این شروع یک سری در نمونه کارها نوسانات واریانس و انحراف استاندارد است. من می دانم که خیال پردازی در مورد تجزیه و تحلیل بازده سهام بسیار سرگرم کننده تر است و به همین دلیل برنامه های تلویزیونی و وب سایت ها به طور مداوم بازده روزانه بازار را به روز می کنند و به رنگ های سبز و قرمز بسیار جالب می دهند. اما خوب نوسانات کمالالملک در حق خود بسیار مهم است, به خصوص برای تامین مالی حرفهایها, مشتاق حرفهایها امور مالی, و سرمایه گذاران نهادی. اگر شما, ممکن است تبدیل, و یا ممکن است تا به حال با/برای هر یک از کسانی که کار, این سری باید حداقل به عنوان یک نقطه پریدن کردن خدمت.
به طور خلاصه پروژه نوسانات ما به شرح زیر ادامه خواهد یافت:
بخش 1
نمونه کارها نوسانات مقدمه: با دست, جبر ماتریس, ساخته شده در و مقایسه با جاسوسی
تجسم نوسانات مقدمه: نمونه کارها نمودار انحراف معیار در طول زمان - باید به رول درخواست
برنامه براق برای تست اوراق بهادار مختلف
بخش 2
سهم دارایی به نوسانات: با دست, جبر ماتریس, ساخته شده در و تجسم عکس فوری با نمودار میله ای
مشارکت های نمودار در طول زمان: هر دارایی را که از حد مجاز فراتر می رود پرچم گذاری کنید
برنامه براق برای تست اوراق بهادار مختلف
بخش 3
حداقل نمونه کارها واریانس: حداقل وزن نمونه کارها واریانس را پیدا کنید
برنامه براق برای تست اوراق بهادار مختلف
کلمه سریع هشدار: این سری در ابتدا با انحراف استاندارد نمونه کارها شروع می شود, می سازد تا تجسم داده قانع کننده تر در پست بعدی, و در نهایت یک برنامه براق خوب که. کاربران با تجربه در جهان از نوسانات ممکن است مایل به جست و خیز این پست و منتظر تصویری در یک بعدی. که گفت, من با فروتنی یک زن و شوهر از مزایای به کد تحقیق که در انتظار ما.
اولین, نوسانات مهم است, احتمالا مهم تر از بازده. من فکر نمی کنم هر سرمایه گذاری حرفه ای به نظر می رسد در ساعت صرف تعمق نوسانات به عنوان اتلاف وقت. به علاوه امروز ما به یک روش جدید برای تبدیل قیمت های روزانه به ماهانه با استفاده از بسته بندی مرتب نگاه خواهیم کرد و ممکن است به اندازه کافی ماده جدید عرضه کنیم.
دوم, مثل همیشه, ما باید چشم در ساخت کار ما تجدید پذیر و قابل استفاده مجدد. این نوت بوک بسیار روشن می کند که چگونه ما تجسم داده های نهایی خود را در مورد نوسانات نمونه کارها استخراج می کنیم. این یک قالب خوب برای دیگر مشتقات تجسم است, حتی اگر انحراف استاندارد کلاه قدیمی برای شما است.
باشه, بدون گرفتاری بیشتر, اینجا جایی است که ما امروز به رهبری:
قیمت واردات و محاسبه بازده برای 5 دارایی و ساخت یک نمونه کارها.
- معادله قدیمی
- جبر ماتریس
- یک عملکرد داخلی از عملکرد تحلیلی
- مقایسه کسانی که به انحراف استاندارد بازده جاسوسی ماهانه.
به مرحله 1, در جایی که ما قیمت واردات و محاسبه بازده برای 5 صندوقها به در نمونه کارها ما استفاده می شود. این یک صندوق اوراق قرضه ایالات متحده است.
بیایید قیمت ها را وارد کنیم و در یک شی اکسترس ذخیره کنیم.
