28 июня 2014 TeleTrade Щуцкий Вадим
И хотя я уже неоднократно обращался к теме акций «старых» компаний сегодня я еще раз вернусь к этой теме.
Deutsche Bank AG существует с 1870-го года (старая компания как Ленин) и предоставляет практически все виды финансовых услуг. И ценообразование акций достаточно похоже на ценообразование иных «старых» компаний, но все же несколько отличается от ценообразования акций прошлый раз рассмотренной Siemens AG (см. рис. Рис. 1 в материале «Приведение в «норму» Siemens AG»). Динамика котировок акций Deutsche Bank AG показана на рисунке 1.
Рис. 1 Динамика цен акций Deutsche Bank AG (источник данных: NYSE)
Характер ценообразования в принципе похож на характер ценообразования Siemens AG за исключением невиданного подъема цены в период с 2002-го по 2007-й года (как будто это не «старая», а «новая» высокотехнологическая компания). Фундаментальные факторы этого феномена всем хорошо известны, поэтому не буду останавливаться. Но остановлюсь на психологических особенностях (эти особенности имеют значение и для будущих значений рыночных котировок).
Тогда была сформирована, достаточно редко появляющаяся, фигура «Двойная голова-плечи» (я ее изобразил красной и бурой линией). Она появляется в случаях психологической неготовности рынка к изменению направления движения цены. Как бы уже все говорит о том, что «пришел» разворот, а рынок все равно «толкает» ее вверх. И даже когда разворот уже произошел, то все равно мышление инертно ожидает повышения цены (как бы, что за нелепость произошла? это же немецкий банк, там все хорошо).
А «выловить» эту психологическую ошибку рынка можно было, изучая особенности волатильности, график которой можно увидеть на рисунке 2.
Рис. 2 Динамика логарифмов темпа роста акций Deutsche Bank AG (собственный расчет)
Т.е. «нормальный» рост сопровождался «нормальной» волатильностью, а «ненормальный» сниженной волатильностью. Но более интересно, что происходило далее.
На этом графике хорошо видны два феномена динамики экономических временных данных - неоднородность и кластерность.
Для тех, кто не знает об этих понятиях, поясню.
Если остатки имеют постоянную дисперсию, они называются гомоскедастичными (однородными), но если они непостоянны, то гетероскедастичными (неоднородными). Буду пользоваться этой терминологией, т.к. в основной части литературы, которая описывает теорию и практику по этим вопросам авторы пользуются именно такой терминологией. Гетероскедастичность приводит к тому, что коэффициенты регрессии больше не представляют собой лучшие оценки или не являются оценками с минимальной дисперсией, следовательно, они больше не являются наиболее эффективными коэффициентами.
Воздействие гетероскедастичности на оценку интервала прогнозирования и проверку гипотезы заключается в том, что хотя коэффициенты не смещены, дисперсии и, следовательно, стандартные ошибки этих коэффициентов будут смещены. Если смещение отрицательно, то оценочные стандартные ошибки будут меньше, чем они должны быть, а критерий проверки будет больше, чем в реальности. Таким образом, мы можем сделать вывод, что коэффициент значим, когда он таковым не является. И наоборот, если смещение положительно, то оценочные ошибки будут больше, чем они должны быть, а критерии проверки - меньше. Значит, мы можем принять нулевую гипотезу, в то время как она должна быть отвергнута.
Проверкой на гетероскедастичность служит тест Голдфелда-Кванта. И если этот тест дает отрицательный результат то, чтобы решить проблему гетероскедастичности, нужно исследовать взаимосвязь между значениями ошибки и переменными и трансформировать регрессионную модель так, чтобы она отражала эту взаимосвязь. Это может быть достигнуто посредством регрессии значений ошибок по различным формам функций переменной, которая приводит к гомоскедастичности.
Но в данном случае присутствует также и эффект кластерности. Т.е. периоды высокой волатильности длятся некоторое время, сменяясь затем периодами низкой волатильности, причем среднюю (долгосрочную, безусловную) волатильность можно считать относительно стабильной. Но вышеприведенная процедура не сможет устранить ошибку оценивания из-за феномена кластерности.
Кроме того, в данном случае (как и во многих других) ярко выражены «толстые хвосты» распределения логарифмов темпа роста, что можно увидеть на рисунке 3.
