Модель экспоненциально взвешенного скользящего среднего (EWMA) представляет собой частный случай модели (19.4), в которой веса αi с течением времени убывают со скоростью степенной функции. Конкретнее говоря, αi+1 = λαi, где λ – константа, лежащая в диапазоне от нуля до единицы.
Оказывается, взвешенная схема позволяет упростить формулу для вычисления волатильности.
Таким образом, в этой модели оценка σn волатильности рыночного показателя в n-й день (измеренного в конце (n – 1)-го дня) вычисляется с помощью оценки σn-1 волатильности рыночного показателя в (п – 1)-й день (измеренного в конце (п – 2)-го дня) и величины un-1 (последнего относительного изменения рыночного показателя).
Для того чтобы продемонстрировать, почему формула (19.7) соответствует весам, убывающим со скоростью степенной функции с основанием А, подставим в нее величину σ2n-1. Тогда
т.е.
Аналогично, подставляя в формулу (19.7) выражение для параметра σ2n-2, получим, что
Продолжая в том же духе, в итоге придем к следующей формуле.
При больших значениях m член λmσ2n-m становится очень малым и может быть отброшен, а формула (19.7) совпадет с формулой (19.4) при αi = (1 – λ)λi-1. Таким образом, с течением времени показатель и убывает со скоростью λ, т.е. каждый последующий вес в λ раз больше предыдущего.
Пример 19.1
Предположим, что параметр λ равен 0,90, волатильность рыночного показателя в (n – 1)-й день равна 1% в день, а на протяжении (n – 1)-го дня рыночный показатель увеличился на 2%. Это значит, что σ2n-1 = 0,012 = 0,0001 и u2n-1 = 0,022 = 0,0004. Из формулы (19.7) следует, что
σ2n = 0,9 x 0,0001 + 0,1 x 0,0004 = 0,00013.
Таким образом, оценка волатильности σп в течение n-го дня равна 0,00013, т.е. 1,14% в день. Обратите внимание на то, что ожидаемое значение величины u2n-1 равно σ2n-1, т.е. 0,0001. В нашем примере реальное значение величины u2n-1 больше, чем ожидаемое, а оценка волатильности возрастает. Если бы реальное значение величины u2n-1 было бы меньше ожидаемого, оценка волатильности уменьшилась бы.
Преимущество модели EWMA заключается в том, что для ее реализации не обязательно хранить большое количество данных. В любой момент времени достаточно помнить только текущую оценку дисперсии и самое последнее измеренное значение рыночного показателя. Измерив новое значение рыночного показателя, можно вычислить новое суточное относительное изменение и получить новую оценку дисперсии, применив формулу (19.7). Старую оценку дисперсии и старое значение рыночного показателя можно забыть.
Модель EWMA позволяет отслеживать изменения волатильности. Допустим, что в (п – 1)-й день рыночный показатель испытал скачок, т.е. величина u2n-1 велика. В результате оценка текущей волатильности увеличится. Параметр λ определяет чувствительность оценки суточной волатильности к последним суточным изменениям. При малом значении λ основной вклад в оценку волатильности вносит величина u2n-1. В таком случае оценка волатильности рыночного показателя на протяжении последовательных дней сама по себе характеризуется высокой волатильностью. При большом значении λ (близком к единице) оценки суточной волатильности мало чувствительны к новым суточным относительным изменениям рыночного показателя.
База данных RiskMetrics, созданная Дж. П. Морганом (L. Р. Morgan) в 1994 году для оценки суточной волатильности, использует модель EWMA с показателем λ = 0,94. Оказалось, что при таком выборе параметра λ предсказанные значения дисперсии широкого спектра рыночных показателей очень близки к реальным. В частности, реальное значение дисперсии в конкретный день было вычислено как среднее равновзвешенное значение величин u2i, измеренных на протяжении последовательных 25 дней (см. задачу 19.17.)
|