Zaman Serileri İçin Hareketli Standart Sapma

Hareketli Standart Sapma Nedir?

Hareketli standart sapma (kayan SS veya takip eden oynaklık olarak da bilinir), kayan bir zaman penceresi üzerinde standart sapmayı hesaplar. Tüm geçmiş verileri kullanan statik standart sapmanın aksine, hareketli SS yakın gözlemlere odaklanır ve zaman içindeki oynaklık değişikliklerini tespit etmek için gereklidir.

Bu teknik, oynaklığın sabit olmadığı ancak zamanla değiştiği finansal piyasalarda temeldir. Bir hisse senedi aylarca sakin olabilir, ardından kazanç açıklamaları veya piyasa krizleri sırasında aniden yüksek oynaklık gösterebilir. Hareketli SS bu dinamikleri gerçek zamanlı olarak yakalar.

Kayan Standart Sapma Nasıl Hesaplanır?

Her zaman noktasında önceki n veri noktasının standart sapmasını hesaplayın. İlerledikçe pencere kayar ve her zaman en son n değeri kullanır. Bu, bir oynaklık tahminleri zaman serisi oluşturur.

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()

İlk (pencere-1) değerlerin NaN olacağına dikkat edin çünkü hesaplama için en az n gözleme ihtiyacınız vardır. Pratikte, daha az gözlemle daha erken hesaplamaya başlamak için min_periods parametresini kullanabilirsiniz.

Doğru Pencere Boyutunu Seçme

Pencere boyutu, duyarlılık ve kararlılık arasında bir denge oluşturur:

• Kısa pencereler (5-10 gün):Oynaklık değişikliklerine hızla tepki verir ancak gürültülüdür ve yanlış sinyaller üretebilir
• Orta pencereler (20-30 gün):Duyarlılık ile kararlılık arasında denge kurar; 20 gün Bollinger Bantları için endüstri standardıdır
• Uzun pencereler (50-100 gün):Düzgün ve kararlı ancak rejim değişikliklerini tespit etmekte yavaş; trend analizi için iyidir

Gerçek Dünya Uygulamaları

Hareketli standart sapma finans ve veri biliminde yaygın olarak kullanılır:

• Risk Yönetimi:Geçmiş ortalamalar yerine yakın dönem oynaklığını kullanarak Riske Maruz Değer (VaR) hesaplayın
• Opsiyon Fiyatlama:Black-Scholes ve diğer modeller için zımni oynaklık parametrelerini tahmin edin
• Portföy Yönetimi:Mevcut oynaklığa göre pozisyon büyüklüklerini ayarlayın; oynaklık arttığında maruziyeti azaltın
• Anomali Tespiti:Mevcut oynaklığın hareketli ortalamadan önemli ölçüde saptığı olağandışı dönemleri belirleyin
• Teknik Analiz:Bollinger Bantları, Keltner Kanalları ve diğer oynaklık tabanlı göstergeler

Bollinger Bantları Açıklaması

Bollinger Bantları, hareketli standart sapmanın en ünlü uygulamasıdır. 1980’lerde John Bollinger tarafından geliştirilen bu bantlar, oynaklığa uyum sağlayan fiyat etrafında dinamik bir zarf oluşturur.

Bantlar oynak dönemlerde genişler ve sakin dönemlerde daralır. Yatırımcılar bunu şu amaçlarla kullanır:

• Fiyat bantlara dokunduğunda aşırı alım/aşırı satım koşullarını belirlemek
• Genellikle kırılmaları önceleyen “sıkışmaları” (düşük oynaklık) tespit etmek
• Mevcut piyasa koşullarına göre dinamik zarar durdurma seviyeleri belirlemek

Oynaklık Kümelenmesi

Finanstaki en önemli ampirik gerçeklerden biri oynaklığın kümelenmesidir—yüksek oynaklık yüksek oynaklığı, düşük oynaklık düşük oynaklığı takip etme eğilimindedir. Bu, Robert Engle (2003 Nobel Ödülü) tarafından ARCH modelinde formalize edilmiştir.

Hareketli SS bu kümelenmeyi görsel olarak ortaya koyar. Kayan oynaklığı zaman içinde çizdiğinizde, rastgele dalgalanmalar yerine net yüksek ve düşük oynaklık rejimleri göreceksiniz. Bunun derin etkileri vardır:

• Öngörülebilirlik:Yarının oynaklığı büyük olasılıkla bugünküne benzer olacaktır—riski önceden tahmin edebilirsiniz
• Risk Bütçelemesi:Yüksek oynaklık rejimlerine girerken pozisyonları azaltın
• Strateji Seçimi:Farklı alım-satım stratejileri farklı oynaklık ortamlarında daha iyi çalışır