Рис. 3 Распределение логарифмов темпа роста акций Deutsche Bank AG (собственный расчет)
Как говорится, «и с этим можно бороться», но при детальном изучении фактического распределения оказывается, что одна половина распределения больше подчинена нормальному распределению, а вторая распределению Стьюдента. Т.е. чтобы сделать правильную оценку нет возможности подобрать правильные критерии оценки. И эти явления никак нельзя объяснить в рамках линейных моделей (например, рассмотренных авторегрессионных со скользящей средней).
На помощь в этом случае приходит переход к мультипликативной модели ценообразования. Т.е. каждый текущий логарифм темпа роста определяется как
h = σ×ε,
где
ε - ошибка прогнозирования;
σ - среднеквадратическое отклонение оценки модели, и условная дисперсия определяется таким образом:
Откуда
Такая модель носит название авторерессонной модели условной неоднородности ARCH(p) (AutoRegressive Conditional Heteroskedastic model), и по существу является нелинейным аналогом линейной авторегрессионной модели AR(p) с «белым» шумом (случайному воздействию с нормальным законом распределения).
Т.о. эта модель не борется с неоднородностью, а учитывает ее. Причем большие (меньшие) значения h влекут за собой большие (меньшие) последующие значения, но, вообще говоря, непредсказуемого знака (поэтому, когда растет волатильность практики при покупке опциона-колл покупают сразу и опцион-пут (а опцион можно привести к любому иному финансовому инструменту, и наоборот из любого простого финансового инструмента можно создать финансовый инструмент более сложный, например, из набора спот-ордеров можно создать фьючерс, а из набора фьючерсов можно создать любой опцион или комбинацию опционов (например, стрэддл или стрэнгл) (прошу прощения, хоть и были вопросы как это сделать, но покажу позже))).
Но логично, если есть нелинейный аналог авторегрессионной модели, то должен быть и нелинейный аналог авторегрессионной модели со скользящим средним ARMA(p,q). И он действительно есть, и называется обобщенной авторегрессионной моделью условной неоднородности GARCH(p,q), у которой дисперсия выражается уравнением:
Т.о. учитывается влияние прошлых значений как собственно логарифмов темпа роста, так и прошлых значений условной дисперсии. И если q = 0, то образно говоря GARCH(p,q) = ARCH(p). Поэтому, если кто-то начинает реализовывать эти алгоритмы в своих торговых системах, то достаточно реализовать сразу алгоритм GARCH(p,q) (в литературе эти алгоритмы достаточно широко освещены, поэтому останавливаться на их реализации не буду, как и раньше делал).
Для оценки и прогноза акций Deutsche Bank AG этого алгоритма вполне достаточно, и для модели GARCH(1,1) с параметрами свободного члена 10,26595 и коэффициентов 0,728366 и 0,271725, получаем прогноз, изображенный на рисунке 4.
Рис. 4 Прогноз динамики акций Deutsche Bank AG (собственный расчет)
Т.е. ждать какой-то большой доходности от этих акций к концу года явно не приходится, как и нельзя будет заработать на коротких продажах.
Но, чтобы больше не обращаться к теме других авторегрессионных методов со скользящей средней типа GARCH (p,q) (например, логически напрашивающаяся модель IGARCH(p,q)), вкратце опишу те, которые иногда приходится использовать в практическом анализе.
В экономических данных замечается также феномен отрицательной коррелируемости h и σ. Этот эффект получил название «эффекта рычага», «подъемной силы» или «эффект ассиметрии», приводит к тому, что волатильность стремится к возрастанию после падения цен. Для «борьбы» с этим явлением (скорее использованием) была разработана модель EGARCH(p,q), где:
где θ и γ - некоторые коэффициенты.
Бороться с ассиметрией помогают бороться также пороговые модели TGARCH(p,q), где:
где
p*=max(p,q),
αi(εn-i) и βi(εn-i) - функции, являющиеся линейными комбинациями положительных и отрицательных величин εn-i.
В тех случаях, когда характер убывания автокорреляционной функции, как для модулей, так и для квадратов величин h очень медленный, то для борьбы с этой «долгой памятью» используется модель HARCH(p), где
Понятно, что HARCH(1) = ARCH(1).
