σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft AcademyRoadmapsSkills
Ctrl K
AO
+1,2 Tsd. Lernende
AnmeldenBeitreten ↗
RoadmapsSkills
AO
+1,2 Tsd. Lernende
Anmelden
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft AcademyRoadmapsSkills
Ctrl K
AO
+1,2 Tsd. Lernende
AnmeldenBeitreten ↗
RoadmapsSkills
AO
+1,2 Tsd. Lernende
Anmelden
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
SciPy-Skill›Modul 1 · Anpassen und finden›Thema 1.8·~50 Min.Mittelstufe

Eine Abklingkurve mit curve_fit anpassen

Position in der SkillModul 1 von 3 · Thema 8 von 8
1.8 Eine Abklingkurve mit curve_fit anpassen
—Lab-Punkte— / 100XP gesamt—Serie—

Die Zeitskala der Mittelwertrückkehr

Ein heute hoher Spread sinkt später tendenziell, aber wie schnell? Die Autokorrelation beim Lag k misst, wie viel der heutigen Abweichung vom Mittelwert k Tage später noch zu sehen ist: Mittelwert abziehen, dann ρₖ=Σₜxₜxₜ₋ₖ / Σₜxₜ². Bei einer mittelwertreversiblen Reihe fallen diese Zahlen wie e^(-k/τ), und τ ist die Zeitskala: Nach τ Tagen bleiben etwa 37 % einer Abweichung, nach τln 2 Tagen (der Halbwertszeit) die Hälfte. scipy.optimize.curve_fit(modell, x, y, p0=..., bounds=...) findet die Parameter jedes Modells nach kleinsten Quadraten. Man übergibt das Modell als Funktion modell(x, *params), eine Startschätzung p0 und Schranken, die den Parameter positiv halten, und erhält die besten Parameter und ihre Kovarianzmatrix pcov; die Standardfehler sind die Wurzeln ihrer Diagonale.

Beim Treasury-Spread 10 Jahre minus 2 Jahre (6.697 Tage seit 2000) ergibt die Anpassung τ≈1.006 Tage mit einem Standardfehler von etwa 5, eine Halbwertszeit nahe 697 Tagen. Diese Zahl täuscht. Wiederholt man die Anpassung auf dreizehn getrennten Fenstern von 500 Tagen, reicht die Halbwertszeit von 33 bis 124 Tagen: Der Spread kehrte innerhalb jeder Periode viel schneller zurück, als die Gesamtstichprobe nahelegt, weil diese auch die langsamen Schwankungen zwischen Regimen enthält. Ein winziger Standardfehler sagt nur, dass die Kurve die Autokorrelationen gut trifft, nicht dass diese stabil sind. Passen Sie je Fenster an, sehen Sie, wie sich die Schätzung bewegt, und nennen Sie die Spanne, nicht eine Zahl.

  • Autokorrelation zeigt das Gedächtnis: Bei Mittelwertrückkehr fällt sie wie exp(-k / tau).
  • curve_fit liefert eine Kurve und ihre Unsicherheit: Start und Schranken angeben, den Standardfehler aus pcov lesen.
  • Ein kleiner Standardfehler ist keine Stabilität: Passen Sie auf rollenden Fenstern neu an, bevor Sie einer Halbwertszeit trauen.

Lab: Was bewertet wird

  • Stichprobenautokorrelationen15 Pkt.
  • Das Abklingmodell5 Pkt.
  • Die Zeitskala anpassen25 Pkt.
  • Die Halbwertszeit5 Pkt.
  • Rollende Halbwertszeiten25 Pkt.
  • Die Spread-Studie25 Pkt.
Explorer · lab-sp-16
▾ lab-sp-16
▾ data
…
bash · im Browser
learner@quantcraft:~/lab-sp-16$
Python noch nicht geladenPythonLn 1, Col 1Spaces: 4UTF-8

Dieses Thema zurücksetzen?

Alles in lab-sp-16 wird auf die Startdateien zurückgesetzt und das Terminal geleert. Ihre aktuelle Lösung geht verloren – das lässt sich nicht rückgängig machen.

Wird zurückgesetzt
  • main.py → Startcode
  • Terminal-Verlauf und Testausgabe
  • Nicht eingereichte Änderungen
Bleibt erhalten
  • Beste Lab-Punktzahl
  • Ihre XP und Ihre Serie
  • Vorlesungsfortschritt und Notizen

Melde dich an, um deinen Code auszuführen.

Alle Lektionen kannst du kostenlos lesen. Erstelle ein Konto oder melde dich an, um Code auszuführen, Tests zu starten und dieses Lab abzugeben.

  • IDE im Browser mit Bash-Terminal — nichts zu installieren
  • Sofortige Bewertung, XP und dein Platz auf der Skill
Konto erstellenAnmelden
ODER
Weiter mit GitHub