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
Time Series-Skill›Modul 3 · Volatilität›Thema 3.1·~50 Min.Fortgeschritten

Volatilitäts-Clustering und ARCH

Position in der SkillModul 3 von 5 · Thema 1 von 3
3.1 Volatilitäts-Clustering und ARCH
—Lab-Punkte— / 100XP gesamt—Serie—

Wenn die Varianz nicht konstant ist

Renditen sind nahezu unkorreliert, aber nicht unabhängig: Die Größe der heutigen Bewegung sagt etwas über die der morgigen. Ruhige Wochen folgen auf ruhige, unruhige auf unruhige. Das ARCH-Modell von Engle (1982) erfasst das, indem die Varianz des Schocks von den jüngsten quadrierten Schocks abhängt: rt=μ+εtr_t=\mu+\varepsilon_trt​=μ+εt​, εt=σtzt\varepsilon_t=\sigma_tz_tεt​=σt​zt​ mit standardnormalem ztz_tzt​ und σt2=ω+α1εt−12+⋯+αqεt−q2\sigma_t^{2}=\omega+\alpha_1\varepsilon_{t-1}^{2}+\dots+\alpha_q\varepsilon_{t-q}^{2}σt2​=ω+α1​εt−12​+⋯+αq​εt−q2​. Ein großer Schock gestern erhöht die Varianz heute, und der Schock selbst hat im Vorzeichen kein Gedächtnis. Die unbedingte Varianz eines ARCH(1) ist ω/(1−α)\omega/(1-\alpha)ω/(1−α) und verlangt α<1\alpha<1α<1.

σt2=ω+α εt−12,Var(εt)=ω1−α,LM=T R2∼χq2,σt2=λσt−12+(1−λ) rt−12\sigma_t^{2}=\omega+\alpha\,\varepsilon_{t-1}^{2},\qquad \mathrm{Var}(\varepsilon_t)=\frac{\omega}{1-\alpha},\qquad \mathrm{LM}=T\,R^{2}\sim\chi^{2}_{q},\qquad \sigma_t^{2}=\lambda\sigma_{t-1}^{2}+(1-\lambda)\,r_{t-1}^{2}σt2​=ω+αεt−12​,Var(εt​)=1−αω​,LM=TR2∼χq2​,σt2​=λσt−12​+(1−λ)rt−12​(1)

Selbst bei normalen Schocks ztz_tzt​ erzeugt ein ARCH Renditen mit dickeren Rändern als eine Normalverteilung, weil sich eine ruhige und eine unruhige Phase in einer Stichprobe mischen. Deshalb zeigen Renditehistogramme Excess-Kurtosis. Zum Test auf ARCH-Effekte nimmt man die Residuen ε^t\hat\varepsilon_tε^t​ eines Mittelwertmodells, regressiert ε^t2\hat\varepsilon_t^{2}ε^t2​ auf die eigenen qqq Lags und berechnet Engles Statistik TR2T R^{2}TR2, die unter der Nullhypothese ohne ARCH χq2\chi^{2}_qχq2​-verteilt ist. Eine einfache Alternative ohne Anpassung ist der exponentiell gewichtete gleitende Durchschnitt, σt2=λσt−12+(1−λ)rt−12\sigma_t^{2}=\lambda\sigma_{t-1}^{2}+(1-\lambda)r_{t-1}^{2}σt2​=λσt−12​+(1−λ)rt−12​, mit λ=0,94\lambda=0{,}94λ=0,94 als RiskMetrics-Standard für Tagesdaten. Reale Renditen zeigen zudem einen Leverage-Effekt: Ein Rückgang erhöht die nächste Varianz stärker als ein gleich großer Anstieg, was das einfache ARCH nicht abbildet. Die lange Persistenz der Volatilität verlangt viele ARCH-Lags, und GARCH, später in dieser Fähigkeit, schafft das mit wenigen Parametern.