И в конце хочу обратиться к тем, кто самостоятельно разрабатывает торговые системы и индикаторы для них.
Как было показано выше, привычный SMA(n) является только частным случаем AR(n). Но SMA(n) по обыкновению используется как инструмент отслеживания значимого параметра (чаще цены), и при этом задержка в принятии решения после начала разворота равняется n/2. Использование метода пересечения скользящих средних (даже в MACD) приводит к задержке по минимальному используемому параметру (плюс «время встечи» индикаторов). Я думаю, что никто с этим не будет спорить. Но в то же время тот же SMA(n) используется и в задачах линейного прогнозирования.
Точно так же те методы анализа, которые я представил в последних нескольких статьях, хотя и используются в задачах прогнозирования, их с успехом можно использовать в задачах текущего оценивания значимого параметра. Но при этом подобранная модель очень часто имеет статистическую значимость с достаточно небольшими временными лагами. Для них не обязательно брать параметры индикатора порядка десятков, а то и сотен временных задержек. И если в торговую систему поставить вместо SMA(n) например индикатор технического анализа типа ARMA(1,1), то он будет давать торговый сигнал практически моментально, без задержек!
Да я согласен, что при этом нужно реализовать не просто расчет простой формулы, а целый небольшой программный комплекс, который делал бы статистическое тестирование исходных данных, выбор наиболее подходящей модели, реализованный (в матричной форме) алгоритм МНК и пр… Но экономия на пропущенном времени окупит данное вложение сил.
К тому же все правила принятия решений, которые вы применяли в техническом анализе, применимы и в этом случае. Тот же метод пересечения двух скользящих можно применять при построении разных моделей для разных временных данных одного параметра. Например, можно построить модель для дневных данных, и отдельную модель для четырехчасовых. Эти модели могут совсем не совпадать, но при этом есть возможность нанести их на один график и использовать старый проверенный метод принятия решения. А можно и новые придумать.
http://www.teletrade.ru/ (C)
Не является индивидуальной инвестиционной рекомендацией | При копировании ссылка обязательна | Нашли ошибку - выделить и нажать Ctrl+Enter | Отправить жалобу
Deutsche Bank AG существует с 1870-го года (старая компания как Ленин) и предоставляет практически все виды финансовых услуг. И ценообразование акций достаточно похоже на ценообразование иных «старых» компаний, но все же несколько отличается от ценообразования акций прошлый раз рассмотренной Siemens AG (см. рис. Рис. 1 в материале «Приведение в «норму» Siemens AG»). Динамика котировок акций Deutsche Bank AG показана на рисунке 1.
Рис. 1 Динамика цен акций Deutsche Bank AG (источник данных: NYSE)
Характер ценообразования в принципе похож на характер ценообразования Siemens AG за исключением невиданного подъема цены в период с 2002-го по 2007-й года (как будто это не «старая», а «новая» высокотехнологическая компания). Фундаментальные факторы этого феномена всем хорошо известны, поэтому не буду останавливаться. Но остановлюсь на психологических особенностях (эти особенности имеют значение и для будущих значений рыночных котировок).
Тогда была сформирована, достаточно редко появляющаяся, фигура «Двойная голова-плечи» (я ее изобразил красной и бурой линией). Она появляется в случаях психологической неготовности рынка к изменению направления движения цены. Как бы уже все говорит о том, что «пришел» разворот, а рынок все равно «толкает» ее вверх. И даже когда разворот уже произошел, то все равно мышление инертно ожидает повышения цены (как бы, что за нелепость произошла? это же немецкий банк, там все хорошо).
А «выловить» эту психологическую ошибку рынка можно было, изучая особенности волатильности, график которой можно увидеть на рисунке 2.
Рис. 2 Динамика логарифмов темпа роста акций Deutsche Bank AG (собственный расчет)
Т.е. «нормальный» рост сопровождался «нормальной» волатильностью, а «ненормальный» сниженной волатильностью. Но более интересно, что происходило далее.
На этом графике хорошо видны два феномена динамики экономических временных данных - неоднородность и кластерность.
Для тех, кто не знает об этих понятиях, поясню.
