Matriz De Covariância Média Móvel Ponderada Exponencialmente

Matriz de Covariância em Movimento Ponderada Exponencialmente Multivariada Hawkins, Douglas M. Maboudou-Tchao, Edgard M. (ASQ American Statistical Association) Universidade de Minnesota University of Central Florida Technometrics Vol. 50 No. 2 QICID: 24353 maio de 2008 pp. 155-166 Lista 10.00 Membro 5.00 POR UM TEMPO LIMITADO, O ACESSO A ESTE CONTEÚDO É GRATUITO Você precisará fazer login. Novo no ASQ Registe-se aqui. Artigo Resumo Este resumo é baseado no resumo dos autores. O popular gráfico de média móvel ponderada exponencialmente múltiplas (MEWMA) concentra-se em mudanças no vetor médio, mas podem ocorrer alterações na localização ou na variabilidade da característica de qualidade multivariada correlacionada que requer metodologias paralelas para detectar mudanças na matriz de covariância. Uma matriz de covariância em movimento ponderada exponencialmente é considerada para monitorar a estabilidade da matriz de covariância de um processo. Quando usado em conjunto com a localização MEWMA, este gráfico monitora tanto a média como a variabilidade conforme exigido pelo controle de processo apropriado. O gráfico geralmente supera os gráficos competitivos para a matriz de covariância. Comprimento médio de corrida (ARL), Bias, Análise de regressão, Covariância, Gráficos de controle de média móvel ponderada exponencialmente (EWMA) é a correlação da amostra entre X e Y no tempo t. É a covariância ponderada exponencial de amostra entre X e Y no instante t. É a amostra de volatilidade ponderada exponencial para a série temporal X no tempo t. É a volatilidade ponderada exponencial da amostra para a série temporal Y no tempo t. É o fator de suavização usado nos cálculos de volatilidade ponderada exponencial e covariância. Se os conjuntos de dados de entrada não tiverem um significado zero, a função EWXCF Excel remove a média de cada amostra de dados em seu nome. O EWXCF usa a volatilidade do EWMA e as representações EWCOV que não assumem uma volatilidade média (ou covariância) de longo prazo e, portanto, para qualquer horizonte de previsão além de um passo, o EWXCF retorna um valor constante. Referências Hull, John C. Opções, Futuros e Outros Derivados Financial Times Prentice Hall (2003), pp 385-387, ISBN 1-405-886145 Hamilton, J. D. Análise de séries temporais. Princeton University Press (1994), ISBN 0-691-04289-6 Tsay, Ruey S. Análise da série temporária financeira John Wiley amp SONS. (2005), ISBN 0-471-690740 Links relacionados Correlação EWMA de cálculo usando Excel Recentemente, aprendemos sobre como estimar a volatilidade usando a média móvel ponderada exponencial EWMA. Como sabemos, a EWMA evita as armadilhas de médias igualmente ponderadas, pois dá mais peso às observações mais recentes em comparação com as observações mais antigas. Então, se tivermos retornos extremos em nossos dados, com o passar do tempo, esses dados tornam-se mais velhos e têm menor peso em nosso cálculo. Neste artigo, veremos como podemos calcular a correlação usando o EWMA no Excel. Sabemos que a correlação é calculada usando a seguinte fórmula: O primeiro passo é calcular a covariância entre as duas séries de retorno. Usamos o fator de alisamento Lambda 0.94, como usado em RiskMetrics. Considere a seguinte equação: Utilizamos os retornos quadrados r 2 como a série x nesta equação para previsões de variância e produtos cruzados de dois retornos como a série x na equação para previsões de covariância. Observe que o mesmo lambda é usado para todas as variações e covariância. O segundo passo é calcular as variações e o desvio padrão de cada série de retorno, conforme descrito neste artigo Calcular a volatilidade histórica usando o EWMA. O terceiro passo é calcular a correlação conectando os valores de Covariância e Desvios Padrão na fórmula dada acima para Correlação. A seguinte folha de Excel fornece um exemplo do cálculo de correlação e volatilidade no Excel. Demora os retornos de registro de dois estoques e calcula a correlação entre eles.