Ein Schock und die nächste VarianzNehmen wir ein ARCH(1) in Prozenteinheiten mit ω=0,2\omega=0{,}2ω=0,2 und α=0,5\alpha=0{,}5α=0,5. Die langfristige Varianz ist 0,2/(1−0,5)=0,40{,}2/(1-0{,}5)=0{,}40,2/(1−0,5)=0,4, eine tägliche Volatilität von 0,63%0{,}63\%0,63%. Nach einem ruhigen Tag mit ε=0,2\varepsilon=0{,}2ε=0,2 ist die nächste Varianz 0,2+0,5⋅0,04=0,220{,}2+0{,}5\cdot0{,}04=0{,}220,2+0,5⋅0,04=0,22. Nach einem Schock von ε=−2\varepsilon=-2ε=−2 ist sie 0,2+0,5⋅4=2,20{,}2+0{,}5\cdot4=2{,}20,2+0,5⋅4=2,2, eine Volatilität von 1,48%1{,}48\%1,48%, mehr als das Doppelte des langfristigen Niveaus. Ein Modell, das stets 0,40{,}40,4 verwendete, würde das Risiko direkt nach dem Schock unterschätzen.
  • ARCH(qqq): Die Varianz des heutigen Schocks ist eine Konstante plus eine gewichtete Summe der letzten qqq quadrierten Schocks.
  • Engles Test: quadrierte Residuen auf ihre Lags regressieren und TR2∼χq2T R^{2}\sim\chi^{2}_qTR2∼χq2​ verwenden.
  • EWMA mit λ=0,94\lambda=0{,}94λ=0,94 ist eine Alternative ohne Anpassung; Leverage: Rückgänge erhöhen die Volatilität stärker als Anstiege.

Lab: Was bewertet wird

  • Die langfristige Varianz15 Pkt.
  • Varianz nach einem Schock15 Pkt.
  • Eine EWMA-Aktualisierung15 Pkt.
  • Engles Statistik15 Pkt.
  • Die Ränder eines ARCH-Modells10 Pkt.
  • Begriffe zuordnen15 Pkt.
  • Das Risiko direkt nach einem Schock15 Pkt.
0/ 7 beantwortet
Aufgaben
1Numerische Antwort15 Pkt.Nicht beantwortet

Ein ARCH(1) hat ω=0,2\omega=0{,}2ω=0,2 und α=0,5\alpha=0{,}5α=0,5 (in Prozent zum Quadrat). Wie groß ist seine unbedingte Varianz ω/(1−α)\omega/(1-\alpha)ω/(1−α)?

v=v =v=akzeptiert: ± 0.005
2Numerische Antwort15 Pkt.Nicht beantwortet

Beim selben Modell war der gestrige Schock εt−1=−2\varepsilon_{t-1}=-2εt−1​=−2. Wie groß ist die heutige Varianz σt2=ω+αεt−12\sigma_t^{2}=\omega+\alpha\varepsilon_{t-1}^{2}σt2​=ω+αεt−12​?

s2=s2 =s2=akzeptiert: ± 0.01
3Numerische Antwort15 Pkt.Nicht beantwortet

Mit λ=0,94\lambda=0{,}94λ=0,94 ist die gestrige Varianzschätzung 1,01{,}01,0 und die gestrige Rendite 2%2\%2%. Wie groß ist die heutige EWMA-Varianz λσt−12+(1−λ)rt−12\lambda\sigma_{t-1}^{2}+(1-\lambda)r_{t-1}^{2}λσt−12​+(1−λ)rt−12​?

ew=ew =ew=akzeptiert: ± 0.01
4Numerische Antwort15 Pkt.Nicht beantwortet

Die Regression der quadrierten Residuen auf einen Lag liefert R2=0,04R^{2}=0{,}04R2=0,04 bei T=500T=500T=500 Beobachtungen. Wie groß ist Engles Statistik TR2T R^{2}TR2 (vergleichen Sie mit dem χ12\chi^{2}_1χ12​-Wert 3,843{,}843,84 bei 5 %)?

lm=lm =lm=akzeptiert: ± 0.1
5Auswahl10 Pkt.Nicht beantwortet

Ein ARCH(1) mit normalen Schocks ztz_tzt​ erzeugt Renditen, deren unbedingte Verteilung

6Zuordnen15 Pkt.Nicht beantwortet

Ordnen Sie jedem Begriff seine Bedeutung zu.

Wähle den Partner für jedes Element links.

ARCH-Modell
EWMA-Varianz
Leverage-Effekt
Engles LM-Test
7In Worten erklären15 Pkt.Nicht beantwortet

Erklären Sie in ein bis zwei Sätzen, warum ein Modell mit konstanter Varianz das Risiko direkt nach einem großen Schock unterschätzt.

Mathe-ModusEingabe per Tastatur oder LaTeXAufgabe 1 von 7 · Strg ⏎ zum Prüfen

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