Métricas de risco médio móvel ponderadas exponencialmente

Objetivos e motivações Os objetivos são duplos: Gerenciamento de Riscos. Modelando a distribuição de preços (cauda de distribuição, asfalto, curtose, dependências de tempo). Com o objetivo de selecionar os melhores modelos para estimar medidas de risco como o Valor em Risco. Serão estudados diferentes modelos, abrangendo o VaR histórico, modelo normal com diferentes modelos de volatilidade (Risk Metrics, GARCH), Vaticó Cornish Fisher, modelos VaR baseados na Teoria do Valor Extremo. Finalmente, os diferentes modelos são testados para selecionar o melhor modelo e usá-lo para gerenciar um fundo sob restrições de risco dinâmicas. Gerenciamento de portfólio ativo. Este projeto consiste em estudar diferentes estratégias ativas com o reequilíbrio (usando o chamado critério de Kelly, a teoria das carteiras estocásticas), estratégias de convergência (negociação de pares). Os projetos serão desenvolvidos sob o poderoso software estatístico e gráfico R-Project r-project. org. Essa é a versão open source do S-plus. Diferentes aspectos dos preços financeiros serão abordados: teste de hipóteses para a normalidade: qq-plots, Kolmogorov Smirnov, Jarque-Bera. Teste de independência: gráficos de dispersão, auto-correlogramas (ACF), teste de Durbin Watson, testes de corrida. Ajustando-se com diferentes distribuições conhecidas: aspectos estudantis, exponenciais e de séries temporais: correlações automáticas de retornos e retornos quadrados, efeitos de escala, lei do máximo e mínimo, tempo de acerto. Regressão linear e modelos de fatores Filtragem de matriz de covariância, análise de componentes principais Análise de estilo Modelos e estimativas de volatilidade: Métricas de risco, GARCH Medidas de risco: Valor em risco, déficit esperado, Drawdown máximo, VaR para portfólio com opções, métodos Delta Gamma e Monte Carlo Risk Adjusted Medidas de Desempenho: Razão Sharpe, RAPM Morningstar, Razão Sortino, Relação GainLoss, Índice Stutzer, CALMAR e Razões Sterling. Negociação de convergência, Teste de raiz unitária Gerenciamento dinâmico de portfólio, reequilíbrio. Todas as aplicações serão desenvolvidas com dados de mercado reais. pdf Prsentação de projetos R e exemplos pdf Estilizados Fatos pdf Value at Risk e Extreme Value Theory. Pdf Estimativas da volatilidade e correlações. Média móvel exponencial (RiskMetrics), GARCH, estimativas baseadas em Highs and Lows (Garman Klass, Parkinson, Roger Satchell). Pdf Optimal Growth Portfolio. Pdf Co-intgration, PairsConvergence Trading. Outras apresentações pdf Automated Trading I pdf Trading Automatique II. A média móvel móvel ponderada (métricas de risco) e o objetivo do GARCH é estudar e comparar a estimativa de volatilidade usando um esquema de ponderação diferente. Fatos estilizados: correlação automática de retornos, retornos quadrados, intervalo, etc. Estimativa de fatores de alisamento usando o erro quadrático médio ou o critério de máxima verossimilhança, validando a predição por regressão linear. Estimando os modelos GARCH, selecionando os melhores modelos usando os critérios AIC e BIC. Valor em risco, estimativa, backtesting e implementação para gerenciamento de fundos O Value at Risk é certamente uma das ferramentas mais importantes para medir o risco de investimentos para padrões prudenciais. Torna-se cada vez mais usado no gerenciamento de ativos também. Neste projeto, o objetivo é gerenciar um fundo com 10 milhões de euros sob gerenciamento com o construtor para manter um VaR constante o tempo todo. O VaR de 19 dias em 99 será igual a 4 do Valor Patrimonial Líquido. Modelos de VaR diferentes serão examinados e testados. Um deles será selecionado e implementado e posições ajustadas para atingir o objetivo de risco. Finallt, o desempenho do fundo gerenciado ativamente será comparado com a estratégia de compra e retenção