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
statsmodels-Skill›Modul 1 · Regression und ihre Prüfungen›Thema 1.10·~50 Min.Mittelstufe

Gleitende Regressions-Betas mit RollingOLS

Position in der SkillModul 1 von 3 · Thema 10 von 10
1.10 Gleitende Regressions-Betas mit RollingOLS
—Lab-Punkte— / 100XP gesamt—Serie—

Ein Koeffizient, der wandert

Eine Regression liefert eine Zahl je Koeffizient, als änderte sich die Beziehung nie. Das Markt-Beta einer Aktie ändert sich aber: mit ihrem Geschäft, ihrer Verschuldung und der Stimmung am Markt. Eine rollende Regression passt dasselbe Modell auf einem gleitenden Fenster der letzten w Beobachtungen neu an und liefert eine Zeitreihe von Koeffizienten. In statsmodels ist das RollingOLS(y, X, window=w).fit(); sein Attribut params ist ein DataFrame mit einer Zeile je Datum und einer Spalte je Koeffizient, und die ersten w-1 Zeilen sind NaN, weil das Fenster noch nicht voll ist. Die Fensterlänge ist ein Kompromiss: Ein kurzes Fenster reagiert schnell, ist aber verrauscht, ein langes ist glatt, aber träge. Für einen Regressor und eine Konstante hat die Steigung eine geschlossene Form, die gar keine Regression braucht: die rollende Kovarianz von y und x geteilt durch die rollende Varianz von x, berechnet mit .rolling(w).cov(...) und .rolling(w).var().

Apple hat 319 Monatsrenditen zwischen Februar 2000 und August 2026. Das Markt-Beta über die ganze Stichprobe beträgt 1,31. Das rollende 60-Monats-Beta erzählt etwas anderes: 2,51 im September 2008, gefallen auf 0,75 im April 2015 und 1,04 am Ende der Stichprobe, mit einer Standardabweichung von 0,31 unterwegs. Keine einzelne Zahl beschreibt das. Die beiden Wege, RollingOLS und rollende Kovarianz durch rollende Varianz, stimmen auf 10⁻¹⁴ überein, ein guter Test, dass man versteht, was die Bibliothek tut. Ein wanderner Koeffizient ist auch eine Warnung: Ein Risikomodell mit dem Beta des letzten Jahrzehnts sichert vielleicht ein Unternehmen ab, das es nicht mehr gibt.

  • Rollend heißt neu anpassen: dasselbe Modell, gleitendes Fenster, ein Koeffizientensatz je Datum.
  • Die Bibliothek mit pandas prüfen: Für einen Regressor ist die Steigung rollende Kovarianz durch rollende Varianz.
  • Ein einzelnes Beta verbirgt die Geschichte: Die Spanne des rollenden Betas zeigt, wie sehr die Gesamtzahl täuscht.

Lab: Was bewertet wird

  • Das rollende Beta25 Pkt.
  • Dasselbe Beta von Hand20 Pkt.
  • Die Lücke zwischen zwei Wegen10 Pkt.
  • Niedrigstes und höchstes Beta15 Pkt.
  • Die Apple-Studie30 Pkt.
Explorer · lab-sx-15
▾ lab-sx-15
▾ data
…
bash · im Browser
learner@quantcraft:~/lab-sx-15$
Python noch nicht geladenPythonLn 1, Col 1Spaces: 4UTF-8

Dieses Thema zurücksetzen?

Alles in lab-sx-15 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