Les EMA de 12 et 26 jours sont les moyennes à court terme les plus populaires et elles sont utilisées pour créer des indicateurs comme la divergence de convergence moyenne mobile (MACD) et l'oscillateur de prix en pourcentage (PPO). En général, les EMA de 50 et de 200 jours sont utilisés comme signaux d'évolution à long terme. Les commerçants qui utilisent l'analyse technique trouvent des moyennes mobiles très utiles et perspicaces lorsqu'elles sont appliquées correctement, mais créent des ravages lorsqu'elles sont mal utilisées ou mal interprétées. Toutes les moyennes mobiles couramment utilisées dans l'analyse technique sont, par leur nature même, des indicateurs en retard. Par conséquent, les conclusions tirées de l'application d'une moyenne mobile à un graphique de marché particulier devraient être de confirmer un mouvement de marché ou d'indiquer sa force. Très souvent, au moment où une ligne d'indicateurs de la moyenne mobile a fait un changement pour refléter une évolution significative du marché, le point optimal d'entrée sur le marché a déjà dépassé. Un EMA sert à atténuer ce dilemme dans une certaine mesure. Parce que le calcul EMA place plus de poids sur les dernières données, il étreint l'action de prix un peu plus serré et réagit donc plus rapidement. Ceci est souhaitable lorsqu'un EMA est utilisé pour dériver un signal d'entrée de négociation. Interprétation de l'EMA Comme tous les indicateurs de la moyenne mobile, ils sont beaucoup mieux adaptés aux marchés tendances. Lorsque le marché est dans une tendance forte et soutenue à la hausse. La ligne indicatrice EMA affichera également une tendance haussière et vice-versa pour une tendance à la baisse. Un commerçant vigilant ne sera pas seulement attention à la direction de la ligne EMA, mais aussi la relation du taux de changement d'une barre à l'autre. Par exemple, lorsque l'action de prix d'une forte tendance haussière commence à s'écraser et à inverser, le taux de changement de l'EMA d'une barre à l'autre commencera à diminuer jusqu'à ce que la ligne d'indicateur s'atténue et que la vitesse de changement soit nulle. En raison de l'effet retardé, par ce point, ou même quelques bars avant, l'action de prix aurait déjà inversé. Il s'ensuit donc que l'observation d'une diminution constante du taux de variation de l'EMA pourrait elle-même être utilisée comme un indicateur qui pourrait mieux contrer le dilemme causé par l'effet retardé des moyennes mobiles. Utilisations courantes de l'EMA Les EMA sont couramment utilisés en conjonction avec d'autres indicateurs pour confirmer les mouvements significatifs du marché et pour évaluer leur validité. Pour les commerçants qui négocient des marchés intraday et rapide, l'EMA est plus applicable. Très souvent, les commerçants utilisent les EMA pour déterminer un biais de négociation. Par exemple, si une EMA sur un graphique quotidien montre une forte tendance à la hausse, une stratégie des commerçants intraday peut être de négocier uniquement du côté long sur un graphique intraday. The approche EWMA a une caractéristique attrayante: il nécessite relativement peu de données stockées. Pour mettre à jour notre estimation à tout moment, nous avons seulement besoin d'une estimation préalable du taux de variance et de la valeur d'observation la plus récente. Un objectif secondaire de l'EWMA est de suivre les changements dans la volatilité. Pour les petites valeurs, les observations récentes affectent rapidement l'estimation. Pour les valeurs proches d'un, l'estimation change lentement en fonction des changements récents des rendements de la variable sous-jacente. La base de données RiskMetrics (produite par JP Morgan et mise à la disposition du public) utilise l'EWMA pour mettre à jour la volatilité quotidienne. IMPORTANT: La formule EWMA ne suppose pas un niveau de variance moyen à long terme. Ainsi, le concept de volatilité signifie la réversion n'est pas pris en compte par l'EWMA. Les modèles ARCHGARCH sont mieux adaptés à cette fin. Un objectif secondaire de l'EWMA est de suivre les changements dans la volatilité, de sorte que pour les petites valeurs, l'observation récente affecte l'estimation rapidement et pour les valeurs plus proches d'une, l'estimation change lentement aux changements récents des rendements de la variable sous-jacente. La base de données RiskMetrics (produite par JP Morgan) et rendue publique en 1994, utilise le modèle EWMA pour mettre à jour l'estimation quotidienne de la volatilité. La société a constaté que dans une gamme de variables de marché, cette valeur de donne la prévision de la variance qui se rapprochent le plus possible du taux de variance réalisé. Les taux d'écart réalisés un jour donné ont été calculés comme une moyenne pondérée égale sur les 