Klouzavá směrodatná odchylka pro časové řady

Co je klouzavá směrodatná odchylka?

Klouzavá směrodatná odchylka (nazývaná také rolling SO nebo trailing volatilita) počítá směrodatnou odchylku přes posuvné časové okno. Na rozdíl od statické směrodatné odchylky, která využívá všechna historická data, se klouzavá SO zaměřuje na nedávná pozorování, což ji činí nezbytnou pro detekci změn volatility v čase.

Tato technika je zásadní na finančních trzích, kde volatilita není konstantní, ale mění se v průběhu času. Akcie může být klidná po celé měsíce a pak se náhle stát vysoce volatilní během vyhlašování výsledků hospodaření nebo tržních krizí. Klouzavá SO zachycuje tuto dynamiku v reálném čase.

Jak vypočítat klouzavou směrodatnou odchylku

Pro každý časový bod vypočítejte směrodatnou odchylku z předchozích n datových bodů. Jak postupujete vpřed, okno se posouvá a vždy využívá nejnovějších n hodnot. Výsledkem je časová řada odhadů volatility.

import pandas as pd
import numpy as np

# Load your time series data
df = pd.read_csv('stock_prices.csv')

# 20-day rolling standard deviation
df['rolling_std_20'] = df['returns'].rolling(window=20).std()

# Annualized volatility (assuming daily returns)
df['annualized_vol'] = df['rolling_std_20'] * np.sqrt(252)

# Multiple windows for comparison
df['rolling_std_10'] = df['returns'].rolling(window=10).std()
df['rolling_std_50'] = df['returns'].rolling(window=50).std()

Prvních (okno-1) hodnot bude NaN, protože k výpočtu potřebujete alespoň n pozorování. V praxi můžete použít parametr min_periods, abyste mohli začít počítat dříve s menším počtem pozorování.

Výběr správné šířky okna

Šířka okna vytváří kompromis mezi reakceschopností a stabilitou:

• Krátká okna (5–10 dní):Rychle reagují na změny volatility, ale jsou zašuměná a mohou produkovat falešné signály
• Střední okna (20–30 dní):Vyvažují reakceschopnost se stabilitou; 20 dní je průmyslový standard pro Bollingerova pásma
• Dlouhá okna (50–100 dní):Hladká a stabilní, ale pomalá při detekci změn režimu; vhodná pro analýzu trendů

Aplikace v praxi

Klouzavá směrodatná odchylka se hojně používá napříč financemi a datovou vědou:

• Řízení rizik:Výpočet Value at Risk (VaR) na základě nedávné volatility místo historických průměrů
• Oceňování opcí:Odhad parametrů implikované volatility pro Black-Scholesův a další modely
• Správa portfolia:Úprava velikosti pozic podle aktuální volatility; snížení expozice při nárůstu volatility
• Detekce anomálií:Identifikace neobvyklých období, kdy se aktuální volatilita výrazně odchyluje od klouzavého průměru
• Technická analýza:Bollingerova pásma, Keltnerovy kanály a další indikátory založené na volatilitě

Bollingerova pásma

Bollingerova pásma jsou nejznámější aplikací klouzavé směrodatné odchylky. Vyvinul je John Bollinger v 80. letech 20. století a vytvářejí dynamickou obálku kolem ceny, která se přizpůsobuje volatilitě.

Pásma se rozšiřují v období vysoké volatility a zužují v klidných obdobích. Obchodníci je používají pro:

• Identifikaci překoupených/přeprodaných podmínek, když cena dosáhne pásem
• Detekci „stlačení“ (nízké volatility), které často předchází průlomům
• Nastavení dynamických stop-lossů na základě aktuálních tržních podmínek

Shlukování volatility

Jedním z nejdůležitějších empirických poznatků ve financích je, že volatilita se shlukuje — vysoká volatilita obvykle následuje po vysoké volatilitě a nízká po nízké. Toto formalizoval Robert Engle (Nobelova cena 2003) v modelu ARCH.

Klouzavá SO toto shlukování odhaluje vizuálně. Když vykreslíte klouzavou volatilitu v čase, uvidíte jasné režimy vysoké a nízké volatility namísto náhodných výkyvů. To má zásadní důsledky:

• Předvídatelnost:Zítřejší volatilita bude pravděpodobně podobná dnešní — můžete předvídat riziko
• Rozpočtování rizika:Snižte pozice při vstupu do režimu vysoké volatility
• Výběr strategie:Různé obchodní strategie fungují lépe v různých volatilitních prostředích