเมื่อเร็ว ๆ นี้ไม่มีอิทธิพลต่อความแปรปรวนมากกว่าผลตอบแทนของเดือนที่ผ่านมาปัญหานี้ได้รับการแก้ไขโดยใช้ค่าเฉลี่ยถ่วงน้ำหนักที่ถ่วงน้ำหนัก EWMA ซึ่งล่าสุด ผลตอบแทนที่ได้มีน้ำหนักมากขึ้นในความแปรปรวน EWMA ถ่วงน้ำหนักทางเรขาคณิตเลขคณิตแสดง lambda ซึ่งเรียกว่าพารามิเตอร์การทำให้ราบเรียบแลมบ์ดาต้องน้อยกว่าหนึ่งภายใต้เงื่อนไขที่แทนน้ำหนักที่เท่ากันแต่ละคืน squared จะถ่วงด้วยตัวคูณดังตัวอย่างต่อไปนี้ RiskMetrics TM ซึ่งเป็น บริษัท บริหารความเสี่ยงทางการเงินมีแนวโน้มที่จะใช้แลมบ์ดาเป็น 0 94 หรือ 94 ในกรณีนี้ผลตอบแทนย้อนกลับเป็นระยะ ๆ เป็นครั้งแรกโดยมีการถ่วงน้ำหนักเป็น 1-0 94 94 0 6 ผลตอบแทนจากการลงทุนในครั้งต่อไปคือเพียงแลมบ์ดา หลายของน้ำหนักก่อนในกรณีนี้ 6 คูณด้วย 94 5 64 และน้ำหนักของวันที่สามก่อนเท่ากับ 1-0 94 0 94 2 5 30. ความหมายของเลขยกกำลังใน EWMA แต่ละน้ำหนักเป็นค่าคงที่ ตัวคูณคือ lambda ซึ่งต้องน้อยกว่าหนึ่งในน้ำหนักของวันก่อนหน้านี้ซึ่งจะทำให้ความแปรปรวนที่ถ่วงน้ำหนักหรือมีความลำเอียงต่อข้อมูลล่าสุดเมื่อต้องการเรียนรู้เพิ่มเติมโปรดดูที่แผ่นงาน Excel สำหรับความผันผวนของ Google ความแตกต่างระหว่างความผันผวนเพียงอย่างเดียวกับ EWMA สำหรับ Google แสดงด้านล่างความผันผวนง่ายมีน้ำหนักและผลตอบแทนเป็นระยะทุก 0 196 ตามที่แสดงไว้ในคอลัมน์ O เรามีข้อมูลราคาหุ้นย้อนหลัง 2 ปีนั่นคือ 509 ผลตอบแทนรายวันและ 1 509 0 196 แต่สังเกตว่าคอลัมน์ P กำหนดน้ำหนักของ 6 แล้ว 5 64 แล้ว 5 3 และอื่น ๆ นั่นคือความแตกต่างระหว่างความแปรปรวนเพียงอย่างเดียวและ EWMA จำหลังจากที่เรารวมชุดทั้งหมดในคอลัมน์ Q เรามีความแปรปรวนซึ่งเป็นสแควร์ของค่าเบี่ยงเบนมาตรฐานถ้าเราต้องการความผันผวน เราต้องจำไว้ว่าจะใช้รากที่สองของความแปรปรวนดังกล่าวความแตกต่างในความผันผวนรายวันระหว่างความแปรปรวนและ EWMA ในกรณีของ Google เป็นอย่างมีนัยสำคัญความแปรปรวนง่ายทำให้เรามีความผันผวนรายวัน 2 4 แต่ EWMA gav ea ความผันผวนรายวันเพียง 1 4 ดูสเปรดชีตสำหรับรายละเอียด Apparently, ความผันผวนของ Google ตัดสินลงเมื่อเร็ว ๆ นี้ดังนั้นความแปรปรวนง่ายอาจจะสูงเทียมความแปรปรวนของวันนี้เป็นฟังก์ชันของความแตกต่างของวัน