25 jours suivants. De même, pour calculer la valeur optimale de lambda pour notre ensemble de données, nous devons calculer la volatilité réalisée à chaque point. Il existe plusieurs méthodes, alors choisissez-en une. Ensuite, calculez la somme des erreurs au carré (SSE) entre l'estimation EWMA et la volatilité réalisée. Enfin, minimiser la SSE en faisant varier la valeur lambda. Sonne simple C'est. Le plus grand défi est de convenir d'un algorithme pour calculer la volatilité réalisée. Par exemple, les gens de RiskMetrics ont choisi les 25 jours suivants pour calculer le taux de variance réalisé. Dans votre cas, vous pouvez choisir un algorithme qui utilise les prix Daily Volume, HILO et ou OPEN-CLOSE. Q 1: Peut-on utiliser EWMA pour estimer (ou prévoir) la volatilité à plus d'une étape La représentation de la volatilité EWMA n'assume pas une volatilité moyenne à long terme et donc, pour tout horizon de prévision au-delà d'une étape, De plus, Zhu et Galbraith (2009) ont étendu cette idée en utilisant une distribution asymétrique généralisée de Student avec des paramètres séparés pour contrôler l'asymétrie et l'épaisseur de chaque queue. Au lieu de cela, nous suivons Lu et al. (2010), qui a utilisé des erreurs ALD et développé une équation de lissage dynamique pour le paramètre de forme p. Une approche paramétrique de l'estimation et de la prévision de la valeur à risque (VaR) et du déficit attendu (ES) pour une série de rendements financiers hétéroscédastiques est proposée. La forme bien connue de GJRGARCH module le processus de volatilité, captant l'effet de levier. Pour saisir les asymétries potentielles et les fortes queues, le modèle suppose une forme Asplace asymétrique comme la distribution conditionnelle de la série. De plus, la dynamique des moments supérieurs est modélisée en permettant au paramètre de forme dans cette distribution d'être variable dans le temps. L'estimation se fait par l'intermédiaire d'un schéma d'échantillonnage adaptatif de la chaîne de Markov de Monte Carlo (MCMC), utilisant l'algorithme MetropolisHastings (MH) avec un mélange de distributions de propositions gaussiennes. Une étude de simulation met en évidence une estimation précise et une inférence améliorée par rapport à une méthode MH à proposition gaussienne unique. Le modèle est illustré par son application à quatre indices boursiers internationaux et à deux taux de change, générant des prévisions à une étape de la VaR et de l'ES. Des tests standard et non standard sont appliqués à ces prévisions et le résultat est que le modèle proposé est favorable par rapport à certains concurrents populaires: il s'agit en particulier du seul modèle prudent de risque au cours de la période étudiée, qui inclut la récente crise financière mondiale . La VaR (valeur à risque), qui représente l'attente de la pire perte qui peut se produire sur une période de temps au sein d'un certain niveau de confiance, est actuellement utilisée par divers Institutions financières aux fins de la gestion des risques. Dans la majorité des études précédentes, la probabilité de retour a été modélisée avec une distribution normale. Récemment Chen et al. (2010) a mesuré la VaR avec une distribution laplacienne asymétrique. Cependant, il est difficile d'estimer le mode, l'asymétrie et le degré de variance qui déterminent la forme d'une distribution laplacienne asymétrique avec des données limitées sur le marché du monde réel. Dans cet article, nous montrons que la VaR estimée avec le modèle de répartition laplacien (symétrique) fournit plus de précision que celles avec modèle de distribution normale ou modèle de distribution laplacien asymétrique avec des données boursières du monde réel et avec diverses mesures statistiques. Article Nov 2013: Introduit dans les années 1980, la valeur à risque a été une mesure populaire du risque financier. Cependant, la valeur à risque présente un certain nombre d'inconvénients comme mesure du risque financier. Une autre mesure, appelée déficit attendu, a été introduite à la fin des années 1990 pour contourner ces inconvénients. Beaucoup de théories ont été développées depuis lors. Les développements ont été les plus intensifs ces dernières années. Cependant, nous ne sommes pas au courant d'un examen complet des méthodes d'estimation connues pour le déficit attendu. Nous estimons qu'il est opportun que ce rapport soit écrit. Ce document (contenant six sections et plus de 140 références) essaie cette tâche en insistant sur les développements récents. Nous nous attendons à ce que cet examen serve de source de référence et encourage la poursuite de la recherche en ce qui concerne les mesures du risque financier. Article Février 2014 Saralees Nadarajah Bo Zhang Stephen Chan
No comments:
Post a Comment