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 2 · Modelle für Zeitreihen›Thema 2.5·~55 Min.Fortgeschritten

Eine Vektorautoregression von Renditen, Volatilität und Zinsen

Position in der SkillModul 2 von 3 · Thema 5 von 9
2.5 Eine Vektorautoregression von Renditen, Volatilität und Zinsen
—Lab-Punkte— / 100XP gesamt—Serie—

Mehrere Reihen, jede erklärt die anderen

Eine Vektorautoregression der Ordnung p regressiert den Vektor yₜ von k Variablen auf seine eigenen p Verzögerungen: yₜ=c+A₁yₜ₋₁+…+Aₚyₜ₋ₚ+eₜ. Jede Gleichung hat dieselben Regressoren und lässt sich mit gewöhnlichen kleinsten Quadraten schätzen, und der Eintrag (A₁)ⱼᵢ sagt, wie stark Variable i der Vorperiode Variable j jetzt bewegt. VAR(data).select_order(6) vergleicht die Verzögerungen 1 bis 6 mit AIC, BIC und anderen (das BIC bevorzugt weniger Verzögerungen, weil es jeden Parameter höher bestraft); VAR(data).fit(p) schätzt das Modell; res.is_stable() prüft, dass alle Wurzeln des Verzögerungspolynoms außerhalb des Einheitskreises liegen, was Schocks abklingen lässt. Mit der monatlichen SPY-Rendite, der Log-Volatilität und der Änderung der 10-Jahres-Rendite über 258 Monate wählt das AIC 2 Verzögerungen, das BIC 1.

Granger-Kausalität ist eine Prognoseaussage, keine kausale: x Granger-verursacht y, wenn die Verzögerungen von x über die Verzögerungen von y selbst hinaus Vorhersagekraft für y liefern, getestet mit einem F-Test, dass die Koeffizienten von x in der y-Gleichung alle null sind. res.test_causality('lvol', ['ret'], kind='f') liefert Statistik und p-Wert. In den Daten führen Aktienrenditen die Volatilität (p=0,005) und die Zinsen (0,006); Volatilität (0,95) und Zinsänderungen (0,74) führen die Renditen nicht. Eine Impulsantwort verfolgt einen Schock durch das System: Sie ist der Eintrag (j,i) von A₁^s nach s Schritten (bei einem VAR(1)). Ein Einheitsschock auf die Monatsrendite (100 %) senkt die Log-Volatilität im Folgemonat um 1,82, dann 0,87, 0,49, 0,27 und klingt ab, weil das System stabil ist; für einen Rückgang um 5 % mit -0,05 multiplizieren: etwa +9 % Volatilität, der Hebeleffekt. res.forecast(last_obs, steps) iteriert das Modell ab den letzten p Beobachtungen und liefert gemeinsame Prognosen: Die Log-Volatilität driftet von -2,12 zu ihrem Mittel.

  • Verzögerung wählen mit AIC und BIC (BIC bevorzugt weniger), dann prüfen, ob das System stabil ist.
  • Granger-Kausalität ist prädiktiv, nicht kausal: ein F-Test auf die Verzögerungen einer Variablen in der Gleichung einer anderen.
  • Impulsantworten zeigen, wie ein Schock abklingt; einen Einheitsschock vor dem Lesen auf eine realistische Größe skalieren.

Lab: Was bewertet wird

  • Die Verzögerung wählen10 Pkt.
  • Das VAR anpassen10 Pkt.
  • Ein Granger-Test15 Pkt.
  • Die Granger-Tabelle10 Pkt.
  • Die Impulsantwort15 Pkt.
  • Die gemeinsame Prognose10 Pkt.
  • Die VAR-Studie30 Pkt.
Explorer · lab-sx-17
▾ lab-sx-17
▾ data
…
bash · im Browser
learner@quantcraft:~/lab-sx-17$
Python noch nicht geladenPythonLn 1, Col 1Spaces: 4UTF-8

Dieses Thema zurücksetzen?

Alles in lab-sx-17 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