em termos de desempenho, taxa de compartilhamento, etc. Um primeiro passo consistirá em estudar os diferentes modelos de VaR 13 para os ativos, incluindo o VaR histórico, o delta normal Modelo com RiskMetrics e volatilidade de GARCH, Vah Cornish Fischer, finalmente VaR com base na Teoria do Valor Extremo. O estudo será fechado às etapas descritas em 10. Este trabalho prático é estudar as propriedades e as estatísticas do Maximum Drawdown (MDD) seguindo o trabalho Magdon Ismail (ver alumnus. caltech. edu amirmdd-risk. pdf). A relação entre as proporções sharpe (performancevolatility) e calmar (performancedrawdown) Este trabalho também enfatizará a importância de controlar o MDD estudando o artigo Nassim Taleb, que é preferível, um paciente com câncer ou um comerciante de taxas de sobrevivência de 5 anos devido a distúrbios de tráfego1.pdf Kelly criterium and Rebalancing strategies Buy and Hold versus Rebalacing Este projeto é comparar o desempenho de uma estratégia de carteira de benchmark passiva de amplificação de compras (BampH) e da estratégia correspondente de carteira de reequilíbrio constante (CRP), onde os pesos dos ativos (ou Classes de ativos) são mantidas constantes por ajustes comerciais contínuos em função das flutuações dos preços. Estudamos o comportamento do portfólio reequilibrado no caso de um ativo e ativos múltiplos. Estudamos a estratégia CRP vs BH para os diferentes índices EUROSTOXX, comparamos a estratégia ponderada igual nos diferentes setores com a estratégia Buy Amp. Hold, implementamos e seguimos uma estratégia LongShort beta neutral: longa em setores ponderados iguais e curta no Eurostoxx 50 (com futuros) enquanto tentam manter uma redução máxima esperada. Tendências e estratégias de reversão média. Alguns recursos em R: site principal: cran. r-project. org. Manuais cran. r-project. orgmanuals. html. FAQ cran. r-project. orgdocFAQR-FAQ. html FAQ cran. r-project. orgsearch. html. Outros documentos cran. r-project. orgother-docs. html livros: Modelagem de séries temporárias financeiras com S-Plus par Eric Zivot, Jiahui Wang e Clarence R. Robbins 16 Estatísticas introdutórias com R, Peter Dalgaard 8 Programação com dados: um guia para A S Language, John M. Chambers 5 estatísticas modernas aplicadas com S, William N. Venables e Brian D. Ripley 14 SimpleR: usando R para estatísticas introdutórias, por John Verzani: math. csi. cuny. eduStatisticsRsimpleRindex. html Regressão prática e Anova Em R: stat. lsa. umich. edufarawaybook Este é um curso de nível superior abrangendo os seguintes tópicos: Modelos Lineares: Definição, montagem, inferência, interpretação dos resultados, significado dos coeficientes de regressão, identificação, falta de ajuste, multicolinearidade, regressão do cume, principal Regressão de componentes, mínimos quadrados parciais, splines de regressão, teorema de Gauss-Markov, seleção variável, diagnósticos, transformações, observações influentes, procedimentos robustos, ANOVA e análise de covariância aleatória Bloqueio de unidades, projetos fatoriais. Previsão e previsão da série de tempo massey. ac. nz Rmetrics: itp. phys. ethz. checonophysicsR uma Introdução à Computação Financeira com R abrangendo áreas de gerenciamento de dados, séries temporais e análise de regressão, teoria de valores extremos e avaliação de instrumentos de mercado financeiro. Faculty. washington. eduezivotsplus. htm a página inicial de E. Zivot sur SPlus e FinMetrics CRAN Task View: Empirical Finance cran. r-project. orgsrccontribViewsFinance. html Outros pacotes Software para a Teoria do Valor Extremo: urlmaths. lancs. ac. uk stephenasoftware. html RMetrics itp. phys. ethz. checonophysicsR Regressão prática e Anova em R doc: cran. r-project. orgdoccontribFaraway-PRA. pdf pacote: stat. lsa. umich. edu1 ARTZNER, P. amp DELBAEN, F. amp EBER, J. - M. Amp HEATH, D. Medidas de Risco Coerentes. 1998. 