Glidende standardafvigelse for tidsserier

Hvad er glidende standardafvigelse?

Glidende standardafvigelse (også kaldet rullende SA eller trailing volatilitet) beregner standardafvigelsen over et glidende tidsvindue. I modsætning til statisk standardafvigelse, der bruger alle historiske data, fokuserer glidende SA på de seneste observationer, hvilket gør den uundværlig til at opdage ændringer i volatilitet over tid.

Denne teknik er fundamental på finansielle markeder, hvor volatiliteten ikke er konstant, men ændrer sig over tid. En aktie kan være rolig i måneder og derefter pludselig blive meget volatil under regnskabsmeddelelser eller markedskriser. Glidende SA fanger disse dynamikker i realtid.

Beregning af rullende standardafvigelse

For hvert tidspunkt beregnes standardafvigelsen af de foregående n datapunkter. Efterhånden som du bevæger dig fremad, glider vinduet og bruger altid de seneste n værdier. Dette skaber en tidsserie af volatilitetsestimater.

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()

Bemærk, at de første (vindue-1) værdier vil være NaN, da der kræves mindst n observationer til beregning. I praksis kan du bruge parameteren min_periods til at begynde beregningen tidligere med færre observationer.

Valg af den rette vinduesstørrelse

Vinduesstørrelsen skaber en afvejning mellem reaktionshastighed og stabilitet:

• Korte vinduer (5-10 dage):Reagerer hurtigt på volatilitetsændringer, men er støjende og kan give falske signaler
• Mellemlange vinduer (20-30 dage):Balancerer reaktionshastighed med stabilitet; 20 dage er industristandarden for Bollinger Bands
• Lange vinduer (50-100 dage):Glatte og stabile, men langsomme til at opdage regimeskift; gode til trendanalyse

Anvendelser i den virkelige verden

Glidende standardafvigelse bruges udbredt inden for finans og datavidenskab:

• Risikostyring:Beregn Value at Risk (VaR) baseret på nylig volatilitet frem for historiske gennemsnit
• Optionsprisfastsættelse:Estimér implicitte volatilitetsparametre til Black-Scholes og andre modeller
• Porteføljestyring:Justér positionsstørrelser baseret på aktuel volatilitet; reducér eksponering, når volatiliteten stiger
• Anomalidetektion:Identificér usædvanlige perioder, hvor aktuel volatilitet afviger markant fra det glidende gennemsnit
• Teknisk analyse:Bollinger Bands, Keltner Channels og andre volatilitetsbaserede indikatorer

Bollinger Bands forklaret

Bollinger Bands er den mest kendte anvendelse af glidende standardafvigelse. Udviklet af John Bollinger i 1980’erne skaber de en dynamisk kuvert omkring prisen, der tilpasser sig volatiliteten.

Båndene udvider sig i volatile perioder og trækker sig sammen i rolige perioder. Tradere bruger dette til:

• At identificere overkøbte/oversolgte tilstande, når prisen rører båndene
• At opdage “squeezes” (lav volatilitet), der ofte går forud for udbrud
• At sætte dynamiske stop-losses baseret på aktuelle markedsforhold

Volatilitetsklyngning

Et af de vigtigste empiriske fakta inden for finans er, at volatilitet klynger – høj volatilitet har tendens til at følge høj volatilitet, og lav følger lav. Dette blev formaliseret af Robert Engle (Nobelpris 2003) i ARCH-modellen.

Glidende SA afslører denne klyngning visuelt. Når du plotter rullende volatilitet over tid, vil du se tydelige regimer med høj og lav volatilitet snarere end tilfældige udsving. Dette har dybgående konsekvenser:

• Forudsigelighed:Morgendagens volatilitet er sandsynligvis tæt på dagens – du kan forudse risiko
• Risikobudgettering:Reducér positioner, når man går ind i højvolatilitetsregimer
• Strategivalg:Forskellige handelsstrategier fungerer bedre i forskellige volatilitetsmiljøer