il Central teorema del limite in Finance
Comprendi what il Central teorema del limite says su standardized sums, che ipotesi rendimenti finanziari Può violate, Perché convergence È non exact, e Quando square-root-di-tempo scaling fails
Risposta diretta
il Central teorema del limite says quello un properly centered e scaled sum di many sufficiently well-behaved random contributions approaches un normale distribuzione. esso È un asymptotic dichiarazione Con conditions, non proof quello daily rendimenti Sono normale o quello finite-orizzonte tail losses seguire un bell curva
il theorem concerns sums, non raw observations
Let X_1,…,X_n essere indipendente e identically distributed Con finite media μ e positive finite varianza σ²
il classical dichiarazione È (Σ_iX_i−nμ)/(σ√n) converges in distribuzione un N(0,1) come n tends un infinity
Individual X_i può essere skewed o discrete; il conclusion concerns il standardized aggregato, non il forma di ogni input
Centering e scaling Sono essential
il sum grows circa nμ, mentre suo deviazione standard grows like σ√n in base un independence
Per il campione media, √n(Ȳ_n−μ)/σ ha il stesso standardized limit e il standard error shrinks un tasso 1/√n
Removing il centering, usando il wrong varianza, o ignoring covariance cambia il object e Può invalidate il normale comparison
Convergence La non media exact normality
Convergence in distribuzione descrive fixed standardized thresholds in il limit; esso La non give equality Per un particular n
il speed dipende su skewness, tail thickness, lattice effetti, e stronger moment conditions, e Può essere slow in il far tail
un normale approximation Può look adequate vicino un il center mentre materially understating il probabilità di un ampio finite-campione perdita
rendimenti finanziari challenge il ipotesi
rendimenti exhibit volatility clustering, serial dependence, jumps, structural breaks, changing esposizione, e tempo-varying distribuzioni
Weak-dependence e martingale versions di il CLT exist, ma ogni replaces independence Con precise regularity conditions
Se varianza È infinite, il classical √n normale limit può fail entirely e un stable non-Gaussian limit Può arise in base un diverso scaling
Square-root-di-tempo È un modello consequence
Per uncorrelated stazionario increments Con constant varianza, Var(Σ_iX_i)=nσ², producing volatility proportional un √n
Autocovariances add 2Σ_{h=1}^{n−1}(n−h)γ_h, quindi persistence o reversal cambia il orizzonte varianza
Compounding, stochastic volatility, jumps, overlapping dati, e calendar effetti anche impedire un mechanical daily-un-annual conversion
Inference necessita un estimable long-run varianza
Replacing σ Con un campione stima leads un asymptotic standard errors solo Quando il estimator e dependence ipotesi Sono valid
Heteroskedasticity e autocorrelation-consistent metodi stima long-run varianza anziché pretending observations Sono indipendente
piccolo campioni, heavy tails, dati snooping, e unstable significa Può creare un precise-looking confidence interval poorly calibrated
Validation dovrebbe test il approximation’s purpose
Inspect dependence, volatility regimes, tail plots, subsample stability, e Come aggregated standardized rendimenti cambiare Con orizzonte
Confronta empirical coverage Per central intervals e tail thresholds separatamente perché success vicino un il mediana La non validate rischio capital
Usa bootstrap, robust, stable-law, o explicit tempo-series alternatives Quando loro ipotesi better corrispondere il decisione e osservato diagnostics
Domande frequenti
What La il Central teorema del limite say?
in base un suitable conditions, un centered sum divided da suo deviazione standard approaches un standard normale distribuzione
La il CLT prove stock rendimenti Sono normale?
No. esso descrive un asymptotic aggregato in base un conditions e says neither quello one-periodo rendimenti nor finite-orizzonte tails Sono normale
Perché La volatility scale Con il square root di tempo?
esso follows Quando stazionario uncorrelated increments hanno constant finite varianza, non Da il CLT alone
What accade Se rendimento varianza È infinite?
il classical normale CLT Può fail, e normalized sums può converge un un non-Gaussian stable law in base un diverso scaling