כל מדריכי האופציות
שני מודלים סימטריים עם הסתברויות קיצון שונות מאוד15 דקות קריאה

התפלגות נורמלית לעומת התפלגות Student-t בפיננסים

השוו בין התפלגויות נורמלית ו־Student-t לפי דעיכת הזנבות, דרגות החופש, הסולם והשונות, הסבירות, התלות הרב־משתנית והמגבלות שלהן כמודלים לתשואות פיננסיות

הוכן על ידי Mark · המקורות הראשוניים למטה

תשובה ישירה

להתפלגות נורמלית יש זנבות הדועכים אקספוננציאלית ונקבעים לפי הממוצע והשונות שלה. התפלגות Student-t מוסיפה דרגות חופש ν וזנבות הדועכים פולינומית, ולכן מקצה הסתברות גבוהה יותר לתצפיות קיצוניות. היא עשויה להתאים טוב יותר לתשואות פיננסיות, אך התפלגות סטטית סימטרית אחת אינה יכולה להסביר כל משטר, הטיה או אשכול תנודתיות

שני המודלים הם משפחות סימטריות של מיקום וסולם

משתנה נורמלי ניתן לכתיבה כ־X=μ+σZ, כאשר Z נורמלי סטנדרטי ו־σ שווה לסטיית התקן שלו

משתנה Student-t של מיקום וסולם ניתן לכתיבה כ־X=μ+sT_ν, כאשר s הוא פרמטר סולם ו־ν קובע את עובי הזנב

שניהם סימטריים סביב μ, ולכן אף אחד מהם אינו מייצר הטיית תשואה בלי להרחיב או לשנות את המודל

Student-t נובעת מאי־ודאות בשונות

הסטטיסטי הקלאסי T=Z/√(V/ν), כאשר Z∼N(0,1) ו־V∼χ²_ν בלתי־תלויים, מתפלג לפי Student-t סטנדרטי

המכנה האקראי הופך ערכים מתוקננים גדולים לסבירים יותר מאשר בחוק נורמלי עם שונות קבועה

כאשר ν שואף לאינסוף, אי־הוודאות במכנה נעלמת והתפלגות Student-t מתקרבת להתפלגות הנורמלית

דרגות החופש קובעות מומנטים

הזנבות של Student-t דועכים כחוק חזקה הנשלט על ידי ν, ואילו זנבות נורמליים דועכים אקספוננציאלית בריבוע המרחק

הממוצע קיים עבור ν>1, השונות עבור ν>2 והמומנט הרביעי עבור ν>4; ν נמוך יותר מבטל את מומנט האוכלוסייה המתאים

עבור ν>4, עודפות קורטוזיס היא 6/(ν−4), ולכן המעבר לזנבות נורמליים נעשה מפורש

סולם אינו תמיד סטיית תקן

בהתפלגות t של מיקום וסולם עם ν>2, מתקיים Var(X)=s²ν/(ν−2), ולכן s קטן מסטיית התקן

השוואת σ נורמלי לסולם t מסוג s כאילו שניהם תנודתיות יכולה ליצור השוואת זנב או הסתברות שגויה

חבילות תוכנה משתמשות בשמות פרמטרים שונים ולעיתים בגרסאות מתוקננות לשונות אחת, לכן יש לתעד את מוסכמת הצפיפות המדויקת

ההסתברות מאזנת בין המרכז לזנבות

נראות מרבית נורמלית גורמת לשאריות בריבוע לשלוט ויכולה לאפשר לכמה תצפיות קיצוניות לנפח את אומדן השונות

נראות Student-t מפחיתה את משקלן של שאריות מתוקננות גדולות באמצעות ν, ומספקת התאמה שנראית חסינה בלי להכריז עליהן כבלתי אפשריות

אמידת ν בקרבת גבול של מומנט יכולה להפוך שונות, קורטוזיס ומדדי סיכון לבלתי יציבים גם כשהאופטימייזר מתכנס

מודלים רב־משתניים משנים קיצוניות משותפת

חוק נורמלי רב־משתני גורר קופולה גאוסיאנית, שלה תלות זנב אסימפטוטית אפסית מתחת למתאם מושלם

חוק t רב־משתני חולק סולם אקראי ויוצר תלות זנב חיובית וסימטרית עבור ν סופי

הסימטריה הזו עדיין עלולה להיות שגויה למניות אם קריסות משותפות שונות מעליות משותפות או אם התלות משתנה בין משטרים

בחירת מודל דורשת בדיקות זנב מחוץ למדגם

השוו גרפי הסתברות וקוונטילים, חריגות מסף, נראות חיזוי, כיסוי מרווחים ובדיקות VaR או ES

בצעו התאמה מחדש בחלונות מתגלגלים ובדקו חלופות t מוטה, תערובות, תנודתיות סטוכסטית ושאריות מסוננות כאשר המבנה נותר

התאמת t טובה יותר פירושה שהיא קירוב שימושי יותר למשימה שנבחרה, לא שהתשואות באמת מצייתות לחוק t בלתי משתנה אחד

שאלות נפוצות

מדוע ל־Student-t יש זנבות עבים יותר מהנורמלית?

תערובת הסולמות האקראית שלה מייצרת דעיכת זנב פולינומית, בעוד שהסתברויות נורמליות דועכות אקספוננציאלית בריבוע המרחק

מה משמעות דרגות החופש?

הפרמטר ν שולט בעובי הזנב ובקיומם של מומנטים; ערכים חיוביים קטנים יותר יוצרים זנבות כבדים יותר

האם הסולם של Student-t שווה לתנודתיות?

בדרך כלל לא. עבור ν>2, סטיית התקן היא s√[ν/(ν−2)] תחת מוסכמת המיקום־סולם המקובלת

האם Student-t תמיד טובה יותר לתשואות פיננסיות?

לא. היא לוכדת זנבות כבדים סימטריים, אך עלולה לפספס הטיה, דינמיקת תנודתיות, קפיצות ותלות המשתנה לפי משטר

מקורות וקריאה נוספת

בדיקה מהירה

סיימת לקרוא? בדוק את עצמך ב־3 שאלות

1 / 3

שאלה 01

איזו אמירה מתאימה ביותר למדריך הזה — שני המודלים הם משפחות סימטריות של מיקום וסולם?

בחר תשובה כדי לראות את ההסבר

מילון מונחי אופציות