Market Models A Guide to Financial Data Analysis - Carol Alexander

 

Эта книга о финансовом рынке моделей, которые используются риск-менеджеров и инвестиционных аналитиков. Ее цель-обеспечить строгое объяснение теоретических идей, но в практическом и понятным языком. Как концепции дуги представил реальные примеры, приводятся в тексте, и, интерактивно, на прилагаемом компакт-диске.

Я слышал, как он сказал, что слишком много научных исследований сосредоточена на поиске и очень точные ответы на глупые вопросы. Эта книга призвана обеспечить академически приемлемые ответы на вопросы, которые действительно важны для практиков. Она написана для широкого круга специалистов-практиков, преподавателей и студентов, заинтересованных в данных, анализ цен на финансовые активы.

Его цель-помочь практикующему, прорезанную в обширной литературе по финансовому рынку модели, чтобы сосредоточиться на наиболее важных и полезных теоретических концепций. Для ученых в книге освещаются интересные исследования проблем, дуги, касающихся день-в-день работы риск-менеджеров и инвестиционных аналитиков. Для студентов, всестороннее и автономный характер текста следует обратиться.

Книга разделена на три части:

Часть I: Волатильность и Корреляция Анализ охватывает оценка и прогнозирование волатильности и корреляции для ценообразования и хеджирования опционов портфелей.

Часть II: Моделирование Рыночного Риска Портфелей касается фактор моделирование и измерение риска портфеля: основное внимание уделяется моделированию отношений между активами и/или факторов риска с помощью линейной модели.

Часть 111: Статистические Модели для Финансовых Рынков сосредоточено на анализе временных рядов финансовых рынков.

Подробное резюме контент предоставляется во введении к каждой детали. В конце книги низким уровнем технического приложение включено; это охватывает основные статистические теории, что нужно для книги, чтобы быть самодостаточной.

- Практиков и ученых разделяют многие важные проблемы, и связь между теорией и практикой является неотъемлемой частью модели развития. Однако, это не всегда легко, как по суше разрыв между академической наукой и практикой управления рисками и анализ инвестиций. Общий язык, общую терминологию и, прежде всего, общего подхода необходимы. Можно надеяться, что эта книга будет способствовать активизации связей между этими двумя школами.

Часть I содержит понимание, оценка и хеджирование опционов через понимание корреляции и неустойчивость и неопределенность, которая окружает эти ключевые детерминанты риска портфеля. Первая глава знакомит волатильности и корреляции в качестве параметров стохастических процессов, которые используются для модели изменения в цены на финансовые активы. Они таковыми не наблюдаемые на рынке, и может быть измерена только в контексте модели.

Цены опциона, который моделей, цены на активы в непрерывном времени, рассматриваются в главе 2. Эта глава фокусируется на последствия использования BlackScholes модель по цене варианты. Хотя здесь может быть только один истинный волатильность базовых цен процесса, различных волатильности заложены в цены на рынке опционов на тот же базовый актив. Если один готов принять эти волатильности, а не придумать лучший вариант модели ценообразования, то их поведение может быть описано с помощью моделирования " улыбку " или " перекоса " моделей, которые возникают. Отношения между базовыми изменения цен и изменения в подразумеваемой волатильности опциона анализируется для поддержки использования различных волатильность допущения для ценообразования и хеджирования.

Статистические прогнозы волатильности и корреляции использовать дискретных моделей временных рядов на историческая доходность данных. Глава 3 объясняет, как получить скользящей средней оценки волатильности и корреляции и контуры их преимущества и ограничения. Средневзвешенный метод для оценки. Текущая оценка волатильности и корреляции иногда используется в качестве прогноза, но это требует отдачи, чтобы быть независимыми и одинаково распределенными, предположение, которое не всегда поддерживают эмпирических доказательств. Глава 4 знакомит обобщенных авторегрессии условного heterosccdasticity (GARCH) моделей, которые основаны на более реалистичных предположений касательно активов динамика цен. Цель этой главы, вырезанный в обширной учебной литературы по данной теме для презентации концепций и моделей, которые наиболее актуальны для практикующих врачей. - Stcp-у-шаг проводник к реализации GARCH моделей, дуги, обычно используемые в риск-менеджеров и инвестиционных аналитиков, за которым следует описание применения GARCH модели для вариантов ценообразования и хеджирования.

