Teorema Limit Pusat dalam Keuangan
Pahami apa yang dikatakan Teorema Limit Pusat tentang jumlah terstandar, asumsi mana yang dapat dilanggar return keuangan, alasan konvergensi tidak eksak, dan kapan penskalaan akar-waktu gagal
Jawaban langsung
Teorema Limit Pusat menyatakan bahwa jumlah kontribusi acak yang telah dipusatkan dan diskalakan dengan tepat akan mendekati distribusi normal jika kontribusinya cukup teratur dan berjumlah banyak. Ini adalah pernyataan asimtotik dengan syarat, bukan bukti bahwa return harian normal atau kerugian pada horizon berhingga mengikuti kurva lonceng
Teorema membahas jumlah, bukan observasi mentah
Misalkan X_1,…,X_n iid dengan mean berhingga μ dan varians positif berhingga σ²
Pernyataan klasiknya adalah (Σ_iX_i−nμ)/(σ√n) konvergen dalam distribusi ke N(0,1) ketika n menuju tak hingga
Setiap X_i dapat menceng atau diskret; kesimpulannya menyangkut agregat terstandar, bukan bentuk setiap input
Pemusatan dan penskalaan sangat penting
Jumlah tumbuh di sekitar nμ, sedangkan simpangan bakunya tumbuh seperti σ√n di bawah independensi
Untuk mean sampel, √n(Ȳ_n−μ)/σ memiliki limit terstandar yang sama dan standard error menyusut pada laju 1/√n
Menghapus pemusatan, menggunakan varians yang keliru, atau mengabaikan kovarians mengubah objeknya dan dapat membatalkan perbandingan dengan normal
Konvergensi tidak berarti normalitas eksak
Konvergensi dalam distribusi menggambarkan ambang terstandar tetap pada limit; konvergensi tidak memberi kesamaan untuk n tertentu
Lajunya bergantung pada kemencengan, ketebalan ekor, efek kisi, dan kondisi momen yang lebih kuat, serta dapat lambat di ekor jauh
Aproksimasi normal dapat terlihat memadai di dekat pusat sambil secara material meremehkan probabilitas kerugian sampel berhingga yang besar
Return keuangan menantang asumsi
Return menunjukkan pengelompokan volatilitas, dependensi serial, lompatan, perubahan struktural, eksposur yang berubah, dan distribusi yang berubah terhadap waktu
Versi CLT untuk dependensi lemah dan martingale ada, tetapi masing-masing mengganti independensi dengan kondisi keteraturan yang tepat
Jika varians tak hingga, limit normal klasik √n dapat gagal sepenuhnya dan limit stabil non-Gaussian dapat muncul dengan penskalaan berbeda
Akar-waktu adalah konsekuensi model
Untuk increment stasioner yang tidak berkorelasi dengan varians konstan, Var(Σ_iX_i)=nσ², sehingga volatilitas sebanding dengan √n
Autokovarians menambahkan 2Σ_{h=1}^{n−1}(n−h)γ_h, sehingga persistensi atau pembalikan mengubah varians horizon
Penggabungan, volatilitas stokastik, lompatan, data tumpang tindih, dan efek kalender juga mencegah konversi harian-ke-tahunan secara mekanis
Inferensi memerlukan varians jangka panjang yang dapat diestimasi
Mengganti σ dengan estimasi sampel menghasilkan standard error asimtotik hanya ketika estimator dan asumsi dependensinya valid
Metode yang konsisten terhadap heteroskedastisitas dan autokorelasi mengestimasi varians jangka panjang alih-alih berpura-pura observasi independen
Sampel kecil, ekor berat, data snooping, dan mean yang tidak stabil dapat membuat interval kepercayaan yang tampak presisi menjadi tidak terkalibrasi
Validasi harus menguji tujuan aproksimasi
Periksa dependensi, rezim volatilitas, plot ekor, stabilitas subsampel, dan perubahan return terstandar yang diagregasi menurut horizon
Bandingkan cakupan empiris untuk interval pusat dan ambang ekor secara terpisah karena keberhasilan di dekat median tidak memvalidasi modal risiko
Gunakan bootstrap, metode robust, hukum stabil, atau alternatif deret waktu eksplisit ketika asumsi mereka lebih sesuai dengan keputusan dan diagnostik yang diamati
Pertanyaan umum
Apa yang dikatakan Teorema Limit Pusat?
Di bawah kondisi yang sesuai, jumlah yang dipusatkan dan dibagi simpangan bakunya mendekati distribusi normal standar
Apakah CLT membuktikan return saham normal?
Tidak. CLT menggambarkan agregat asimtotik di bawah kondisi tertentu dan tidak menyatakan bahwa return satu periode atau ekor horizon berhingga normal
Mengapa volatilitas berskala akar waktu?
Hal itu berlaku ketika increment stasioner yang tidak berkorelasi memiliki varians berhingga konstan, bukan hanya karena CLT
Apa yang terjadi jika varians return tak hingga?
CLT normal klasik dapat gagal, dan jumlah terormalisasi dapat konvergen ke hukum stabil non-Gaussian dengan penskalaan berbeda