در ادامه می خواهیم این قیمت های روزانه را به بازده ماهانه تبدیل کنیم. ما قیمت ها را از طریق بسته بندی مرتب و مرتب به تابع() انتقال می دهیم اما نمی توانیم این کار را مستقیما انجام دهیم. در ابتدا ما نیاز به تبدیل شی ایکس تی ما به یک تی تی با استفاده از یک تماس به عنوان _تیبل(حفظ _رو_نام = درست) از مرتب . احتمالا یک راه موثرتر برای تنظیم این موضوع وجود دارد (مقالات مرتب و مرتب را برای یادگیری بیشتر بررسی کنید) از کل این سازه لوله کشی شده, اما من لذت خاصی را از جابجایی بین اشیا تیبل و ایکس اس می گیرم.
نگاهی سریع به بازده ماهانه بالا برای اطمینان از همه چیز به نظم به نظر می رسد.
اکنون, به ساخت یک نمونه کارها و محاسبه نوسانات. برای تبدیل این پنج صندوقها به یک نمونه کارها, ما نیاز به اختصاص وزن. بیایید ابتدا یک بردار وزنه ایجاد کنیم.
قبل از اینکه ما با استفاده از وزن در محاسبات ما, ما انجام یک بررسی سلامت عقل سریع در تکه کد بعدی. این ممکن است با پنج دارایی که امروز داریم لازم نباشد اما تمرین خوبی است زیرا اگر 50 دارایی داشتیم می تواند ما را از غم و اندوه زیادی نجات دهد تا زود به اشتباه برسیم.
بسیار خوب, در حال حاضر به بخش سرگرم کننده, در جایی که ما با استفاده از معادله کتاب درسی برای انحراف معیار نمونه کارها چند دارایی.
- ابتدا وزن هر دارایی را تعیین می کنیم.
- سپس بازده هر دارایی را جدا و اختصاص می دهیم.
- سپس این وزنه ها را وصل می کنیم و به معادله انحراف استاندارد نمونه کارها باز می گردیم که شامل موارد زیر است:
- وزن مجذور هر دارایی را برابر واریانس خود بگیرید و این اصطلاحات واریانس وزنی را جمع کنید.
- سپس کوواریانس هر جفت دارایی را در دو برابر وزن دارایی اول برابر وزن دارایی دوم ضرب می کنیم.
- اصطلاحات کوواریانس و اصطلاحات واریانس وزنی را با هم جمع کنید. این به ما می دهد واریانس نمونه کارها.
- سپس ریشه مربع را بگیرید تا انحراف استاندارد حاصل شود.
خوب, نوشتن که معادله خارج دردناک و بسیار کپی / خمیری بود,اما حداقل ما را فراموش نمی شود هر زمان به زودی. نتیجه ما این است که نمونه کارها ماهانه می گرداند انحراف استاندارد 2.54%.
حال بیایید به مسیر جبر ماتریس کم حرف بپردازیم و تایید کنیم که همان نتیجه را می گیریم.
ابتدا یک ماتریس کوواریانس بازده با استفاده از تابع کاو() ایجاد خواهیم کرد.
به ماتریس کوواریانس نگاهی بیندازید.
اگگ, صندوق عقب اوراق قرضه ایالات متحده, دارای یک کوواریانس منفی با صندوقها دیگر (علاوه بر افا - چیزی به یاد داشته باشید), و باید یک میراگر نوسانات خوب را. جالب توجه است, کوواریانس بین دی بی سی, یک صندوق عقب کالا, و وی جی تی بسیار کم است, همچنین. معادله دقیق نوشته شده ما در بالا به خوبی نشان می دهد که چگونه کوواریانس های پایین بر انحراف استاندارد کل نمونه کارها تاثیر می گذارد.
بازگشت به محاسبه ما: بیایید ریشه مربع جابجایی بردار وزن را برابر ماتریس کوواریانس برابر بردار وزن بگیریم. برای انجام ضرب ماتریس از % * % استفاده می کنیم .
