Moving Standard Deviation para sa Time Series

Ano ang Moving Standard Deviation?

Ang moving standard deviation (tinatawag ding rolling SD o trailing volatility) ay nagkakalkula ng standard deviation sa isang umuusad na window ng oras. Hindi tulad ng static standard deviation na gumagamit ng lahat ng makasaysayang data, nakatuon ang moving SD sa mga kamakailang obserbasyon, kaya naman ito ay mahalaga para sa pagtukoy ng mga pagbabago sa volatility sa paglipas ng panahon.

Ang teknik na ito ay pundasyon sa mga financial market, kung saan ang volatility ay hindi pare-pareho kundi nagbabago sa paglipas ng panahon. Ang isang stock ay maaaring maging kalmado sa loob ng maraming buwan, pagkatapos ay biglang maging lubos na volatile sa panahon ng earnings announcements o market crises. Nakukuha ng moving SD ang mga dynamics na ito nang real-time.

Paano Kalkulahin ang Rolling Standard Deviation

Para sa bawat punto sa oras, kalkulahin ang standard deviation ng nakaraang n na data points. Habang sumusulong ka, umuusad ang window, palaging gumagamit ng pinakabagong n na mga halaga. Lumilikha ito ng time series ng mga tantya ng 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()

Tandaan na ang unang (window-1) na mga halaga ay magiging NaN dahil kailangan mo ng hindi bababa sa n na obserbasyon upang makalalkula. Sa praktika, maaari mong gamitin ang min_periods parameter upang magsimulang kalkulahin nang mas maaga na may mas kaunting obserbasyon.

Pagpili ng Tamang Window Size

Ang window size ay lumilikha ng trade-off sa pagitan ng responsiveness at stability:

• Maikling windows (5-10 araw):Mabilis na tumutugon sa mga pagbabago ng volatility ngunit maingay at maaaring magbigay ng maling senyales
• Katamtamang windows (20-30 araw):Balanse ng responsiveness at stability; 20 araw ang industry standard para sa Bollinger Bands
• Mahabang windows (50-100 araw):Makinis at stable ngunit mabagal sa pagtukoy ng regime changes; maganda para sa trend analysis

Mga Aplikasyon sa Totoong Mundo

Malawakang ginagamit ang moving standard deviation sa pananalapi at data science:

• Risk Management:Kalkulahin ang Value at Risk (VaR) gamit ang kamakailang volatility sa halip na historical averages
• Options Pricing:Tantiyahin ang implied volatility parameters para sa Black-Scholes at iba pang models
• Portfolio Management:I-adjust ang laki ng posisyon batay sa kasalukuyang volatility; bawasan ang exposure kapag tumaas ang volatility
• Anomaly Detection:Tukuyin ang mga hindi pangkaraniwang panahon kapag ang kasalukuyang volatility ay lumihis nang malaki mula sa moving average
• Technical Analysis:Bollinger Bands, Keltner Channels, at iba pang volatility-based indicators

Ang Bollinger Bands

Ang Bollinger Bands ang pinakasikat na aplikasyon ng moving standard deviation. Binuo ni John Bollinger noong dekada 1980, lumilikha ang mga ito ng dynamic na envelope sa paligid ng presyo na nag-a-adapt sa volatility.

Lumalawak ang mga band sa panahon ng volatile na mga panahon at humihigpit sa panahon ng kalmado. Ginagamit ito ng mga trader para sa:

• Pagtukoy ng overbought/oversold conditions kapag umabot ang presyo sa mga band
• Pagtukoy ng mga “squeeze” (mababang volatility) na madalas nauuna sa mga breakout
• Pagtatakda ng dynamic na stop-losses batay sa kasalukuyang kondisyon ng merkado

Volatility Clustering

Isa sa pinakamahalagang empirical facts sa pananalapi ay ang volatility clustering—ang mataas na volatility ay karaniwang sinusundan ng mataas na volatility, at ang mababa naman ay sinusundan ng mababa. Pormal na inilahad ni Robert Engle (Nobel Prize 2003) sa ARCH model.

Inilalantad ng moving SD ang clustering na ito nang visual. Kapag ni-plot mo ang rolling volatility sa paglipas ng panahon, makikita mo ang malinaw na mga regime ng mataas at mababang volatility sa halip na random na pagbabagu-bago. May malalim itong implikasyon:

• Predictability:Ang volatility bukas ay malamang na katulad ng ngayon—maaari mong asahan ang panganib
• Risk Budgeting:Bawasan ang mga posisyon kapag pumapasok sa high-volatility regimes
• Strategy Selection:Iba't ibang trading strategies ang mas gumagana sa iba't ibang volatility environments