Média móvel exponencial - EMA BREAKING DOWN Média móvel exponencial - EMA As EMAs de 12 e 26 dias são as médias de curto prazo mais populares e são usadas para criar indicadores como a divergência de convergência média móvel (MACD) eo oscilador de preço percentual (PPO). Em geral, as EMA de 50 e 200 dias são usadas como sinais de tendências a longo prazo. Os comerciantes que empregam análises técnicas consideram que as médias móveis são muito úteis e perspicaz quando aplicadas corretamente, mas criam estragos quando usadas incorretamente ou são mal interpretadas. Todas as médias móveis comumente usadas na análise técnica são, por sua própria natureza, indicadores de atraso. Conseqüentemente, as conclusões extraídas da aplicação de uma média móvel a um gráfico de mercado específico devem ser para confirmar um movimento de mercado ou para indicar sua força. Muitas vezes, no momento em que uma linha de indicador de média móvel fez uma mudança para refletir um movimento significativo no mercado, o ponto ótimo de entrada no mercado já passou. Um EMA serve para aliviar esse dilema até certo ponto. Como o cálculo EMA coloca mais peso sobre os dados mais recentes, ele abraça a ação do preço um pouco mais apertado e, portanto, reage mais rápido. Isso é desejável quando um EMA é usado para derivar um sinal de entrada comercial. Interpretando o EMA Como todos os indicadores de média móvel, eles são muito mais adequados para mercados de tendências. Quando o mercado está em uma tendência de alta forte e sustentada. A linha indicadora EMA também mostrará uma tendência de alta e vice-versa para uma tendência descendente. Um comerciante vigilante não só prestará atenção à direção da linha EMA, mas também a relação da taxa de mudança de uma barra para a próxima. Por exemplo, como a ação de preço de uma forte tendência de alta começa a achatar e reverter, a taxa de troca de EMAs de uma barra para a próxima começará a diminuir até que a linha do indicador aplique e a taxa de mudança seja zero. Devido ao efeito de atraso, até este ponto, ou mesmo algumas barras anteriores, a ação de preço já deveria ter sido revertida. Portanto, segue que a observação de uma diminuição consistente na taxa de mudança da EMA poderia ser usada como um indicador que poderia contrariar ainda mais o dilema causado pelo efeito de atraso das médias móveis. Os usos comuns das EMA EMAs são comumente usados em conjunto com outros indicadores para confirmar movimentos significativos no mercado e avaliar sua validade. Para os comerciantes que comercializam mercados intradía e de rápido movimento, o EMA é mais aplicável. Muitas vezes, os comerciantes usam EMAs para determinar um viés de negociação. Por exemplo, se um EMA em um gráfico diário mostra uma forte tendência ascendente, uma estratégia de comerciantes intradiários pode ser trocar apenas pelo lado longo em um gráfico intradía. A abordagem EWMA possui um recurso atraente: requer relativamente poucos dados armazenados. Para atualizar nossa estimativa em qualquer ponto, precisamos apenas de uma estimativa prévia da taxa de variância e do valor de observação mais recente. Um objetivo secundário da EWMA é rastrear mudanças na volatilidade. Para valores pequenos, observações recentes afetam a estimativa prontamente. Para valores mais próximos de um, a estimativa muda lentamente com base nas mudanças recentes nos retornos da variável subjacente. O banco de dados RiskMetrics (produzido por JP Morgan e disponibilizado) usa o EWMA para atualizar a volatilidade diária. IMPORTANTE: a fórmula EWMA não assume um nível de variância médio de longo prazo. Assim, o conceito de volatilidade significa reversão não é capturado pelo EWMA. Os modelos ARCHGARCH são mais adequados para este fim. Um objetivo secundário da EWMA é acompanhar as mudanças na volatilidade, portanto, para valores pequenos, a observação recente afeta a estimativa prontamente e, para os valores mais próximos de uma, a estimativa muda lentamente para as mudanças recentes nos retornos da variável subjacente. O banco de dados RiskMetrics (produzido pela JP Morgan) e divulgado em 1994, usa o modelo EWMA para atualizar a estimativa diária de volatilidade. A empresa descobriu que, em uma variedade de variáveis de mercado, esse valor dá uma previsão da variância que se aproxima da taxa de variância realizada. As taxas de variação realizadas em um determinado dia foram calculadas como uma média igualmente ponderada nos 25 dias subseqüentes. Da mesma forma, para calcular o valor ótimo de lambda para o nosso conjunto de dados, precisamos calcular a volatilidade realizada em cada ponto. Existem vários métodos, então