Σ
SDCalc
KözéphaladóAlkalmazások·12 min

Mozgó szórás idősorok elemzéséhez

Tanuld meg kiszámítani és értelmezni a mozgó (gördülő) szórást idősor-elemzéshez. Bollinger-szalagok, volatilitás-klaszterezés, Python kódpéldák és valós pénzügyi alkalmazások.

Mi a mozgó szórás?

A mozgó szórás (más néven gördülő szórás vagy követő volatilitás) a szórást egy csúszó időablakon számítja ki. Az összes historikus adatot felhasználó statikus szórástól eltérően a mozgó szórás a legfrissebb megfigyelésekre koncentrál, így elengedhetetlen a volatilitás időbeli változásainak felismeréséhez.

Ez a technika a pénzügyi piacokon alapvető, ahol a volatilitás nem állandó, hanem időben változik. Egy részvény hónapokig nyugodt lehet, majd hirtelen rendkívül változékonnyá válhat a negyedéves jelentések vagy piaci válságok idején. A mozgó szórás ezeket a dinamikákat valós időben ragadja meg.

Miért fontos a mozgó szórás?

A statikus szórás minden historikus adatot egyformán kezel, de a közelmúltbeli volatilitás gyakran jobban előre jelzi a jövőbeli volatilitást, mint a távoli múlt. A mozgó szórás aktuális, cselekvésre alkalmas kockázati mérőszámot ad, amely alkalmazkodik a változó piaci körülményekhez.

A gördülő szórás kiszámítása

Minden időpontra kiszámítod az előző n adatpont szórását. Ahogy előrehaladsz, az ablak csúszik, mindig a legfrissebb n értéket használva. Ez egy volatilitásbecslésekből álló idősort hoz létre.

1

Ablak meghatározása

Válaszd ki, hány periódust (pl. 20 napot) tartalmazzon minden számítás.
2

Első szórás kiszámítása

Számítsd ki az első n adatpont szórását.
3

Ablak csúsztatása

Lépj előre egy periódust, töröld a legrégebbi értéket, add hozzá a legújabbat.
4

Ismétlés

Folytasd, amíg az adatsor végére nem érsz.
python
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()

Az első (ablak-1) érték NaN lesz, mivel legalább n megfigyelés szükséges a számításhoz. A gyakorlatban a min_periods paraméterrel korábban elkezdheted a számítást kevesebb megfigyeléssel.

A megfelelő ablakméret kiválasztása

Az ablakméret kompromisszumot teremt a reagálóképesség és a stabilitás között:

  • Rövid ablakok (5-10 nap):Gyorsan reagálnak a volatilitásváltozásokra, de zajosak és hamis jelzéseket produkálhatnak
  • Közepes ablakok (20-30 nap):Egyensúly a reagálóképesség és a stabilitás között; a 20 nap az iparági szabvány a Bollinger-szalagokhoz
  • Hosszú ablakok (50-100 nap):Simák és stabilak, de lassan észlelik a rezsimváltásokat; alkalmasak trendelemzésre

Profi tipp

Használj egyszerre több ablakméretet. Hasonlítsd össze a 10, 20 és 50 napos mozgó szórásokat a rövid távú ingadozások és a hosszabb távú volatilitási trendek megértéséhez. Az ezek közötti eltérés rezsimváltást jelezhet.

Valós alkalmazások

A mozgó szórást széleskörűen alkalmazzák a pénzügyek és az adattudomány területén:

  • Kockázatkezelés:Kockáztatott érték (VaR) számítása a közelmúltbeli volatilitás alapján a historikus átlagok helyett
  • Opciós árazás:Az implikált volatilitás paramétereinek becslése Black-Scholes és más modellekhez
  • Portfóliókezelés:Pozícióméretek igazítása az aktuális volatilitás alapján; kitettség csökkentése volatilitásnövekedéskor
  • Anomália-detektálás:Szokatlan időszakok azonosítása, amikor az aktuális volatilitás jelentősen eltér a mozgóátlagtól
  • Technikai elemzés:Bollinger-szalagok, Keltner-csatornák és más volatilitás-alapú indikátorok

Bollinger-szalagok

A Bollinger-szalagok a mozgó szórás leghíresebb alkalmazása. John Bollinger fejlesztette ki az 1980-as években, és dinamikus burkológörbét hoznak létre az árfolyam körül, amely alkalmazkodik a volatilitáshoz.

Bollinger Bands

Upper Band = SMA(20) + 2 × Moving SD(20) Lower Band = SMA(20) - 2 × Moving SD(20)

A szalagok volatilis időszakokban kiszélesednek, nyugodt időszakokban összeszűkülnek. A kereskedők a következőkre használják:

  • Túlvett/túladott állapotok azonosítása, amikor az ár eléri a szalagokat
  • „Szorítások” (alacsony volatilitás) felismerése, amelyek gyakran kitörést előznek meg
  • Dinamikus stop-loss szintek beállítása az aktuális piaci viszonyok alapján

Volatilitás-klaszterezés

A pénzügyek egyik legfontosabb empirikus ténye, hogy a volatilitás klaszterezik – magas volatilitást általában magas volatilitás követ, alacsonyat alacsony. Ezt Robert Engle (Nobel-díj 2003) formalizálta az ARCH modellben.

A mozgó szórás vizuálisan tárja fel ezt a klaszterezést. Amikor az idő függvényében ábrázolod a gördülő volatilitást, egyértelmű magas és alacsony volatilitású rezsimeket fogsz látni a véletlenszerű ingadozások helyett. Ennek mélyreható következményei vannak:

  • Előrejelezhetőség:A holnapi volatilitás valószínűleg hasonló a maihoz – a kockázat előre jelezhető
  • Kockázati költségvetés:Pozíciók csökkentése magas volatilitású rezsimekbe lépéskor
  • Stratégiaválasztás:Különböző kereskedési stratégiák különböző volatilitási környezetekben működnek jobban

Fontos figyelmeztetés

Bár a volatilitás klaszterezik, a rezsimváltások hirtelenek és drámaiak lehetnek. Jelentős híresemények, piaci összeomlások vagy gazdaságpolitikai bejelentések azonnal megváltoztathatják a volatilitási rezsimet. A mozgó szórás mindig késik ezekkel a változásokkal – mire az új valóságot tükrözi, a rezsim már ismét megváltozhatott.
← Tanulóközpont