Centralne twierdzenie graniczne w finansach
Zrozum, co centralne twierdzenie graniczne mówi o standaryzowanych sumach, które założenia mogą naruszać zwroty finansowe, dlaczego zbieżność nie jest dokładna oraz kiedy skalowanie przez pierwiastek z czasu zawodzi
Bezpośrednia odpowiedź
Centralne twierdzenie graniczne mówi, że właściwie wyśrodkowana i przeskalowana suma wielu wystarczająco dobrze zachowujących się składników losowych zbliża się do rozkładu normalnego. Jest to twierdzenie asymptotyczne z warunkami, a nie dowód, że dzienne zwroty są normalne ani że straty w skończonym horyzoncie mają kształt krzywej dzwonowej
Twierdzenie dotyczy sum, a nie surowych obserwacji
Niech X_1,…,X_n będą niezależne i identycznie rozłożone, ze skończoną średnią μ i dodatnią skończoną wariancją σ²
Klasyczne stwierdzenie brzmi: (Σ_iX_i−nμ)/(σ√n) zbiega według rozkładu do N(0,1), gdy n dąży do nieskończoności
Poszczególne X_i mogą być skośne lub dyskretne; wniosek dotyczy standaryzowanej agregacji, a nie kształtu każdego wejścia
Centrowanie i skalowanie są niezbędne
Suma rośnie wokół nμ, a jej odchylenie standardowe rośnie jak σ√n przy niezależności
Dla średniej z próby √n(Ȳ_n−μ)/σ ma tę samą standaryzowaną granicę, a błąd standardowy maleje w tempie 1/√n
Usunięcie centrowania, użycie niewłaściwej wariancji lub zignorowanie kowariancji zmienia analizowany obiekt i może unieważnić porównanie z rozkładem normalnym
Zbieżność nie oznacza dokładnej normalności
Zbieżność według rozkładu opisuje ustalone standaryzowane progi w granicy; nie daje równości dla konkretnego n
Szybkość zależy od skośności, grubości ogona, efektów kratowych i silniejszych warunków dotyczących momentów, a w odległym ogonie może być powolna
Przybliżenie normalne może wyglądać odpowiednio blisko środka, a jednocześnie istotnie zaniżać prawdopodobieństwo dużej straty w skończonej próbie
Zwroty finansowe podważają założenia
Zwroty wykazują skupianie zmienności, zależność szeregową, skoki, zmiany strukturalne, zmienną ekspozycję i rozkłady zależne od czasu
Istnieją wersje centralnego twierdzenia granicznego dla słabej zależności i martyngałów, ale każda zastępuje niezależność precyzyjnymi warunkami regularności
Jeśli wariancja jest nieskończona, klasyczna granica normalna ze skalowaniem √n może całkowicie zawieść, a przy innym skalowaniu może pojawić się stabilna granica nienormalna
Pierwiastek z czasu jest konsekwencją modelu
Dla nieskorelowanych stacjonarnych przyrostów ze stałą wariancją Var(Σ_iX_i)=nσ², co daje zmienność proporcjonalną do √n
Kowariancje szeregowe dodają 2Σ_{h=1}^{n−1}(n−h)γ_h, więc trwałość lub odwrócenie zależności zmienia wariancję horyzontu
Kumulacja, stochastyczna zmienność, skoki, nakładające się dane i efekty kalendarzowe również uniemożliwiają mechaniczną konwersję dziennej wartości na roczną
Wnioskowanie wymaga estymowalnej wariancji długookresowej
Zastąpienie σ estymatą z próby prowadzi do asymptotycznych błędów standardowych tylko wtedy, gdy estymator i założenia dotyczące zależności są prawidłowe
Metody zgodne z heteroskedastycznością i autokorelacją szacują wariancję długookresową, zamiast udawać, że obserwacje są niezależne
Małe próby, grube ogony, podglądanie danych i niestabilne średnie mogą sprawić, że precyzyjnie wyglądający przedział ufności będzie źle skalibrowany
Walidacja powinna testować cel przybliżenia
Sprawdź zależność, reżimy zmienności, wykresy ogonów, stabilność podprób i to, jak zagregowane standaryzowane zwroty zmieniają się wraz z horyzontem
Porównuj pokrycie empiryczne dla przedziałów centralnych i progów ogonowych osobno, ponieważ sukces w pobliżu mediany nie potwierdza kapitału na ryzyko
Użyj bootstrapu, metod odpornych, rozkładów stabilnych lub jawnych alternatyw szeregów czasowych, gdy ich założenia lepiej pasują do decyzji i obserwowanej diagnostyki
Częste pytania
Co mówi centralne twierdzenie graniczne?
Przy odpowiednich warunkach suma po wyśrodkowaniu i podzieleniu przez odchylenie standardowe zbliża się do standardowego rozkładu normalnego
Czy CTG dowodzi, że zwroty z akcji są normalne?
Nie. Opisuje asymptotyczną agregację przy określonych warunkach i nie stwierdza, że ani zwroty jednookresowe, ani ogony w skończonym horyzoncie są normalne
Dlaczego zmienność skaluje się przez pierwiastek z czasu?
Wynika to ze stacjonarnych, nieskorelowanych przyrostów o stałej skończonej wariancji, a nie z samego CTG
Co dzieje się, gdy wariancja zwrotów jest nieskończona?
Klasyczne normalne CTG może zawieść, a znormalizowane sumy mogą zbiegać do nienormalnego rozkładu stabilnego przy innym skalowaniu
Źródła i dalsza lektura
Szybki test
Przeczytano? Sprawdź się w 3 pytaniach
Pytanie 01
Które stwierdzenie najlepiej pasuje do tego poradnika — Twierdzenie dotyczy sum, a nie surowych obserwacji?
Wybierz odpowiedź, aby zobaczyć wyjaśnienie
Słownik opcji
Convergence in which the probability of exceeding any fixed positive error threshold tends to zero; it is weaker than almost-sure convergence.
Czytaj szczegółowy przewodnikAt the moneyA call or put whose strike is near the underlying price; it has little intrinsic value and often substantial sensitivity to time and volatility.
Czytaj szczegółowy przewodnikCall optionA contract that gives its holder the right, but not the obligation, to buy the underlying at the strike before or at expiration under the contract terms.
Czytaj szczegółowy przewodnik