Если остатки имеют постоянную дисперсию, они называются гомоскедастичными (однородными), но если они непостоянны, то гетероскедастичными (неоднородными). Буду пользоваться этой терминологией, т.к. в основной части литературы, которая описывает теорию и практику по этим вопросам авторы пользуются именно такой терминологией. Гетероскедастичность приводит к тому, что коэффициенты регрессии больше не представляют собой лучшие оценки или не являются оценками с минимальной дисперсией, следовательно, они больше не являются наиболее эффективными коэффициентами.
Воздействие гетероскедастичности на оценку интервала прогнозирования и проверку гипотезы заключается в том, что хотя коэффициенты не смещены, дисперсии и, следовательно, стандартные ошибки этих коэффициентов будут смещены. Если смещение отрицательно, то оценочные стандартные ошибки будут меньше, чем они должны быть, а критерий проверки будет больше, чем в реальности. Таким образом, мы можем сделать вывод, что коэффициент значим, когда он таковым не является. И наоборот, если смещение положительно, то оценочные ошибки будут больше, чем они должны быть, а критерии проверки - меньше. Значит, мы можем принять нулевую гипотезу, в то время как она должна быть отвергнута.
Проверкой на гетероскедастичность служит тест Голдфелда-Кванта. И если этот тест дает отрицательный результат то, чтобы решить проблему гетероскедастичности, нужно исследовать взаимосвязь между значениями ошибки и переменными и трансформировать регрессионную модель так, чтобы она отражала эту взаимосвязь. Это может быть достигнуто посредством регрессии значений ошибок по различным формам функций переменной, которая приводит к гомоскедастичности.
Но в данном случае присутствует также и эффект кластерности. Т.е. периоды высокой волатильности длятся некоторое время, сменяясь затем периодами низкой волатильности, причем среднюю (долгосрочную, безусловную) волатильность можно считать относительно стабильной. Но вышеприведенная процедура не сможет устранить ошибку оценивания из-за феномена кластерности.
Кроме того, в данном случае (как и во многих других) ярко выражены «толстые хвосты» распределения логарифмов темпа роста, что можно увидеть на рисунке 3.
Рис. 3 Распределение логарифмов темпа роста акций Deutsche Bank AG (собственный расчет)
Как говорится, «и с этим можно бороться», но при детальном изучении фактического распределения оказывается, что одна половина распределения больше подчинена нормальному распределению, а вторая распределению Стьюдента. Т.е. чтобы сделать правильную оценку нет возможности подобрать правильные критерии оценки. И эти явления никак нельзя объяснить в рамках линейных моделей (например, рассмотренных авторегрессионных со скользящей средней).
На помощь в этом случае приходит переход к мультипликативной модели ценообразования. Т.е. каждый текущий логарифм темпа роста определяется как
h = σ×ε,
где
ε - ошибка прогнозирования;
σ - среднеквадратическое отклонение оценки модели, и условная дисперсия определяется таким образом:
Откуда
Такая модель носит название авторерессонной модели условной неоднородности ARCH(p) (AutoRegressive Conditional Heteroskedastic model), и по существу является нелинейным аналогом линейной авторегрессионной модели AR(p) с «белым» шумом (случайному воздействию с нормальным законом распределения).
Т.о. эта модель не борется с неоднородностью, а учитывает ее. Причем большие (меньшие) значения h влекут за собой большие (меньшие) последующие значения, но, вообще говоря, непредсказуемого знака (поэтому, когда растет волатильность практики при покупке опциона-колл покупают сразу и опцион-пут (а опцион можно привести к любому иному финансовому инструменту, и наоборот из любого простого финансового инструмента можно создать финансовый инструмент более сложный, например, из набора спот-ордеров можно создать фьючерс, а из набора фьючерсов можно создать любой опцион или комбинацию опционов (например, стрэддл или стрэнгл) (прошу прощения, хоть и были вопросы как это сделать, но покажу позже))).