Большинство статистических моделей для прогнозирования волатильности, являются на самом деле моделей для прогнозирования дисперсия: волатильность прогноз принимается как квадратный корень из дисперсии прогнозов. Тем не менее, прогноз-ожидание, принимаемых в соответствии с некоторой вероятностной мерой, и ожидание, то есть квадратный корень не равен квадратный корень ожидание. В последней главе этой части книги рассматривается этот и другие ключевые вопросы, связанные с использованием волатильности и корреляции прогнозы. Совершенно разные результаты могут быть получены, в зависимости от модели, используемой и на рыночных условиях, так, поскольку волатильность может быть измерена только в контексте модели, как можно оценить точность волатильности прогноз? А не использовать точки прогноз волатильности, эта часть книги заканчивается, поощряя использование стандартных ошибок, или другие меры неопределенности в волатильности прогнозы, для улучшения оценки вариантов.

Часть I знакомит некоторых сложных концепций, которые будут возвращены, как позже в последующие модели дуги представил. Например, основной компонент модели подразумеваемой волатильности в п. 6.3, ортогональных метод для генерации ковариационной матрицы в п. 7.4 и смеси нормальных плотность модели п. 10.3 будет все дальнейшее изложение идей, которые вносятся в Часть I.

Первые две главы в этой части книги представить анализ главных компонент (PCA) и ковариационной матрицы в качестве ключевых инструментов для статистического анализа рыночных рисков. Оценка инвестиций и управления рисками финансовых активов будет, как правило, моделируются системами, что есть сотни различных факторов риска. Цель СПС-уменьшить размеры, так что только наиболее важные источники информации используются, и в orthogonalize переменных, так что ковариационной матрицы по диагонали. Глава 6 начинается с традиционным применением СПС для моделирования срок структуры процентных ставок и фьючерсы. Затем некоторые из последних СПС приложений, к моделям для подразумеваемые волатильности и для преодоления данных проблем, описаны.

Глава 7 описывает использование ковариационной матрицы риска и инвестиционного анализа. Алгебраический подход к внедрению дисперсии, линейного портфеля как квадратичная форма положительно полуопределенной ковариационной матрицы. Раздел 7.2 показывает, как ковариационной матрицы используются для диверсификации инвестиций и обеспечения минимального риска портфелей, а также для создания эффективной границы для оптимального распределения активов. Оптимальные портфели, определяются отношения к риску инвесторов, и поэтому в этом разделе также содержится краткое введение в теории полезности. Глава завершается описанием методов для получения больших ковариационной матрицы, в том числе новой ортогональной метод, который использует СПС. Линейная тема продолжается в главе 8, который изучает фундаментальный фактор, модели и их последствия для diversifiable и не diversifiable риска.

В первых трех главах этой части обеспечивают основу для всестороннего и подробное описание valuc-at-risk (VaR) модели в главе 9. Ниже краткий обзор Базельской положения на рынке рискового капитала, в этой главе дается обзор различных альтернативных мер риска. Ядро этой главы состоит в описание различных моделей VaR и в поддержку примеры из текста и на CD. Глава завершается кратким отчетом о модели VaR, проверки и применения стресс-тестирования и сценарного анализа для ежедневная работа по управлению рисками.

Последняя глава в этой части касается тестирования, моделирования и применения не-нормальных распределений на финансовых рынках. Она начинается с описания стандартных статистических испытаний для асимметрия и эксцесс и краткое описание экстремальное значение и гиперболических распределений. Основное внимание в настоящей главе уделяется смеси нормальных плотностей, их оценки и их применения для измерения риска, вариант ценообразования и хеджирования. Это делает конкретные идеи по моделированию неопределенности в нестабильности, которые были введены в конце Часть I.

Часть III принимает эконометрического подхода к моделированию отношений между ценами на финансовые активы. Глава 11 вводит моделей временных рядов, где отношения строятся без границ экономических и финансовых теорий. Эти модели стремимся найти наиболее подходящие статистические модели для данных и использовать эту модель для прогнозирования. В этой главе авторегрессии и скользящего среднего (ARMA) моделей, тесты на единичный корень и грейнджер причинности вводятся в качестве основных для следующей главе, на коинтеграции.

Коинтеграции относится не к co-движения в вернется, но для совместного движения цен на активы: если спрэды значит-вернуть, цены на активы связаны вместе в долгосрочной перспективе общей стохастический тренд, и мы говорим, что цены 'cointegrated'. С конструктивной работы Энгл и грейнджер (1987), коинтеграции стало распространенным инструментом для прикладного экономического анализа. Коинтеграции также, естественно, возникает во многих финансовых систем: в течение срока структур, между наличными и фьючерсными ценами, и между международной справедливости и индексы рынка облигаций. Применение коинтеграции для моделирования этих отношений рассматривается в главе 12, и после этого новый длинный-короткий капитал хедж-фонд модель на основе коинтеграционного описан довольно подробно.

В последней главе-о высокой частоты данных: временные ряды свойства и нелинейных моделей прогнозирования на основе нейронных сетей и ближайшего соседа алгоритмов. Эта глава была довольно разборчив в его покрытия, в настоящее время понятия с развитой научной литературе, которые наиболее актуальны для практикующих врачей.

Некоторые финансовых моделей, таких как модель оценки капитальных активов и арбитражного ценообразования модели, описанной в главе 8 хорошо разработаны для использования с данными временных рядов. Однако, есть многое, что можно сказать для анализа данных, без применения ограничений, которые вытекают из теории. Цель анализа временных рядов, чтобы найти наиболее подходящие статистические модели для данных и для использования этой модели для прогнозирования. Таким образом, переменные разрешено говорят сами за себя, без тесных экономических или финансовых теорий.

Эта глава-о статистической модели, используемые для анализа финансовых временных рядов. В любой тип данных, анализа необходимо взять на себя какой-то модели. Мы уже столкнулись с несколько моделей временных рядов в Главах 3 и 4. Статистические волатильности и корреляции модели только предположить, что данные были получены путем процесса с заданными статистическими свойствами; они ничего не предполагаем о поведении финансовых рынков.

Эта глава начинается с описания статистические свойства одномерных временных рядов, и особое внимание обращается на принципиально различные модели, которые применяются в стационарных и нестационарных процессов. В большинстве финансовых рынков возвращает являются стационарными, а цены являются нестационарными. Тесты на единичный корень, что различие между стационарных и нестационарных данных описаны в п. 11.1.4, и п. 11.1 заключает с объяснения, почему она не является, как правило, целесообразно трансформировать цены, принимая отклонения от линии тренда.

Раздел 11.2 описывает авторегрессии и скользящего среднего (ARMA) моделей для одномерных стационарных временных рядов и получает их автокорреляции свойства. Если это возвращает autocorrelated тогда можно будет прогнозировать рыночные цены, по крайней мере, до некоторой степени, хотя степень forecastability не может быть достаточно, чтобы торговой прибыли. Раздел 11.3 показывает, как правильно ARMA-модели для данных, оценить его, а затем использовать его для прогнозирования. Box-Пирс тест для автокорреляции описано в п. 11.3.2, и в з 11.3.3 " тестирование вниз " методология, которая обычно используется, чтобы указать, окончательная форма ARMA модели описывается.

Раздел 11.4 расширяет анализа многомерных систем по временным рядам и вводится понятие " совместное стационарности, что является необходимым имуществом для статистических моделей корреляции.

 

Краткое содержание

Вход для слушателей