escolha um. Em seguida, calcule a soma de erros quadrados (SSE) entre a estimativa EWMA e a volatilidade realizada. Finalmente, minimize o SSE variando o valor lambda. Soa simples é. O maior desafio é concordar com um algoritmo para calcular a volatilidade realizada. Por exemplo, as pessoas da RiskMetrics escolheram os 25 dias subseqüentes para calcular a taxa de variação realizada. No seu caso, você pode escolher um algoritmo que utilize preços diários, HILO e OPEN-CLOSE. Q 1: podemos usar o EWMA para estimar (ou prever) a volatilidade mais de um passo à frente A representação da volatilidade do EWMA não assume uma volatilidade média de longo prazo e, portanto, para qualquer horizonte de previsão além de um passo, o EWMA retorna uma constante Valor estimado de risco: De JP Morganx27s Standard-EWMA para Skewed-EWMA Forecasting quotFurther, Zhu e Galbraith (2009) estenderam esta ideia, usando uma distribuição assimétrica generalizada de Student t com parâmetros separados para controlar a aspereza e a espessura de cada cauda. Em vez disso, seguimos Lu et al. (2010), que empregou ALD erros e desenvolveu uma equação dinâmica de suavização para o parâmetro de forma p. Eles mostraram que o estimador de máxima verossimilhança de p é dado byp quot Mostrar resumo Ocultar resumo RESUMO: É proposta uma abordagem paramétrica para estimar e valorizar o valor em risco (VaR) e a falta de expectativa (ES) para uma série de retorno financeiro heteroscedastic. O conhecido formulário GJRGARCH modela o processo de volatilidade, capturando o efeito de alavanca. Para capturar asqueras potenciais e caudas pesadas, o modelo assume uma forma assimétrica de Laplace como a distribuição condicional da série. Além disso, a dinâmica em momentos superiores é modelada ao permitir que o parâmetro de forma nesta distribuição seja variável no tempo. A estimativa é através de um esquema adaptativo de amostragem Monte Carlo (MCMC), empregando o algoritmo MetropolisHastings (MH) com uma mistura de distribuições Gaussianas. Um estudo de simulação destaca estimativa precisa e inferência melhorada em comparação com um método de MH de proposta de Gaussian. O modelo é ilustrado aplicando-o a quatro índices do mercado de ações internacionais e duas taxas de câmbio, gerando previsões passo a passo de VaR e ES. Testes padrão e não padronizados são aplicados a essas previsões, e a descoberta é que o modelo proposto se apresenta de forma favorável em comparação com alguns concorrentes populares: em particular, é o único modelo conservador de risco ao longo do período estudado, que inclui a recente crise financeira global . Artigo Jan 2010 Qian Chen Richard Gerlach Zudi Lu Resumo do resumo RESUMO: O VaR (valor em risco), que representa a expectativa da pior perda que pode ocorrer ao longo de um período de tempo dentro de um determinado nível de confiança, é atualmente usado por vários Instituições financeiras para fins de gerenciamento de riscos. Na maioria dos estudos anteriores, a probabilidade de retorno foi modelada com distribuição normal. Recentemente, Chen et al. (2010) mediu VaR com distribuição assimétrica laplaciana. No entanto, é difícil estimar o modo, o aspeto e o grau de variância que determinam a forma de uma distribuição assimétrica Laplaciana com dados limitados no mercado real. Neste artigo, mostramos que o VaR estimado com o modelo de distribuição (simétrico) Laplaciano fornece mais precisão do que aqueles com modelo de distribuição normal ou modelo de distribuição de Laplaciano assimétrico com dados do mercado de ações do mundo real e com várias medidas estatísticas. Artigo nov 2013 Bu-Guen Byun Do-Sik Yoo Jongtae Lim Mostrar resumo Ocultar resumo RESUMO: Introduzido na década de 1980, o valor em risco tem sido uma medida popular de risco financeiro. No entanto, o valor em risco sofre de uma série de inconvenientes como medida de risco financeiro. Uma medida alternativa referida como déficit esperado foi introduzida no final dos anos 90 para contornar essas desvantagens. Muitas teorias foram desenvolvidas desde então. Os desenvolvimentos têm sido mais intensivos nos últimos anos. No entanto, não temos conhecimento de uma revisão abrangente dos métodos de estimativa conhecidos para o déficit esperado. Sentimos que é oportuno que tal revisão seja escrita. Este artigo (contendo seis seções e mais de 140 referências) tenta essa tarefa com ênfase em desenvolvimentos recentes. Esperamos que esta revisão sirva de fonte de referência e incentive pesquisas futuras com respeito a medidas de risco financeiro. Artigo fev 2014 Saralees Nadarajah Bo Zhang Stephen Chan
No comments:
Post a Comment