ส่วนเบี่ยงเบนมาตรฐานเคลื่อนที่สำหรับอนุกรมเวลา

ส่วนเบี่ยงเบนมาตรฐานเคลื่อนที่คืออะไร?

ส่วนเบี่ยงเบนมาตรฐานเคลื่อนที่ (เรียกอีกอย่างว่า SD แบบเลื่อนหรือความผันผวนย้อนหลัง) คำนวณส่วนเบี่ยงเบนมาตรฐานในหน้าต่างเวลาที่เลื่อนได้ ต่างจาก SD แบบคงที่ที่ใช้ข้อมูลย้อนหลังทั้งหมด SD เคลื่อนที่มุ่งเน้นที่ข้อสังเกตล่าสุด ทำให้จำเป็นสำหรับการตรวจจับการเปลี่ยนแปลงของความผันผวนตลอดเวลา

เทคนิคนี้เป็นพื้นฐานในตลาดการเงิน ซึ่งความผันผวนไม่คงที่แต่เปลี่ยนแปลงตลอดเวลา หุ้นอาจสงบเป็นเดือน แล้วจู่ๆ ก็ผันผวนอย่างมากระหว่างการประกาศผลประกอบการหรือวิกฤตตลาด SD เคลื่อนที่จับพลวัตเหล่านี้แบบเรียลไทม์

วิธีคำนวณส่วนเบี่ยงเบนมาตรฐานแบบเลื่อน

สำหรับแต่ละจุดเวลา คำนวณส่วนเบี่ยงเบนมาตรฐานของจุดข้อมูล n จุดก่อนหน้า เมื่อเลื่อนไปข้างหน้า หน้าต่างจะเลื่อนตาม โดยใช้ค่า n ค่าล่าสุดเสมอ สิ่งนี้สร้างอนุกรมเวลาของค่าประมาณความผันผวน

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()

โปรดทราบว่าค่า (window-1) แรกจะเป็น NaN เนื่องจากคุณต้องมีข้อสังเกตอย่างน้อย n ตัวเพื่อคำนวณ ในทางปฏิบัติ คุณสามารถใช้พารามิเตอร์ min_periods เพื่อเริ่มคำนวณเร็วขึ้นด้วยข้อสังเกตที่น้อยกว่า

การเลือกขนาดหน้าต่างที่เหมาะสม

ขนาดหน้าต่างสร้างการแลกเปลี่ยนระหว่างความตอบสนองและความเสถียร:

• หน้าต่างสั้น (5-10 วัน):ตอบสนองต่อการเปลี่ยนแปลงความผันผวนอย่างรวดเร็วแต่มีสัญญาณรบกวนและอาจให้สัญญาณเท็จ
• หน้าต่างกลาง (20-30 วัน):สมดุลระหว่างความตอบสนองและความเสถียร 20 วันเป็นมาตรฐานอุตสาหกรรมสำหรับ Bollinger Bands
• หน้าต่างยาว (50-100 วัน):เรียบและเสถียรแต่ช้าในการตรวจจับการเปลี่ยนแปลงสภาวะ ดีสำหรับการวิเคราะห์แนวโน้ม

การประยุกต์ใช้ในชีวิตจริง

ส่วนเบี่ยงเบนมาตรฐานเคลื่อนที่ถูกใช้อย่างกว้างขวางในด้านการเงินและวิทยาศาสตร์ข้อมูล:

• การบริหารความเสี่ยง:คำนวณ Value at Risk (VaR) โดยใช้ความผันผวนล่าสุดแทนค่าเฉลี่ยย้อนหลัง
• การกำหนดราคาออปชัน:ประมาณพารามิเตอร์ความผันผวนโดยนัยสำหรับ Black-Scholes และโมเดลอื่นๆ
• การบริหารพอร์ต:ปรับขนาดตำแหน่งตามความผันผวนปัจจุบัน ลดความเสี่ยงเมื่อความผันผวนพุ่ง
• การตรวจจับความผิดปกติ:ระบุช่วงเวลาที่ผิดปกติเมื่อความผันผวนปัจจุบันเบี่ยงเบนอย่างมากจากค่าเฉลี่ยเคลื่อนที่
• การวิเคราะห์ทางเทคนิค:Bollinger Bands, Keltner Channels และตัวบ่งชี้ที่อิงความผันผวนอื่นๆ

อธิบาย Bollinger Bands

Bollinger Bands เป็นการประยุกต์ใช้ส่วนเบี่ยงเบนมาตรฐานเคลื่อนที่ที่มีชื่อเสียงที่สุด พัฒนาโดย John Bollinger ในทศวรรษ 1980 มันสร้างซองจดหมายแบบไดนามิกรอบราคาที่ปรับตัวตามความผันผวน

แถบจะกว้างขึ้นในช่วงที่ผันผวนและหดตัวในช่วงที่สงบ เทรดเดอร์ใช้สิ่งนี้สำหรับ:

• ระบุสภาวะซื้อมากเกินไป/ขายมากเกินไปเมื่อราคาสัมผัสแถบ
• ตรวจจับ “การบีบตัว” (ความผันผวนต่ำ) ที่มักเกิดก่อนการทะลุแนว
• กำหนดจุดตัดขาดทุนแบบไดนามิกตามสภาพตลาดปัจจุบัน

การรวมกลุ่มของความผันผวน

ข้อเท็จจริงเชิงประจักษ์ที่สำคัญที่สุดอย่างหนึ่งในด้านการเงินคือความผันผวนรวมกลุ่ม ความผันผวนสูงมักตามมาด้วยความผันผวนสูง และต่ำตามต่ำ สิ่งนี้ถูกทำให้เป็นทางการโดย Robert Engle (รางวัลโนเบล 2003) ในโมเดล ARCH

SD เคลื่อนที่เผยให้เห็นการรวมกลุ่มนี้อย่างเป็นภาพ เมื่อคุณพล็อตความผันผวนแบบเลื่อนตามเวลา คุณจะเห็นสภาวะที่ชัดเจนของความผันผวนสูงและต่ำแทนที่จะเป็นความผันผวนแบบสุ่ม สิ่งนี้มีนัยที่ลึกซึ้ง:

• ความสามารถในการพยากรณ์:ความผันผวนของพรุ่งนี้น่าจะคล้ายกับวันนี้ คุณสามารถคาดการณ์ความเสี่ยงได้
• การจัดสรรงบประมาณความเสี่ยง:ลดตำแหน่งเมื่อเข้าสู่สภาวะความผันผวนสูง
• การเลือกกลยุทธ์:กลยุทธ์การซื้อขายที่แตกต่างกันทำงานได้ดีกว่าในสภาพแวดล้อมความผันผวนที่ต่างกัน