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 AcademyRoadmapsRoteiros
Ctrl K
AO
+1,2 mil alunos
EntrarParticipar ↗
RoadmapsRoteiros
AO
+1,2 mil alunos
Entrar
  • 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 AcademyRoadmapsRoteiros
Ctrl K
AO
+1,2 mil alunos
EntrarParticipar ↗
RoadmapsRoteiros
AO
+1,2 mil alunos
Entrar
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
Roteiro de Time Series›Módulo 5 · Avaliação e prática›Tópico 5.3·~1 h 40 minAvançado

Projeto final: um concurso de previsão de volatilidade com dados reais

Posição no roteiroMódulo 5 de 5 · Tópico 3 de 3
5.3 Projeto final: um concurso de previsão de volatilidade com dados reais
—Nota do lab— / 100XP total—Sequência—

De quatro modelos a um concurso justo

Cada ferramenta desta habilidade responde a uma pergunta: qual será o tamanho do movimento de amanhã? Uma variância constante, uma média exponencial, um GARCH(1,1) e uma regressão HAR sobre a amplitude máxima-mínima diária dão quatro respostas, e a única forma honesta de escolher é um concurso com regras justas. Cada previsão do dia t só pode usar dados anteriores ao dia t. O GARCH é ajustado uma só vez nos primeiros 1000 dias e nunca reajustado. Os quatro são pontuados nos dias seguintes, contra o retorno ao quadrado, com uma perda que pune mais a subestimação da variância do que a superestimação. Basta o NumPy.

hₜ=λhₜ₋₁+(1-λ)rₜ₋₁², hₜ=ω+αrₜ₋₁²+βhₜ₋₁, ω=(1-α-β)σ²

O EWMA e o GARCH atualizam um estado de variância com o retorno de ontem ao quadrado. O GARCH tem mais margem: seus parâmetros são escolhidos maximizando uma verossimilhança gaussiana, aqui numa pequena grade, com a variância de longo prazo σ² fixada no valor amostral (alvo de variância). O modelo HAR lê a amplitude. Sua variável do dia t é montada com a variância de Parkinson dos dias anteriores: o valor de ontem, a média dos últimos 5 dias e a dos últimos 22. Seu alvo é o retorno ao quadrado, ruidoso mas no nível certo, e ele é reajustado a cada 21 dias nos 750 dias anteriores. A pontuação é a QLIKE média, y/h-ln(y/h)-1 com y o indicador e h a previsão, e a estatística de Diebold-Mariano diz se a diferença entre dois previsores supera o acaso.

QLIKE=y/h-ln(y/h)-1, DM=(mean(d))/(std(d)/√n), d=L₁-L₂
O que dizem os dados reaisNo SPY, pontuados nos 4404 dias após os primeiros 1000, a QLIKE média contra o retorno ao quadrado é de cerca de 2,03 para a previsão constante, 1,63 para o EWMA, 1,59 para o GARCH (escolha da grade α=0,11, β=0,88, uma persistência de 0,99) e 1,56 para o modelo HAR sobre a amplitude. Cada degrau para baixo é uma previsão melhor. A estatística de Diebold-Mariano é de cerca de 3,5 para EWMA contra GARCH e 3,6 para EWMA contra HAR, muito além de 1,96. GARCH contra HAR dá cerca de 1,9, logo abaixo da significância a 5 %. Com um indicador tão ruidoso quanto um único retorno ao quadrado, as diferenças são modestas mesmo quando a ordem é clara.
  • Regras justas: uma previsão do dia t só usa dados anteriores, o GARCH é ajustado antes do período de pontuação e filtrado adiante com parâmetros fixos.
  • QLIKE é a perda, o retorno ao quadrado é o indicador e Diebold-Mariano diz se dois previsores realmente diferem.
  • Escada: constante, EWMA, GARCH, HAR sobre a amplitude; cada degrau reduz a perda no SPY, mas a última diferença está dentro do ruído.
Quatro simplificações para lembrarO indicador é um único retorno ao quadrado, então todas as perdas são altas e as diferenças pequenas; uma variância realizada as afinaria. O GARCH é ajustado uma vez numa grade grossa e não é atualizado, enquanto um sistema real o reajustaria. A verossimilhança é gaussiana embora os retornos tenham caudas grossas. E a pontuação vale para um ativo num período que inclui uma crise: um vencedor aqui não é uma promessa para a próxima década.

Lab: o que é avaliado

  • Uma variância de amplitude10 pts
  • Um previsor EWMA15 pts
  • Um filtro GARCH15 pts
  • Ajustar um GARCH numa grade15 pts
  • Um previsor HAR20 pts
  • A perda QLIKE10 pts
  • A estatística de Diebold-Mariano5 pts
  • O concurso10 pts
Explorador · lab-tz-12
▾ lab-tz-12
▾ data
…
bash · no navegador
learner@quantcraft:~/lab-tz-12$
Python ainda não carregadoPythonLn 1, Col 1Spaces: 4UTF-8

Redefinir este tópico?

Tudo em lab-tz-12 volta aos arquivos iniciais e o terminal é limpo. Sua solução atual será perdida — isso não pode ser desfeito.

Será redefinido
  • main.py → código inicial
  • Histórico do terminal e saída dos testes
  • Alterações não enviadas
Será mantido
  • Melhor nota do lab
  • Seu XP e sua sequência
  • Progresso da aula e anotações

Entre para executar o seu código.

Todas as aulas são gratuitas para ler. Crie uma conta ou entre para executar código, rodar os testes e enviar este lab.

  • IDE no navegador com terminal bash — nada para instalar
  • Correção instantânea, XP e o seu lugar no roteiro
Criar uma contaEntrar
OU
Continuar com o GitHub