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 AcademyHojas de rutaRutas
Ctrl K
AO
+1,2 k estudiantes
Iniciar sesiónUnirse ↗
Hojas de rutaRutas
AO
+1,2 k estudiantes
Iniciar sesión
  • 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 AcademyHojas de rutaRutas
Ctrl K
AO
+1,2 k estudiantes
Iniciar sesiónUnirse ↗
Hojas de rutaRutas
AO
+1,2 k estudiantes
Iniciar sesión
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
Ruta de statsmodels›Módulo 1 · La regresión y sus comprobaciones›Tema 1.10·~50 minIntermedio

Betas de regresión móvil con RollingOLS

Posición en la rutaMódulo 1 de 3 · Tema 10 de 10
1.10 Betas de regresión móvil con RollingOLS
—Puntuación del lab— / 100XP total—Racha—

Un coeficiente que se mueve

Una regresión da un número por coeficiente, como si la relación nunca cambiara. La beta de mercado de una acción sí cambia: con su negocio, su apalancamiento y el ánimo del mercado. Una regresión móvil reajusta el mismo modelo sobre una ventana móvil de las últimas w observaciones y da una serie temporal de coeficientes. En statsmodels es RollingOLS(y, X, window=w).fit(); su atributo params es un DataFrame con una fila por fecha y una columna por coeficiente, y las primeras w-1 filas son NaN porque la ventana aún no está llena. La longitud de la ventana es un compromiso: una ventana corta reacciona rápido pero es ruidosa, una larga es suave pero lenta. Con un solo regresor y una constante, la pendiente tiene una forma cerrada que no necesita regresión alguna: la covarianza móvil de y y x dividida por la varianza móvil de x, calculadas con .rolling(w).cov(...) y .rolling(w).var().

Apple tiene 319 rendimientos mensuales entre febrero de 2000 y agosto de 2026. Su beta de mercado de la muestra completa es 1,31. La beta móvil de 60 meses cuenta otra historia: fue 2,51 en septiembre de 2008, bajó a 0,75 en abril de 2015 y está en 1,04 al final de la muestra, con una desviación típica de 0,31 en el camino. Ningún número único describe eso. Las dos vías, RollingOLS y la covarianza móvil sobre la varianza móvil, coinciden hasta 10⁻¹⁴, una buena comprobación de que se entiende lo que hace la biblioteca. Un coeficiente que se mueve es también una advertencia: un modelo de riesgo que usa la beta de la década pasada puede estar cubriendo una empresa que ya no existe.

  • Móvil significa reajustar: mismo modelo, ventana móvil, un conjunto de coeficientes por fecha.
  • Compruebe la biblioteca con pandas: para un regresor, la pendiente es la covarianza móvil sobre la varianza móvil.
  • Una sola beta oculta la historia: el rango de la beta móvil muestra cuánto engaña la cifra de la muestra completa.

Lab: qué se califica

  • La beta móvil25 pts
  • La misma beta a mano20 pts
  • La diferencia entre dos vías10 pts
  • Beta más baja y más alta15 pts
  • El estudio de Apple30 pts
Explorador · lab-sx-15
▾ lab-sx-15
▾ data
…
bash · en el navegador
learner@quantcraft:~/lab-sx-15$
Python aún no cargadoPythonLn 1, Col 1Spaces: 4UTF-8

¿Restablecer este tema?

Todo lo que hay en lab-sx-15 vuelve a los archivos iniciales y se limpia el terminal. Tu solución actual se perderá: no se puede deshacer.

Se restablecerá
  • main.py → código inicial
  • Historial del terminal y salida de pruebas
  • Cambios sin enviar
Se conservará
  • Mejor puntuación del lab
  • Tu XP y tu racha
  • Progreso de la lección y notas

Inicia sesión para ejecutar tu código.

Todas las clases se pueden leer gratis. Crea una cuenta o inicia sesión para ejecutar código, lanzar las pruebas y enviar este lab.

  • IDE en el navegador con terminal bash — sin instalar nada
  • Corrección instantánea, XP y tu lugar en la ruta
Crear una cuentaIniciar sesión
O
Continuar con GitHub