Pior คุณจะสังเกตเห็นเราจำเป็นต้องคำนวณ ชุดยาวของน้ำหนักลดลงชี้แจงเราได้รับรางวัลทำคณิตศาสตร์ที่นี่ แต่หนึ่งในคุณสมบัติที่ดีที่สุดของ EWMA คือชุดทั้งหมดสะดวกลดสูตร recursive. Recursive หมายความว่าการอ้างอิงความแปรปรวนของวันนี้คือหน้าที่ของวันก่อน s แปรปรวนคุณสามารถหาสูตรนี้ในสเปรดชีตยังและจะให้ผลเหมือนกันอย่างเดียวกับการคำนวณ longhand ว่าวันนี้ความแปรปรวนของวันนี้ภายใต้ EWMA เท่ากับความแปรปรวนของเมื่อวานนี้ถ่วงน้ำหนักโดย lambda บวกกลับเมื่อวานนี้ squared ชั่งน้ำหนักโดยหนึ่งลบ lambda แจ้งให้เราทราบ เป็นเพียงการเพิ่มสองคำด้วยกันเมื่อวานนี้ความแปรปรวนที่ถ่วงน้ำหนักและ yesterdays ถ่วงน้ำหนักกลับ squared ดังนั้นแลมบ์ดาเป็นพารามิเตอร์ที่ราบเรียบของเราเช่น lambda เช่น Ri skMetric s 94 บ่งชี้การสลายตัวช้าลงในซีรีย์ - ในแง่สัมพัทธ์เราจะมีจุดข้อมูลมากขึ้นในซีรีส์และจะลดลงอย่างช้าๆในทางกลับกันถ้าเราลดแลมบ์ดาเราจะบ่งชี้ว่าการสลายตัวที่สูงขึ้น น้ำหนักลดลงอย่างรวดเร็วและเป็นผลโดยตรงจากการสลายตัวที่รวดเร็วใช้จุดข้อมูลน้อยลงในสเปรดชีตแลมบ์ดาเป็นอินพุทดังนั้นคุณสามารถทดลองกับความไวของมันความผันผวนของฤดูกาลคือค่าเบี่ยงเบนมาตรฐานทันทีของหุ้นและ ความเสี่ยงที่วัดได้ส่วนใหญ่ยังเป็นรากที่สองของการแปรปรวนเราสามารถวัดความแปรปรวนของความแปรปรวนในอดีตหรือโดยนัยได้เมื่อการวัดในอดีตวิธีที่ง่ายที่สุดคือความแปรปรวนง่าย แต่ความอ่อนแอกับความแปรปรวนที่เรียบง่ายคือผลตอบแทนทั้งหมดมีน้ำหนักเท่ากันดังนั้นเราจึงต้องเผชิญกับการค้าแบบคลาสสิก เรามักต้องการข้อมูลเพิ่มเติม แต่ข้อมูลที่มากขึ้นเรามีการคำนวณของเรามากขึ้นเจือจางด้วยข้อมูลที่มีความสำคัญน้อยกว่าไกล EWMA ถ่วงน้ำหนักแบบยกกำลังสองเพิ่มขึ้นเมื่อความแปรปรวนง่ายโดย การกำหนดน้ำหนักให้ได้ผลตอบแทนเป็นระยะ ๆ ด้วยการทำเช่นนี้เราสามารถใช้ตัวอย่างขนาดใหญ่ แต่ยังให้น้ำหนักมากขึ้นกับผลตอบแทนล่าสุด หากต้องการดูบทแนะนำเกี่ยวกับภาพยนตร์เกี่ยวกับหัวข้อนี้โปรดไปที่ Turtle Bionic การสำรวจโดยสำนักงานสถิติแรงงานแห่งสหรัฐอเมริกาเพื่อช่วยในการวัดตำแหน่งงานที่ว่างเก็บข้อมูลจากนายจ้างจำนวนเงินสูงสุดที่สหรัฐอเมริกาสามารถยืมได้ สร้างขึ้นภายใต้พระราชบัญญัติเสรีภาพตราสารหนี้ครั้งที่สองอัตราดอกเบี้ยที่สถาบันรับฝากเงินให้ยืมเงินไว้ใน Federal Reserve ไปยังสถาบันรับฝากเงินแห่งอื่น 1 มาตรการทางสถิติในการกระจายผลตอบแทนสำหรับการรักษาความปลอดภัยหรือดัชนีตลาดที่กำหนดความผันผวนสามารถวัดได้ การกระทำรัฐสภาคองเกรสผ่านในปี 1933 เป็นพระราชบัญญัติการธนาคารซึ่งไม่ได้รับอนุญาตธนาคารพาณิชย์จากการมีส่วนร่วมในการลงทุนการจ่ายเงินเดือนของ Nonfarm หมายถึงงานใด ๆ นอกฟาร์มครัวเรือนส่วนตัวและภาคที่ไม่แสวงหาผลกำไร US Labor of Labor วัสดุบนเว็บไซต์นี้ มีไว้เพื่อจุดประสงค์ในการให้ข้อมูลเท่านั้นและไม่ถือเป็นข้อเสนอในการขายการชักชวนให้ซื้อหรือคำแนะนำหรือการรับรองใด ๆ rity หรือกลยุทธ์หรือไม่ก็เป็นข้อเสนอที่จะให้บริการที่ปรึกษาการลงทุนโดย Quantopian นอกจากนี้วัสดุที่ไม่มีความเห็นเกี่ยวกับความเหมาะสมของการรักษาความปลอดภัยใด ๆ หรือการลงทุนที่เฉพาะเจาะจง Quantopian ไม่รับประกันใด ๆ เกี่ยวกับความถูกต้องหรือความสมบูรณ์ของมุมมองที่แสดง ในมุมมองอาจมีการเปลี่ยนแปลงและอาจกลายเป็นความไม่น่าเชื่อถือด้วยเหตุผลต่างๆรวมถึงการเปลี่ยนแปลงสภาวะตลาดหรือสถานการณ์ทางเศรษฐกิจการลงทุนทั้งหมดเกี่ยวข้องกับความเสี่ยงรวมถึงการสูญเสียเงินต้นคุณควรปรึกษากับผู้เชี่ยวชาญด้านการลงทุนก่อนตัดสินใจลงทุน I เพียงต้องการชี้ให้เห็นว่าฉันไม่ได้ซื้อขาย algo นี้หรืออะไร แต่ก็มีจุดเริ่มต้นที่ดีสำหรับการเรียงลำดับของความเสี่ยงตำแหน่ง parity ความเสี่ยงที่กำหนดขนาด Rob Carver อธิบายไว้ในหนังสือของเขาขอบคุณสำหรับ algo ที่น่าสนใจฉันอ่านหนังสือของ Carver เป็นอย่างดีและชอบวิธีการของเขาในการกำหนดขนาดตำแหน่งตามความต้องการที่ผันผวนความผันผวนพื้นฐานและการคาดการณ์ แต่ดูเหมือนว่าประสิทธิภาพที่ต่ำลง Sharp ของ Algo มาจากภายใต้การลงทุน Algo ลงทุนเพียง 0 008 ของทุนหรือ 8000 จาก 1M ในคิดว่าแนวคิดในหนังสือ Carver คือความผันผวนปรับตำแหน่งเพื่อให้เกิดความผันผวนที่ดีที่สุด ของพอร์ตการลงทุนทั้งหมดดังนั้นถ้าความผันผวนของ SP อยู่ที่ 12 8 อัลกอร์ควรลงทุน 100 ลงในหุ้นเพื่อเข้าถึงเช่น 0 008 ทุกวันหรือ 12 8 ปีใน algo ของคุณความผันผวนของพอร์ตการลงทุนอยู่ใกล้กับ 0