2 ALEXANDER, C. Modelos de mercado: um guia para análise de dados financeiros. Wiley, 2003. 3 ALEXANDER, C. Análise de Risco de Mercado: Economia Financeira Prática. Wiley, 2008. 4 BOUCHAUD, J. P amp POTTERS, M. Teoria dos Riscos Financeiros. Cambridge University Press, 2000. 5 CHAMBERS, J. M. Programação com dados. Springer, Nova York, 1998. ISBN 0-387-98503-4. 6 CHRISTOFFERSEN, P. Elementos de Gestão de Riscos Financeiros. Academic Press, julho de 2003. 7 CONT, R. Propriedades empíricas dos retornos de ativos - fatos estilizados e questões estatísticas. FINANCIAMENTO QUANTITATIVO, 2000. 8 DALGAARD, P. Estatísticas introdutórias com R. Springer, 2002. ISBN 0-387-95475-9. 9 GOURIEROUX, C. amp SCAILLET, O. amp SZAFARZ, A. Economtrie de la finance. Economica, 1997. 11 LO. Amp CAMPBELL. Ampère MACKINLAY. A Econometria dos Mercados Financeiros. Princeton University Press, 1997. 12 LO, A. W amp MACKINLAY, A. C. Uma caminhada não aleatória em Wall Street. Princeton University Press, Princeton, NJ, 1999. 13 LINSMEIER, T amp PEARSON, N. D. Medição de risco: uma introdução ao valor em risco. Março de 2000. 14 VENABLES, W. N amp RIPLEY, B. D. Estatísticas Modernas Aplicadas com S. Quarta Edição. Springer, 2002. ISBN 0-387-95457-0. 16 ZIVOT, E. amp WANG, J. amp ROBBINS, C. R. Modelando séries temporárias financeiras com S-Plus. Springer Verlag, 2004. A abordagem EWMA tem um recurso atraente: requer relativamente poucos dados armazenados. Para atualizar nossa estimativa em qualquer ponto, precisamos apenas de uma estimativa prévia da taxa de variância e do valor de observação mais recente. Um objetivo secundário da EWMA é rastrear mudanças na volatilidade. Para valores pequenos, as observações recentes afetam a estimativa prontamente. Para valores mais próximos de um, a estimativa muda lentamente com base em mudanças recentes nos retornos da variável subjacente. O banco de dados RiskMetrics (produzido pelo JP Morgan e disponibilizado) usa o EWMA para atualizar a volatilidade diária. IMPORTANTE: A fórmula EWMA não assume um nível de variação média longo. Assim, o conceito de volatilidade significa reversão não é capturado pelo EWMA. Os modelos ARCHGARCH são mais adequados para esse fim. Um objetivo secundário da EWMA é acompanhar as mudanças na volatilidade, portanto, para valores pequenos, a observação recente afeta a estimativa prontamente, e para os valores mais próximos de uma, a estimativa muda lentamente para as mudanças recentes nos retornos da variável subjacente. O banco de dados RiskMetrics (produzido por JP Morgan) e disponibilizado em 1994, usa o modelo EWMA para atualizar a estimativa de volatilidade diária. A empresa descobriu que, em uma variedade de variáveis ​​de mercado, esse valor fornece uma previsão da variação que se aproxima da taxa de variação realizada. As taxas de variação realizadas em um determinado dia foram calculadas como uma média igualmente ponderada nos 25 dias subseqüentes. Da mesma forma, para calcular o valor ótimo de lambda para o nosso conjunto de dados, precisamos calcular a volatilidade realizada em cada ponto. Existem vários métodos, então escolha um. Em seguida, calcule a soma de erros quadrados (SSE) entre a estimativa EWMA e a volatilidade realizada. Finalmente, minimize o SSE variando o valor lambda. Soa simples é. O maior desafio é concordar com um algoritmo para calcular a volatilidade realizada. Por exemplo, as pessoas da RiskMetrics escolheram os 25 dias subseqüentes para calcular a taxa de variação realizada. No seu caso, você pode escolher um algoritmo que utilize preços diários, HILO e OPEN-CLOSE. Q 1: Podemos usar o EWMA para estimar (ou prever) a volatilidade mais de um passo à frente A representação da volatilidade EWMA não assume uma volatilidade média de longo prazo e, portanto, para qualquer horizonte de previsão além de um passo, o EWMA retorna uma constante valor: