第12节 EWMA估计日波动率
12.1 简介
EWMA模型
考虑一市场变量,如股票,我们有其从第0天至第 N N N天每天末的数据 S 0 , S 1 , . . . , S N S_0, S_1, ..., S_N S0,S1,...,SN。定义 σ n \sigma_n σn 为于第 n − 1 n-1 n−1天末所估计的市场变量在第 n n n天的波动率, σ n 2 \sigma_n^2 σn2为方差率。定义连续复利收益率 u n = ln S n S n − 1 ≈ S n − S n − 1 S n u_n =\ln{\frac{S_n}{S_{n-1}}}\approx \frac{S_n-S_{n-1}}{S_n} un=lnSn−1Sn≈SnSn−Sn−1。
则在指数加权移动平均模型 Exponentially Weighted Moving Average (EWMA) 模型下, σ n 2 \sigma_n^2 σn2的变化过程为:
σ n 2 = λ σ n − 1 2 + ( 1 − λ ) u n − 1 2 , 0 < λ < 1 . \sigma_n^2 = \lambda \sigma_{n-1}^2+(1-\lambda)u_{n-1}^2, \;\; \; 0 < \lambda < 1\;. σn2=λσn−12+(1−λ)un−12,0<λ<1.
σ n 2 \sigma_n^2 σn2也可以直接由 u i 2 u_i^2 ui2表示为:
σ n 2 = ( 1 − λ ) ∑ i = 1 m λ i − 1 u n − i 2 + λ m σ n − m 2 , 1 < m < n . \sigma_n^2 = (1-\lambda)\sum_{i=1}^m\lambda^{i-1}u_{n-i}^2+\lambda^m\sigma_{n-m}^2, \;\;\;1<m<n\; . σn2=(1−λ)i=1∑mλi−1un−i2+λmσn−m2,1<m<n.
相对于 σ n 2 \sigma_n^2 σn2的简单估计 σ n 2 = 1 m ∑ i = 1 m u n − i 2 \sigma_n^2 = \frac{1}{m}\sum_{i=1}^mu_{n-i}^2 σn2=m1