Glidande standardavvikelse för tidsserier

Vad är glidande standardavvikelse?

Glidande standardavvikelse (även kallad rullande SA eller efterföljande volatilitet) beräknar standardavvikelse över ett glidande tidsfönster. Till skillnad från statisk standardavvikelse som använder all historisk data, fokuserar glidande SA på de senaste observationerna, vilket gör den oumbärlig för att upptäcka förändringar i volatilitet över tid.

Denna teknik är grundläggande på finansmarknaderna, där volatiliteten inte är konstant utan förändras över tid. En aktie kan vara lugn i månader för att sedan bli mycket volatil under kvartalsrapporter eller marknadskriser. Glidande SA fångar denna dynamik i realtid.

Beräkning av rullande standardavvikelse

För varje tidpunkt beräknas standardavvikelsen för de föregående n datapunkterna. Allt eftersom du rör dig framåt glider fönstret och använder alltid de senaste n värdena. Detta skapar en tidsserie av volatilitetsskattningar.

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()

Observera att de första (fönster-1) värdena blir NaN eftersom du behöver minst n observationer för att beräkna. I praktiken kan du använda parametern min_periods för att börja beräkna tidigare med färre observationer.

Val av rätt fönsterstorlek

Fönsterstorleken skapar en avvägning mellan reaktionsförmåga och stabilitet:

• Korta fönster (5–10 dagar):Reagerar snabbt på volatilitetsförändringar men är brusiga och kan ge falska signaler
• Medellånga fönster (20–30 dagar):Balanserar reaktionsförmåga med stabilitet; 20 dagar är branschstandard för Bollingerband
• Långa fönster (50–100 dagar):Jämna och stabila men långsamma att upptäcka regimskiften; bra för trendanalys

Tillämpningar i verkligheten

Glidande standardavvikelse används flitigt inom finans och dataanalys:

• Riskhantering:Beräkna Value at Risk (VaR) med aktuell volatilitet istället för historiska genomsnitt
• Optionsprissättning:Skatta implicita volatilitetsparametrar för Black-Scholes och andra modeller
• Portföljförvaltning:Justera positionsstorlekar baserat på aktuell volatilitet; minska exponering när volatiliteten ökar
• Avvikelsedetektering:Identifiera ovanliga perioder när aktuell volatilitet avviker markant från glidande medelvärde
• Teknisk analys:Bollingerband, Keltner-kanaler och andra volatilitetsbaserade indikatorer

Bollingerband förklarade

Bollingerband är den mest kända tillämpningen av glidande standardavvikelse. De utvecklades av John Bollinger på 1980-talet och skapar ett dynamiskt omslag kring priset som anpassar sig efter volatiliteten.

Banden vidgas under volatila perioder och dras samman under lugna perioder. Handlare använder detta för:

• Att identifiera överköpta/översålda förhållanden när priset rör banden
• Att upptäcka “squeeze”-situationer (låg volatilitet) som ofta föregår utbrott
• Att sätta dynamiska stoppnivåer baserade på aktuella marknadsförhållanden

Volatilitetskluster

Ett av de viktigaste empiriska faktumen inom finans är att volatilitet klustrar – hög volatilitet tenderar att följas av hög volatilitet, och låg av låg. Detta formaliserades av Robert Engle (Nobelpriset 2003) i ARCH-modellen.

Glidande SA avslöjar denna klustring visuellt. När du plottar rullande volatilitet över tid ser du tydliga regimer av hög och låg volatilitet snarare än slumpmässiga fluktuationer. Detta har djupgående konsekvenser:

• Förutsägbarhet:Morgondagens volatilitet liknar troligen dagens – du kan förutse risk
• Riskbudgetering:Minska positioner när du går in i högvolatilitetsregimer
• Strategival:Olika handelsstrategier fungerar bättre i olika volatilitetsmiljöer