محاسبه دستی 2.54 درصد و محاسبه جبر ماتریس 2.54 درصد است. خوشبختانه اینها همان نتیجه را برمی گردانند بنابراین مجبور نیستیم دوباره معادله با دست را مرتب کنیم.
سرانجام, ما می توانیم ساخته شده است در استدف() تابع از عملکرد استفاده کنیمبسته تحلیلی. دو استدلال طول می کشد: بازده و وزن.
- محاسبه با دست = 2.54%
- محاسبه جبر ماتریس = 2.54%
- ساخته شده در محاسبه تابع = 2.54%
هوزا! که بسیار زیادی از کار برای تایید است که نتایج حاصل از سه محاسبات به یکدیگر برابر هستند, اما چند مزایای وجود دارد.
اولین, در حالی که خسته کننده بود, همه ما باید با محاسبه انحراف استاندارد نمونه کارها به روش های مختلف بسیار راحت باشیم. این ممکن است هرگز برای ما مفید نباشد تا روزی که به دلایلی اینطور باشد (مثلا اگر در طول مصاحبه کسی از شما بخواهد به یک تخته سفید بروید و کد انحراف معیار یا هر معادله/مدل دیگری را بنویسید - من فکر می کنم این هنوز در مصاحبه ها چیزی است).
از همه مهمتر, به عنوان کار ما پیچیده تر می شود و ما ساخت توابع سفارشی, ما می خواهیم به تکیه بر ساخته شده است در تابع انحراف, و ما در حال حاضر اعتماد به نفس در دقت و صحت خود را دارند. خیلی خوبه اما مهمتر از همه اینه که الگو بالا رو داریم و میتونیم ازشون برای سایر اوراق بهادار استفاده کنیم.
همچنین, به طور معمول, این بیشتر از یک مثال اسباب بازی از یک قالب واقعی برای استفاده در صنعت است. اگر تیمی به شدت به عملکردهای از پیش ساخته شده متکی باشد, حتی کارهایی که توسط خود تیم ساخته شده است, داشتن یک دفترچه یادداشت عقل مانند این ایده بدی نیست. این به یاد اعضای تیم چه یک تابع از پیش ساخته شده ممکن است انجام زیر هود.
حالا بیایید به یک کمی از نظریه نمونه کارها (یا چرا ما می خواهیم برای ساخت یک نمونه کارها به جای قرار دادن تمام پول ما را به جاسوسی). ما بر این باوریم که با ساختن سبدی از داراییهایی که کوواریانس بازدهشان از واریانس بازده جاسوسی پایینتر است (یا معادل پایینتر از کوواریانس بازده جاسوسی با خودشان است) میتوانیم سبدی بسازیم که انحراف معیارشان پایینتر از انحراف معیار جاسوسی باشد. اگر ما بر این باوریم که انحراف استاندارد و نوسانات یک پروکسی خوب برای خطر, سپس نمونه کارها را در معرض خطر پایین تر.
برای دیدن اگر ما موفق, اولین, منزوی بازده جاسوسی, سپس پیدا کردن انحراف استاندارد از کسانی که بازده.
انحراف استاندارد بازده ماهانه جاسوسی 2.85 درصد و نمونه کارها 2.54 درصد است.
خارق العاده, نمونه کارها ما نوسانات ماهانه کمتری دارد!
خوب, با وجود این واقعیت است که ما به طور کامل بازده نادیده گرفته, ما می توانیم مزایای نوسانات دارایی با کوواریانس کم و یا حتی منفی را ببینید. این همه برای معرفی امروز به نوسانات است. دفعه بعد, ما به تجسم این تفاوت ها در یک نوت بوک حرکت, قبل از رفتن به جهان براق.
شما ممکن است یک نظر زیر ترک و یا بحث در مورد پست در انجمن community. rstudio. com.