Но логично, если есть нелинейный аналог авторегрессионной модели, то должен быть и нелинейный аналог авторегрессионной модели со скользящим средним ARMA(p,q). И он действительно есть, и называется обобщенной авторегрессионной моделью условной неоднородности GARCH(p,q), у которой дисперсия выражается уравнением:
Т.о. учитывается влияние прошлых значений как собственно логарифмов темпа роста, так и прошлых значений условной дисперсии. И если q = 0, то образно говоря GARCH(p,q) = ARCH(p). Поэтому, если кто-то начинает реализовывать эти алгоритмы в своих торговых системах, то достаточно реализовать сразу алгоритм GARCH(p,q) (в литературе эти алгоритмы достаточно широко освещены, поэтому останавливаться на их реализации не буду, как и раньше делал).
Для оценки и прогноза акций Deutsche Bank AG этого алгоритма вполне достаточно, и для модели GARCH(1,1) с параметрами свободного члена 10,26595 и коэффициентов 0,728366 и 0,271725, получаем прогноз, изображенный на рисунке 4.
Рис. 4 Прогноз динамики акций Deutsche Bank AG (собственный расчет)
Т.е. ждать какой-то большой доходности от этих акций к концу года явно не приходится, как и нельзя будет заработать на коротких продажах.
Но, чтобы больше не обращаться к теме других авторегрессионных методов со скользящей средней типа GARCH (p,q) (например, логически напрашивающаяся модель IGARCH(p,q)), вкратце опишу те, которые иногда приходится использовать в практическом анализе.
В экономических данных замечается также феномен отрицательной коррелируемости h и σ. Этот эффект получил название «эффекта рычага», «подъемной силы» или «эффект ассиметрии», приводит к тому, что волатильность стремится к возрастанию после падения цен. Для «борьбы» с этим явлением (скорее использованием) была разработана модель EGARCH(p,q), где:
где θ и γ - некоторые коэффициенты.
Бороться с ассиметрией помогают бороться также пороговые модели TGARCH(p,q), где:
где
p*=max(p,q),
αi(εn-i) и βi(εn-i) - функции, являющиеся линейными комбинациями положительных и отрицательных величин εn-i.
В тех случаях, когда характер убывания автокорреляционной функции, как для модулей, так и для квадратов величин h очень медленный, то для борьбы с этой «долгой памятью» используется модель HARCH(p), где
Понятно, что HARCH(1) = ARCH(1).
И в конце хочу обратиться к тем, кто самостоятельно разрабатывает торговые системы и индикаторы для них.
Как было показано выше, привычный SMA(n) является только частным случаем AR(n). Но SMA(n) по обыкновению используется как инструмент отслеживания значимого параметра (чаще цены), и при этом задержка в принятии решения после начала разворота равняется n/2. Использование метода пересечения скользящих средних (даже в MACD) приводит к задержке по минимальному используемому параметру (плюс «время встечи» индикаторов). Я думаю, что никто с этим не будет спорить. Но в то же время тот же SMA(n) используется и в задачах линейного прогнозирования.
Точно так же те методы анализа, которые я представил в последних нескольких статьях, хотя и используются в задачах прогнозирования, их с успехом можно использовать в задачах текущего оценивания значимого параметра. Но при этом подобранная модель очень часто имеет статистическую значимость с достаточно небольшими временными лагами. Для них не обязательно брать параметры индикатора порядка десятков, а то и сотен временных задержек. И если в торговую систему поставить вместо SMA(n) например индикатор технического анализа типа ARMA(1,1), то он будет давать торговый сигнал практически моментально, без задержек!
Да я согласен, что при этом нужно реализовать не просто расчет простой формулы, а целый небольшой программный комплекс, который делал бы статистическое тестирование исходных данных, выбор наиболее подходящей модели, реализованный (в матричной форме) алгоритм МНК и пр… Но экономия на пропущенном времени окупит данное вложение сил.
К тому же все правила принятия решений, которые вы применяли в техническом анализе, применимы и в этом случае. Тот же метод пересечения двух скользящих можно применять при построении разных моделей для разных временных данных одного параметра. Например, можно построить модель для дневных данных, и отдельную модель для четырехчасовых. Эти модели могут совсем не совпадать, но при этом есть возможность нанести их на один график и использовать старый проверенный метод принятия решения. А можно и новые придумать.
http://www.teletrade.ru/ (C)
Не является индивидуальной инвестиционной рекомендацией | При копировании ссылка обязательна | Нашли ошибку - выделить и нажать Ctrl+Enter | Отправить жалобу